Negli ultimi diciotto mesi l'intelligenza artificiale applicata alla manutenzione industriale ha smesso di essere una promessa da fiera per diventare uno strumento operativo. Eppure, in molti stabilimenti, l'AI resta confinata a dashboard generiche che dicono al responsabile cose che gia sa. Il salto di qualita avviene quando i modelli linguistici, la vision e i modelli statistici vengono integrati dentro il CMMS, ancorati ai documenti del singolo macchinario e ai dati di campo. In questa guida pratica vediamo come strutturare un flusso AI realmente utile partendo da un caso concreto: una fresatrice CNC a 5 assi con storico di micro-fermi non spiegati, in uno stabilimento del settore aerospace con oltre 120 asset gestiti.
Perche l'AI generica non basta in reparto
Il primo errore tipico e copiare in produzione un chatbot generico e sperare che risponda su procedure proprietarie. Un LLM senza contesto non conosce il manuale del vostro estrusore, ne le modifiche fatte dal vostro manutentore tre anni fa. Per questo motivo, l'approccio corretto si basa su tre pilastri tecnici:
- RAG (Retrieval Augmented Generation) sui documenti del singolo macchinario, con embeddings semantici di manuali, schemi elettrici, schede SDS e storico interventi.
- Multimodalita per analizzare foto allegate ai ticket e identificare componenti o anomalie visive.
- Modelli statistici su KPI manutentivi (MTBF, MTTR, ore di funzionamento) per stimare la probabilita di guasto.
Quando questi tre livelli convergono nello stesso CMMS, l'AI smette di essere un gadget e diventa un copilota tecnico che cita le fonti, ricorda il contesto e propone azioni misurabili.
Caso reale: la fresatrice CNC con micro-fermi ricorrenti
Nello stabilimento dell'esempio, la fresatrice registrava in media 14 fermi non pianificati al mese, con durata media di 9 minuti. Il MES segnalava arresto, ma la causa veniva quasi sempre etichettata come "intervento operatore", senza ulteriori dettagli. Sei mesi dopo l'attivazione del modulo AI nel CMMS, i micro-fermi sono scesi a 4 al mese. Vediamo cosa e cambiato, passo per passo.
1. Indicizzazione documentale del macchinario
Il primo step e stato caricare nel sistema il manuale del costruttore (oltre 400 pagine), gli schemi pneumatici, le procedure interne di cambio utensile e l'intero storico dei 312 interventi registrati negli ultimi quattro anni. Il sistema ha generato gli embeddings e li ha associati all'asset. Da quel momento, ogni domanda fatta dal manutentore in chat ("qual e la coppia di serraggio del mandrino HSK-A63?") ottiene una risposta ancorata al paragrafo esatto del manuale, con citazione cliccabile della fonte. Niente allucinazioni, niente PDF da sfogliare in officina.
2. Diagnosi foto con vision multimodale
Quando un operatore apre un ticket allegando la foto di un componente, il modello multimodale (la Vision AI proprietaria di INGENIA) analizza l'immagine e suggerisce:
- identificazione del componente fotografato (es. cuscinetto NN3020, elettrovalvola 5/2);
- anomalie visive rilevate (perdita olio, usura tagliente, ossidazione contatti);
- ricambi compatibili gia presenti a magazzino;
- tre controlli di verifica suggeriti prima della sostituzione.
Nel caso CNC, la foto di una guarnizione del bloccaggio pezzo ha permesso di individuare un cedimento del materiale che spiegava i micro-fermi: il sistema bloccaggio rilasciava momentaneamente la pressione, il PLC segnalava allarme e il MES contava il fermo.
3. Manutenzione predittiva sui KPI
Parallelamente, il modello statistico ha correlato MTBF, ore di funzionamento e numero di fermi MES, evidenziando un degrado anomalo nelle ultime 600 ore. Il sistema ha proposto un intervento programmato anticipato di tre settimane, inserito direttamente nel planning Gantt con simulazione del carico sul tecnico assegnato.
Secondo McKinsey, l'adozione di manutenzione predittiva basata su AI riduce i fermi macchina del 30-50% e i costi di manutenzione del 10-40%. Il dato chiave, pero, e un altro: queste percentuali si ottengono solo quando i modelli sono alimentati con dati strutturati provenienti dal CMMS, non da fogli Excel paralleli.
Dal ticket alla scheda guasto: l'AI come copilota
Il valore non sta solo nella diagnosi, ma nella chiusura strutturata dell'intervento. Tradizionalmente il manutentore scrive due righe scarne nel campo note e il sapere si perde. Con l'AI integrata, alla chiusura del ticket il sistema genera in automatico una bozza di scheda guasto compilando:
- Causa primaria, estratta dalla conversazione di chat e dalle foto allegate;
- Soluzione applicata, ricostruita dalle fasi START/STOP registrate;
- Ricambi prelevati, con codice e quantita dal magazzino;
- Raccomandazioni per evitare il ripetersi del guasto, basate sullo storico simile.
Il manutentore non parte mai dal foglio bianco: revisiona, corregge, conferma. Il tempo medio di compilazione passa da 8 a 2 minuti, e la qualita dei dati storici migliora drasticamente, alimentando a sua volta i modelli predittivi.
Riassegnazione equa e analisi del planning
Un secondo livello operativo riguarda l'organizzazione del lavoro. L'AI analizza la pianificazione Gantt sede per sede e segnala:
- sovrapposizioni critiche fra tecnici con stesse competenze;
- sotto-utilizzi su turni o sedi specifiche;
- attivita ad alta priorita assegnate a risorse sature.
La riassegnazione equa dei ticket propone un bilanciamento basato su competenze certificate, ore gia assegnate, sede di appartenenza e priorita. La simulazione visiva sul Gantt permette al responsabile di confermare o modificare prima dell'applicazione: nessuna automazione cieca, sempre revisione umana.
Governance, tracciabilita e audit trail
In ambito industriale l'AI senza governance e un rischio operativo e di compliance. Per ogni output generato, un CMMS maturo registra: prompt utilizzato, fonti citate, modello impiegato, utente che ha confermato, timestamp e diff rispetto alla bozza iniziale. Questo audit trail diventa essenziale per certificazioni come ISO 9001, ISO 55001 e per le richieste di tracciabilita di clienti automotive o aerospace.
La regola d'oro resta una: l'AI propone, l'umano dispone. Nessuna scheda guasto viene chiusa senza revisione, nessun ticket viene riassegnato senza conferma del responsabile, nessuna manutenzione predittiva viene schedulata senza validazione del planner.
Da dove iniziare in azienda
Un percorso realistico per introdurre l'AI nella manutenzione industriale parte da tre passi misurabili nell'arco di 90 giorni: indicizzazione documentale di 5-10 asset critici, attivazione della diagnosi foto sui ticket aperti dagli operatori e training del modello predittivo sui KPI degli ultimi 24 mesi. I risultati arrivano quando l'AI vive dentro lo stesso ambiente in cui i tecnici gia lavorano, non in un portale parallelo.
Se vuoi vedere come questi flussi sono gia implementati e pronti all'uso, esplora il modulo Intelligenza artificiale di Manutentya oppure puoi richiedere una demo sul tuo parco macchine reale, partendo dai dati che hai gia oggi.