In un'azienda metalmeccanica del nord Italia, con 42 macchinari critici distribuiti su tre sedi produttive, il team di manutenzione si trovava di fronte a un paradosso ormai diffuso nel settore: archivi documentali ricchissimi, storico interventi pluriennale, dati MES affidabili, ma un MTTR in costante crescita e una quota di fermi non programmati intorno al 18% delle ore lavorate. La conoscenza tecnica esisteva, ma era frammentata fra cartacei, PDF di manuali, chat WhatsApp dei tecnici e fogli Excel personali. L'introduzione del modulo di Intelligenza Artificiale di Manutentya, integrato al CMMS gia in uso, ha permesso in nove mesi di ribaltare la situazione. In questo caso studio raccontiamo numeri, scelte progettuali e lezioni apprese.
Il contesto: tre sedi, un solo problema di conoscenza
L'azienda gestisce tre stabilimenti che producono componenti per il settore automotive: tornitura CNC nella sede A, fresatrici a 5 assi nella sede B, una linea di assemblaggio semi-automatica nella sede C. Il parco macchine include 12 fresatrici CNC, 8 torni, 6 rettifiche, 4 presse e una linea di imbottigliamento dedicata ai prodotti chimici ausiliari. Prima dell'avvio del progetto, i KPI baseline misurati su 12 mesi erano i seguenti.
- MTBF medio: 187 ore
- MTTR medio: 4,6 ore per intervento correttivo
- Tempo medio di diagnosi iniziale: 38 minuti per ticket
- Quota di interventi richiusi entro 48 ore con scheda guasto completa: 31%
- Costo annuo dei fermi non programmati: circa 412.000 euro
Il responsabile manutenzione aveva identificato tre cause radicali: bassa accessibilita ai manuali tecnici, dispersione del know-how dei tecnici senior in pensionamento e pianificazione reattiva piu che predittiva. Da qui la decisione di attivare in modo sequenziale le funzioni AI gia disponibili nel CMMS.
Fase 1: RAG sui documenti e diagnosi visiva
Il primo step e stato l'indicizzazione semantica via embeddings di tutto il materiale tecnico associato ai macchinari: manuali del costruttore, schemi elettrici e pneumatici, procedure interne, schede ricambio e storico interventi degli ultimi cinque anni. In totale 8.400 documenti caricati e collegati alla scheda macchina. L'assistente conversazionale tecnico ha permesso ai tecnici di interrogare il sistema direttamente da smartphone in officina, ricevendo risposte ancorate alla fonte con citazione esatta del documento e della pagina.
Contestualmente e stata attivata la diagnosi foto con la Vision AI INGENIA: il tecnico scatta una foto del componente o dell'anomalia, la allega al ticket, e l'AI propone identificazione del componente, ipotesi di causa, ricambi compatibili e controlli di verifica suggeriti. Su una fresatrice CNC con vibrazioni anomale al mandrino, ad esempio, il sistema ha riconosciuto in 12 secondi una usura caratteristica del cuscinetto anteriore, suggerendo il codice ricambio corretto e la procedura di sostituzione presente nel manuale del costruttore.
Risultati misurati a 90 giorni
- Tempo medio di diagnosi iniziale sceso da 38 a 14 minuti (-63%)
- Riduzione del 27% delle trasferte tecnici fra sedi per consulto
- Aumento del 41% dei ticket richiusi correttamente al primo intervento
Fase 2: scheda guasto automatica e tracciabilita
Il secondo blocco di funzioni ha agito sul collo di bottiglia documentale. Alla chiusura del ticket, la scheda guasto generata in automatico compila una bozza che include causa, soluzione adottata, ricambi prelevati dal magazzino, durata effettiva delle fasi START/STOP e raccomandazioni per il futuro. Il tecnico revisiona, integra se necessario e conferma: l'intero processo richiede oggi in media 3 minuti contro i 22 precedenti.
Un aspetto chiave per la direzione qualita e stata la tracciabilita e revisione umana: ogni output AI viene registrato con prompt utilizzato, fonti citate e identita dell'utente che ha confermato la chiusura. Questo audit trail e diventato il pilastro per la certificazione IATF 16949 in fase di rinnovo.
"Avevamo trent'anni di esperienza nelle teste dei nostri capi reparto. Oggi quella stessa conoscenza vive nel sistema, e' interrogabile da qualunque tecnico turnista alle tre di notte e ogni risposta cita la fonte. La quota di schede guasto complete e compilate correttamente e' passata dal 31% al 89% in cinque mesi."
Fase 3: predittivo sui KPI e ribilanciamento del planning
Con almeno sei mesi di dati puliti nel CMMS, e stata attivata la manutenzione predittiva sui KPI. Il modello statistico incrocia MTBF, MTTR, ore di funzionamento e fermi rilevati dal MES per stimare la probabilita di guasto a 30 e 60 giorni. Su due presse della sede A e su un estrusore della sede C il sistema ha anticipato interventi programmati che hanno evitato fermi catastrofici stimati in 47.000 euro complessivi.
L'analisi del planning manutentivo ha rivisto la Gantt segnalando sovrapposizioni di carico e attivita critiche schedulate in finestre non ottimali. La riassegnazione equa dei ticket ha bilanciato i carichi fra otto tecnici tenendo conto di competenze, sede e priorita, con simulazione visiva approvata dal responsabile prima della conferma. La saturazione del tecnico piu carico e passata dal 118% al 94%; quella del meno carico dal 61% all'82%.
Bilancio economico e lezioni apprese
A nove mesi dall'avvio, i KPI consolidati raccontano un caso d'uso solido e replicabile.
- MTBF medio: da 187 a 264 ore (+41%)
- MTTR medio: da 4,6 a 2,9 ore (-37%)
- Fermi non programmati: dal 18% al 9,4% delle ore lavorate
- Risparmio annuo stimato sui fermi: 198.000 euro
- ROI del modulo AI: raggiunto in 7,2 mesi
Tre lezioni meritano di essere sottolineate. La prima: la qualita degli embeddings dipende dalla qualita dei documenti caricati, quindi e essenziale dedicare due o tre settimane a normalizzare manuali e procedure. La seconda: la revisione umana obbligatoria non rallenta il processo, lo legittima, ed e cio che ha permesso al team qualita di sostenere il rollout senza resistenze. La terza: il predittivo funziona solo se i dati MES e le ore di funzionamento sono affidabili a monte.
Da dove iniziare nel vostro impianto
Se vi riconoscete in almeno due dei sintomi descritti, archivi tecnici dispersi, schede guasto incomplete o pianificazione reattiva, la strada e tracciata. Potete approfondire le funzionalita del modulo Intelligenza Artificiale di Manutentya oppure richiedere una demo guidata sui vostri dati di esempio per stimare insieme il ROI atteso.