Le imprese italiane dei beni di consumo confezionati (Consumer Packaged Goods – CPG) vedono nell’intelligenza artificiale industriale una leva per recuperare efficienza, ma la maggior parte è ancora lontana da un impiego esteso nei processi produttivi. In un’indagine commissionata da Schneider Electric e condotta da Censuswide su 200 decisori di aziende italiane del settore, il 38,5% colloca l’AI in progetti pilota e un altro 34,5% la usa in una o due aree operative. Solo il 15% dichiara applicazioni diffuse su più siti o processi e il 3% la descrive come centrale per le decisioni produttive e operative.
La distanza tra sperimentazione e uso operativo pesa perché le stesse aziende stimano che i ricavi manifatturieri persi per inefficienze possano salire dal 15,6% di oggi al 29,2% nel 2030. I numeri arrivano dal report 2026 Industrial AI in CPG Study – Italy Insights, basato su interviste realizzate tra il 26 febbraio e il 24 marzo 2026. Il campione comprende 100 imprese food & beverage e 100 del comparto life sciences: è una fotografia di due settori specifici e delle valutazioni dei loro manager, non una misura contabile delle perdite effettivamente registrate.
Indice degli argomenti:
Il costo delle inefficienze mette pressione sui margini
Il campione indica una pressione economica crescente, ma non attribuisce tutta la perdita all’AI o a una singola causa. I manager stimano che nel 2030 le inefficienze assorbiranno il 29,2% dei ricavi manifatturieri, contro il 15,6% attuale; per food & beverage la stima passa dal 17,7% al 29,4%, mentre per life sciences dal 13,5% al 29,1%. Il dato descrive la percezione degli intervistati sulla traiettoria dei costi e dei fermi, non una previsione indipendente del fatturato delle singole imprese.
La composizione del costo aiuta a capire perché l’automazione intelligente interessi la produzione. Nel quadro italiano del report, l’energia pesa per il 15,4% della composizione dei costi di prodotto, le materie prime per il 15,3% e il lavoro per il 13,6%; seguono costi regolatori e di compliance al 12,7%, ritardi e inefficienze manifatturiere al 12,5% e fermi o guasti al 10,8%.
Energia, fermi e scarti sono variabili che i sistemi di fabbrica possono monitorare attraverso sensori e dati di processo. Un modello può aiutare a individuare deviazioni dai parametri, anticipare guasti o suggerire correzioni, ma il risultato dipende da dati aggiornati e collegati ai macchinari.
Per questo la disponibilità di un algoritmo non basta: il sistema deve leggere contesto operativo, ricette, qualità e vincoli di sicurezza senza interrompere la produzione.
Dalla sperimentazione alla produzione, il salto resta incompleto
La distribuzione dei livelli di adozione mostra un percorso ancora in costruzione. Il 38,5% delle aziende si ferma a progetti pilota e prove di concetto; il 34,5% ha introdotto AI in una o due aree operative. Un ulteriore 15% la utilizza in più siti o processi, mentre il 9% dichiara di non avere iniziative in corso. Solo il 3% la considera già uno strumento per le decisioni produttive e operative.
Il dato del 3% chiarisce la natura del divario: l’adozione della tecnologia non coincide con la capacità di affidarle decisioni che incidono su qualità, velocità e continuità della linea. Molte imprese hanno iniziato a testare strumenti, ma devono ancora integrarli con i sistemi di controllo e con le pratiche che governano la produzione quotidiana.
AI industriale: livello di adozione dichiarato in Italia
| Stato dell’adozione | Imprese |
|---|---|
| Progetti pilota / proof of concept | 38,5% |
| In una o due aree operative | 34,5% |
| Più siti o processi | 15,0% |
| Nessuna iniziativa | 9,0% |
| AI centrale nelle decisioni di produzione e operative | 3,0% |
Fonte: Schneider Electric, 2026 Industrial AI in CPG Study – Italy Insights; n=200. Valori dichiarati, arrotondamenti come nel report.
Il dato generale italiano sulla digitalizzazione conferma che l’AI resta un’area di adozione non uniforme. Secondo Istat, nel 2025 il 16,4% delle imprese con almeno dieci addetti utilizzava almeno una tecnologia di AI, contro l’8,2% nel 2024. Eurostat rileva una media Ue del 20% nel 2025. Le due statistiche riguardano l’insieme delle imprese, non il campione CPG né il solo manifatturiero, e dunque offrono contesto senza misurare lo stesso fenomeno.
La crescita italiana segnala accelerazione, mentre il dato di settore mostra che arrivare a processi produttivi su larga scala è un passaggio ulteriore.
Competenze, sistemi legacy e dati frenano la scalabilità
Se l’AI deve spostarsi dai test alle linee produttive, l’impresa deve prima collegare macchinari, software e dati che spesso non comunicano tra loro. Nel sondaggio, il 46,5% indica la carenza di competenze AI o data science come principale ostacolo alla scalabilità; il 34,5% cita i sistemi legacy e l’infrastruttura, mentre il 28,5% segnala la mancanza di dati operativi contestualizzati. Seguono la resistenza della forza lavoro (21%) e quella del management (14%). Gli intervistati potevano selezionare fino a tre barriere, quindi le quote non sommano a 100.
Il problema dei dati è anche un problema di integrazione. Un sensore può registrare temperatura o vibrazioni, ma per trasformare il segnale in una decisione utile il sistema deve sapere quale prodotto è in lavorazione, quale ricetta è attiva, quali tolleranze valgono e che cosa è accaduto sulla linea. L’assenza di questo contesto può ridurre l’affidabilità delle previsioni e rendere difficile confrontare risultati tra impianti. La frammentazione dei sistemi, a sua volta, aumenta il lavoro necessario per replicare un progetto che ha funzionato in un singolo stabilimento.
La rilevazione segnala inoltre che il 10% cita preoccupazioni di cybersecurity o compliance e il 7,5% i costi elevati di implementazione. Nel campione non sono le barriere più frequenti, ma restano vincoli da affrontare quando un’applicazione accede a dati di processo o influenza il funzionamento degli impianti. La scelta progettuale deve definire quali dati possono circolare, chi può cambiare i parametri e quale procedura mantiene il controllo umano in caso di errore o indisponibilità.
Il ritorno atteso cresce, ma resta una previsione
Le imprese che hanno già adottato AI stimano un ritorno medio sull’investimento del 15% oggi e si aspettano che salga al 33,6% nel 2027 e al 54,9% nel 2030. Il report precisa che la domanda è stata posta ai rispondenti con applicazioni AI già in uso (n=105). Si tratta quindi di una valutazione e di un’aspettativa riferite a quel sottogruppo, non di un risultato finanziario verificato né della promessa che ogni progetto raggiungerà quei livelli.
Per trasformare la previsione in un caso economico, un produttore deve associare ogni progetto a una metrica operativa: ore di fermo evitate, scarti ridotti, energia per unità prodotta, tempo di cambio ricetta o interventi di manutenzione. Deve poi misurare una base di partenza e i costi di integrazione, formazione e gestione. Senza queste misure l’azienda rischia di confondere l’adozione dell’AI con un miglioramento causato dall’AI, oppure di replicare un progetto senza capire perché ha funzionato.
Il report cita anche la capacità di modificare ricette e ingredienti: l’88% dei produttori afferma che i propri sistemi supportano queste variazioni, ma nel 62,5% dei casi serve ancora approvazione o configurazione manuale. Solo il 25,5% dichiara un processo completamente automatizzato e integrato. Questo passaggio mostra dove l’automazione può incidere direttamente: adattare una produzione a richieste del cliente, qualità delle materie prime o variazioni di costo. La supervisione resta rilevante perché ogni modifica deve rispettare specifiche, sicurezza alimentare e controlli di qualità.
Lavazza e Zicaffè, casi di integrazione industriale
Per mostrare come l’integrazione possa tradursi in attività concrete, il report presenta due esperienze del comparto caffè.
A Settimo Torinese, Lavazza ha modernizzato una linea di confezionamento realizzata negli anni Sessanta, collegando controllori, azionamenti e software di fabbrica per coordinare la produzione e mantenere flessibilità nei cambi di mercato.
Per Zicaffè, azienda siciliana, il documento descrive un’architettura che digitalizza il processo produttivo e rende più controllabili le fasi dalla tostatura alla miscela.
Entrambi gli esempi coinvolgono tecnologie proprie e partner: sono casi aziendali illustrativi, non confronti indipendenti che quantificano il ritorno economico o isolano l’effetto dell’AI. Il loro valore per il lettore sta nel mostrare la condizione a monte dell’AI industriale: connettere macchine e processi, rendere leggibili i dati e digitalizzare le attività prima di introdurre sistemi che suggeriscono o automatizzano decisioni.
Il punto è coerente con un dato emerso in tutto il campione: l’ambizione cresce più rapidamente delle fondamenta operative. Per i produttori di beni di consumo confezionati italiani, la sfida è passare da prove circoscritte a progetti replicabili, con competenze interne o partner capaci di colmare i vuoti tecnici, dati utilizzabili e responsabilità chiare. Solo così le aspettative di efficienza possono diventare risultati che un’impresa misura su costi, qualità e continuità produttiva.
Partecipa alla community