Introdurre l'intelligenza artificiale in un reparto di manutenzione non significa premere un interruttore e attendere che il sistema impari da solo. Significa, al contrario, costruire un percorso ordinato che parte dalla qualità dei dati storici, passa per la formazione dei tecnici e arriva alla validazione umana di ogni output. Molti responsabili tecnici, davanti a una linea di imbottigliamento con dieci anni di interventi non strutturati o a una fresatrice CNC con manuali sparsi su tre cartelle di rete, esitano: da dove si comincia? Questa guida propone una roadmap concreta in sei fasi per attivare il modulo AI di Manutentya, con tempistiche realistiche, indicatori di avanzamento e accorgimenti per evitare gli errori più comuni nei primi mesi di esercizio.
Fase 1: preparare l'anagrafica e i documenti tecnici
Il primo passo è quasi sempre il più sottovalutato. Un modello di RAG (Retrieval Augmented Generation) risponde bene solo se la base documentale è curata: manuali in PDF leggibili (no scansioni a bassa risoluzione), schemi elettrici associati al codice macchina corretto, procedure operative aggiornate. In questa fase, della durata tipica di 3-4 settimane su un sito da 200 asset, l'obiettivo è:
- verificare l'anagrafica macchinari: matricola, costruttore, anno, posizione produttiva;
- caricare i manuali e gli schemi associandoli all'asset corretto, non solo alla categoria;
- normalizzare lo storico ticket eliminando duplicati e descrizioni generiche del tipo "macchina ferma";
- validare almeno 12 mesi di dati di MTBF e MTTR per i 20 asset critici della linea.
Una volta indicizzati i documenti, l'AI di Manutentya effettua embedding semantici e, in fase di consultazione, restituisce risposte ancorate alle fonti citando il manuale o la procedura di riferimento. Questo è il prerequisito tecnico per le fasi successive.
Fase 2: attivare l'assistente conversazionale e la diagnosi foto
Con la base documentale pronta, conviene partire dalle funzionalità a basso rischio e ad alto impatto percepito. L'assistente conversazionale permette al tecnico di chiedere, da smartphone davanti all'estrusore, quali siano le coppie di serraggio della testa o quali ricambi siano compatibili con un certo gruppo idraulico, mantenendo il contesto di sede e di asset. La diagnosi foto basata sulla Vision AI proprietaria di INGENIA consente di allegare al ticket l'immagine di una cinghia usurata o di un quadro elettrico danneggiato e di ottenere un'analisi preliminare con i ricambi suggeriti.
In questa fase, della durata di circa 4 settimane, il consiglio è formare due o tre tecnici champion per sede e raccogliere il loro feedback ogni due giorni. È normale che nelle prime due settimane i suggerimenti dell'AI vengano confermati solo nel 60-70% dei casi: il tasso sale rapidamente con l'arricchimento dei documenti.
Fase 3: scheda guasto automatica e tracciabilità
Quando il flusso operativo è consolidato, si attiva la generazione automatica della scheda guasto alla chiusura del ticket. L'AI compone una bozza basata su chat con l'assistente, foto allegate, fasi START/STOP rilevate e ricambi effettivamente prelevati a magazzino. Il tecnico verifica, integra e conferma: la scheda non viene mai pubblicata senza revisione umana.
Secondo studi di settore, le aziende che documentano in modo strutturato almeno l'80% degli interventi riducono i tempi di diagnosi su guasti ricorrenti del 25-30% nei dodici mesi successivi. La scheda guasto non è burocrazia: è il carburante della manutenzione predittiva.
In parallelo, l'amministratore di sistema verifica l'audit trail: ogni output AI è registrato con prompt, fonti citate e utente che ha confermato. Questo è essenziale per la conformità interna e per le revisioni ISO 9001 o IATF 16949.
Fase 4: manutenzione predittiva sui KPI
Dopo circa tre mesi di esercizio, lo storico arricchito permette di attivare il modello di manutenzione predittiva sui KPI. Il motore statistico incrocia MTBF, MTTR, ore di funzionamento e fermi importati dal MES, stima la probabilità di guasto per finestra temporale e propone interventi programmati nel planning. Su una linea di imbottigliamento, ad esempio, è realistico anticipare la sostituzione delle guarnizioni del riempitore di 8-10 giorni rispetto alla manutenzione a calendario, riducendo i fermi non pianificati.
Gli ordini operativi consigliati in questa fase sono:
- partire con i 10 asset a maggiore criticità OEE;
- impostare una soglia di confidenza minima (es. 70%) sotto la quale l'AI propone solo un'allerta, non un intervento;
- rivedere settimanalmente con il pianificatore le proposte accettate e quelle scartate;
- misurare la riduzione del rapporto fermi correttivi su fermi pianificati.
Fase 5: planning, riassegnazione e governance
L'ultima fase tecnica riguarda l'ottimizzazione del lavoro umano. L'analisi del planning manutentivo rivede la Gantt per individuare sovrapposizioni tra interventi sulla stessa linea, sotto-utilizzi di tecnici specialisti e attività critiche posticipate troppo a lungo. La riassegnazione equa dei ticket bilancia il carico tra i manutentori in base a competenze certificate, ore già assegnate, sede e priorità, con una simulazione visiva che il responsabile può approvare o modificare prima della conferma.
È in questo punto che la roadmap richiede una governance chiara: chi può accettare in autonomia i suggerimenti dell'AI, chi deve passare per il responsabile, come si gestiscono i casi limite. Senza regole scritte, l'adozione si arena.
Fase 6: misurare, iterare, espandere
A sei mesi dall'avvio, è il momento di consolidare. I KPI da monitorare in modo ricorrente sono: percentuale di schede guasto generate dall'AI e confermate, tasso di accettazione delle proposte predittive, riduzione del MTTR sui guasti ricorrenti, ore tecnico risparmiate grazie all'assistente conversazionale. Solo dopo questa misurazione ha senso estendere l'AI ad altre sedi produttive o ad altri impianti.
Se vuoi capire come queste fasi si traducono sul tuo parco macchine, puoi approfondire il modulo Intelligenza artificiale di Manutentya oppure richiedere una demo guidata sul tuo flusso reale. Una roadmap ben eseguita vale molto più di una funzione brillante usata male.