Trascorrendo del tempo con i dirigenti del settore manifatturiero, si finisce per sentire sempre lo stesso messaggio: la spinta verso la robotica degli anni 2010 ha prodotto vantaggi concreti, almeno per un certo periodo. Successivamente, gli aggiornamenti dei sistemi ERP (Enterprise Resource Planning) hanno portato dati più puliti e processi standardizzati, mentre l’implementazione dell’IoT ha generato enormi quantità di dati provenienti dai sensori.
Eppure, gli indicatori fondamentali raccontano una storia diversa: rendimento produttivo, tempi di fermo non pianificati, difetti non rilevati e rotazione delle scorte. Nel complesso, nell’ultimo decennio i progressi sono stati, nella migliore delle ipotesi, marginali per la maggior parte delle aziende manifatturiere.
Negli Stati Uniti, ad esempio, la produttività del lavoro nel settore manifatturiero è aumentata a un tasso annualizzato di appena lo 0,5% tra il quarto trimestre del 2019 e il primo trimestre del 2026, mentre la produzione è cresciuta dello 0,1% e le ore lavorate sono diminuite dello 0,4%.
Questi dati indicano un problema strategico che deve essere affrontato con urgenza, considerando che il mercato globale dell’AI nel settore manifatturiero dovrebbe crescere da 34,2 miliardi di dollari nel 2025 a 155 miliardi di dollari entro il 2030, con un tasso di crescita annuale composto del 35,3%.
- LEGGI ANCHE: Il nuovo imperativo per il settore automotive: integrare l’AI lungo tutta la catena del valore
Dove il settore manifatturiero è ancora carente in termini di intelligenza
L’automazione tradizionale rende i processi più rapidi e ripetibili, ma non li rende più intelligenti.
Un robot può saldare lo stesso giunto in modo uniforme 10.000 volte al giorno, ma non si accorgerà che un nuovo lotto di acciaio si comporta in modo diverso, che un cuscinetto potrebbe guastarsi entro due turni o che il programma di produzione dovrebbe essere modificato perché un collo di bottiglia a valle sta per risolversi. Queste valutazioni si sono a lungo basate sull’esperienza umana, che è costosa, sempre più rara e difficile da scalare.
Sono quattro i principali fattori che rendono urgente affrontare questo problema:
- Le supply chain restano fragili: i problemi iniziati nel 2020 sono diventati ancora più complessi. Le tensioni geopolitiche non aiutano.
- La manodopera qualificata sta di minuendo: nella maggior parte delle economie manifatturiere, il numero di lavoratori che vanno in pensione supera quello dei nuovi ingressi e gran parte delle loro conoscenze va persa con loro.
- I requisiti di sostenibilità stanno diventando più rigorosi: autorità di regolamentazione e grandi clienti richiedono ormai prove dettagliate e verificabili, basate sui dati operativi.
- La personalizzazione è diventata la norma: cicli di produzione più brevi, più varianti, maggiore personalizzazione e cambi di produzione più rapidi. Le aspettative continuano a crescere.
L’automazione convenzionale non riduce queste pressioni, ma la physical AI può farlo. Consente ai sistemi di percepire in tempo reale ciò che accade nelle attività operative, comprendere tali condizioni e intervenire di conseguenza.
Cosa è cambiato: l’AI sottostante e l’ambiente che la circonda
Le capacità di percezione e i nuovi world model stanno migliorando nella comprensione degli ambienti fisici e nella previsione di ciò che accadrà successivamente. Una capacità di calcolo più avanzata permette di supportare l’addestramento su larga scala, mentre i digital twin consentono di testare questi modelli e generare dati sintetici a partire da fabbriche, apparecchiature e workflow virtuali, anziché affidarsi esclusivamente a test nel mondo reale.
Ma disporre di queste capacità rappresenta solo una parte dell’equazione. Per le aziende manifatturiere, la sfida più importante consiste nell’integrarle con le tecnologie operative, i sistemi aziendali, i dati e i workflow che fanno funzionare lo stabilimento.
In NTT DATA consideriamo la physical AI una sfida di integrazione tanto quanto una sfida legata all’AI.
Lo stack di physical AI di NVIDIA
NVIDIA fornisce una parte fondamentale della base tecnologica necessaria per questo percorso. Il suo stack di physical AI comprende modelli, librerie, framework e capacità di calcolo accelerato per l’addestramento, la simulazione e l’implementazione nel mondo reale.
Lo stack può essere suddiviso in tre livelli:
- Modelli: i world foundation model NVIDIA Cosmos aiutano i sistemi di physical AI a comprendere il mondo fisico e a ragionare su di esso.
- Software, librerie e framework: NVIDIA Isaac Sim offre un ambiente di simulazione per sviluppare e testare applicazioni di robotica. NVIDIA AI Enterprise mette a disposizione software per implementare e gestire l’AI in produzione e include NVIDIA Omniverse, Metropolis e Triton.
- Capacità di calcolo: NVIDIA DGX offre un’infrastruttura centralizzata per l’addestramento dei modelli AI, gli RTX PRO Server forniscono la capacità di calcolo necessaria per eseguire simulazioni e workload di digital twin, mentre Jetson porta l’inferenza AI su robot, macchine e altri sistemi edge.
Come le aziende manifatturiere stanno già ottenendo vantaggi
I miglioramenti osservati nelle attività manifatturiere sono significativi:
- Un produttore automobilistico globale ha implementato digital twin basati sulle librerie NVIDIA Omniverse in oltre 30 stabilimenti. Il tempo necessario per eseguire controlli virtuali automatizzati delle collisioni, finalizzati a garantire che i nuovi veicoli destinati alla linea di produzione non entrino in collisione con l’ambiente circostante, è passato da quattro settimane a tre giorni. È stata inoltre prevista una riduzione del 30% dei costi di pianificazione della produzione.
- I produttori di elettronica stanno individuando nuovi modi per migliorare il controllo qualità e la produttività. Foxconn Industrial Internet collabora con i partner NVIDIA Metropolis per automatizzare le ispezioni di qualità dei circuiti stampati e utilizza NVIDIA RTX PRO Server per eseguire all’edge modelli linguistici di grandi dimensioni sviluppati su DGX SuperPOD. Innodisk utilizza NVIDIA Metropolis per automatizzare l’ispezione ottica sulle linee di produzione, mentre Wistron lo sta implementando per automatizzare parzialmente l’ispezione ottica dei circuiti stampati.
- Nell’ambito del rilevamento e della classificazione dei difetti industriali, la piattaforma end-to-end di deep learning di NVIDIA ha raggiunto, durante una dimostrazione, un tasso di recall del 96,4%, un tasso di precisione del 99,3% e un tasso di falsi allarmi dello 0,1%, offrendo al contempo importanti miglioramenti nelle prestazioni di inferenza grazie all’ottimizzazione con TensorRT. Nelle implementazioni edge, lo stesso approccio ha elaborato 228,1 fotogrammi al secondo (FPS) su Jetson AGX Xavier, rispetto ai 18 FPS su Jetson Nano, dimostrando come l’ispezione basata sull’AI possa combinare qualità di rilevamento e throughput adeguato agli ambienti di produzione.
I servizi di NTT DATA completano lo stack NVIDIA
Molte iniziative AI nel settore manifatturiero commettono l’errore di trattare ogni caso d’uso dell’AI come un progetto indipendente. Le aziende si affidano a un fornitore per la vision AI, a un altro per la manutenzione predittiva e a un terzo per i digital twin. Ogni soluzione comporta pipeline di dati, stack di implementazione ed esigenze di manutenzione specifiche.
Successivamente, scoprono che ogni nuovo caso d’uso introduce un ulteriore livello di integrazione e, con esso, maggiore complessità e un ROI meno convincente.
I fornitori in questo ambito non mancano. Tuttavia, nel settore manifatturiero, l’AI genera valore solo quando l’organizzazione che la implementa comprende tanto la realtà dello stabilimento produttivo quanto la tecnologia stessa.
La practice Manufacturing globale di NTT DATA lavora da oltre vent’anni con clienti industriali nei settori automotive, elettronica, aerospaziale, dell’industria di processo e food & beverage. Sappiamo cosa significa integrare un Manufacturing Execution System (MES) quando questo ha 15 anni, come si comporta un modello di manutenzione predittiva quando le pratiche operative sul campo si discostano dalle condizioni di addestramento e quali problemi di data governance possono compromettere un programma ancora prima del suo avvio.
La nostra piattaforma AI for Manufacturing si basa su queste fondamenta. È un livello di orchestrazione di agentic AI progettato specificamente per questo settore, che si colloca al di sopra dello stack NVIDIA per trasformare gli output dell’AI in decisioni operative in tempo reale. Include una libreria di oltre 50 agenti preconfigurati e diversi modelli di AI industriale specializzati, con un’orchestrazione low-code che si integra direttamente con l’infrastruttura di calcolo e inferenza di NVIDIA.
NVIDIA fornisce l’infrastruttura AI e modelli aperti, librerie e framework. Noi colleghiamo queste capacità ai sistemi e ai workflow che fanno funzionare lo stabilimento.
I prossimi contenuti di questa serie
Esiste ancora un ampio divario tra ciò che l’AI per il settore manifatturiero è in grado di fare oggi e ciò che viene effettivamente utilizzato nella maggior parte degli stabilimenti. In molti casi, l’elemento mancante è un approccio strutturato che permetta di passare da progetti pilota isolati a un modello operativo aziendale.
Nel prossimo articolo del blog vedremo come la piattaforma AI for Manufacturing di NTT DATA riunisce queste capacità, combinando la tecnologia di physical AI di NVIDIA con gli agenti, l’orchestrazione e l’integrazione necessari per collegare l’AI alle reali attività manifatturiere.
Nell’ultimo articolo della serie presenteremo un framework di implementazione di 90 giorni, pensato per offrire un punto di partenza pratico ai responsabili delle operations pronti a intraprendere questo percorso. La fabbrica intelligente non è un traguardo che si raggiunge tutto in una volta: si costruisce passo dopo passo, attraverso le decisioni che vengono prese oggi.
- LEGGI ANCHE: 5 modi in cui le aziende manifatturiere stanno costruendo supply chain agili nell’era dell’AI
COSA FARE ORA
Scopri di più sui servizi Manufacturing di NTT DATA e contatta il nostro team per scoprire come possiamo aiutarti a produrre più velocemente, operare in modo più intelligente e ridurre i costi.