La sfida della manifattura italiana non è più soltanto avviare progetti di intelligenza artificiale, ma portarli oltre la sperimentazione, collegarli ai sistemi industriali e tradurli in risultati replicabili. È il passaggio al centro del capitolo dedicato all’AI nel rapporto 2026 di Deloitte: una tecnologia già impiegata per controllo qualità, manutenzione e gestione dei materiali che ora si prepara a una nuova fase, quella degli agenti capaci di coordinare attività tra applicazioni aziendali diverse.
Il cambiamento coinvolge direttamente il modello economico della fabbrica. L’AI può ridurre errori e tempi di intervento, ma può anche trasformare le conoscenze raccolte sugli impianti in servizi continuativi per i clienti. Gli agenti autonomi promettono di accelerare questa evoluzione; la condizione è una base informativa affidabile, condivisa e governata. Senza integrazione dei dati e processi riprogettati, il rischio è moltiplicare dimostrazioni tecnologiche senza aumentarne l’impatto industriale.
Indice degli argomenti:
Il 67% delle PMI italiane considera l’AI una leva competitiva
Nel rapporto La manifattura industriale in Italia 2026, Deloitte richiama un’analisi condotta su oltre 130 grandi imprese industriali europee: più del 60% delle aziende dichiara di aver aumentato gli investimenti nell’intelligenza artificiale, orientamento riscontrato anche tra le imprese italiane considerate. È un’indicazione di accelerazione della spesa, non una misura automatica del ritorno economico ottenuto.
La convinzione sul ruolo della tecnologia si estende alle realtà più piccole. Secondo i dati richiamati nel capitolo, il 67% delle PMI manifatturiere italiane giudica l’AI determinante per crescita e competitività. Il report collega questa percezione alla necessità di recuperare produttività e capacità innovativa, ma distingue l’interesse strategico dalla maturità effettiva delle applicazioni in azienda.
Controllo qualità, magazzino e assistenza: dove l’AI produce valore
Nella produzione, l’abbinamento tra machine learning e visione artificiale consente di riconoscere anomalie che sfuggono a verifiche discontinue o manuali. I dati raccolti da telecamere e sensori possono aiutare a intercettare in anticipo le derive di processo, ridurre difetti e rilavorazioni e rendere più costanti gli standard qualitativi. È una delle applicazioni che il rapporto descrive come più mature nel manifatturiero.
La gestione dei materiali presenta un problema diverso: codici, versioni e configurazioni che aumentano la complessità degli acquisti e delle scorte. Analizzando migliaia di componenti, l’AI può individuare parti simili o riutilizzabili e suggerire riconfigurazioni, evitando acquisti non necessari e valorizzando le disponibilità a magazzino. Il risultato atteso non riguarda soltanto il costo del materiale, ma anche la capacità di rispondere tempestivamente alle necessità produttive.
Un terzo fronte è la relazione con il cliente. I modelli predittivi possono rilevare segnali di possibile abbandono, classificare le richieste di assistenza e suggerire manutenzioni sui prodotti in esercizio. Il servizio post-vendita diventa più proattivo quando la fabbrica utilizza le informazioni sui dispositivi installati per intervenire prima che un problema interrompa il lavoro del cliente. Tuttavia, l’accuratezza dipende dalla qualità dei dati disponibili e dal contesto operativo.
AI e Agentic AI: che cosa cambia lungo la catena del valore
| Ambito | AI analitica e predittiva | Agentic AI: coordinamento operativo |
|---|---|---|
| Produzione | Riconoscere difetti e derive con visione e machine learning | Segnalare l’anomalia, proporre un intervento e aggiornare le istruzioni |
| Manutenzione | Prevedere guasti dai sensori e pianificare le verifiche | Coordinare istruzioni, ricambi, calendario tecnico e registrazione del lavoro |
| Supply chain | Trovare componenti alternativi e verificare documenti fornitori | Incrociare segnali di rischio, valutare fornitori e proporre ripianificazioni |
| Servizi | Classificare richieste e prevedere esigenze di assistenza | Guidare riparazioni, verificare ricambi e predisporre richieste di ordine |
Fonte: elaborazione redazionale sui casi d’uso descritti da Deloitte, La manifattura industriale in Italia 2026, pp. 52, 55–57. Gli esempi agentici rappresentano capacità e possibili applicazioni, non adozioni generalizzate.
Il limite dei progetti isolati: dati frammentati e sistemi poco integrati
La crescita degli investimenti incontra un ostacolo strutturale: molte imprese dispongono di informazioni preziose ma distribuite tra macchine, reparti e software che non dialogano adeguatamente. Nel capitolo Deloitte, l’assenza di una base dati unificata e l’insufficiente interoperabilità figurano fra le principali ragioni per cui i progetti restano confinati a singoli casi d’uso.
Un algoritmo addestrato sui dati di una linea non produce necessariamente gli stessi risultati in un impianto con sensori, cicli e materiali diversi. Portarlo su scala richiede regole condivise, qualità e tracciabilità del dato, oltre a collegamenti robusti con le applicazioni utilizzate quotidianamente. La replicabilità non coincide con la semplice copia del software: comprende controlli sulle prestazioni, gestione delle eccezioni e responsabilità chiare.
Il limite riguarda anche l’organizzazione: ogni intervento deve avere un responsabile, dal controllo del dato alla verifica del suggerimento prodotto dal modello. La direzione deve chiarire quali attività cambiano, quali decisioni rimangono umane e come vengono gestite le eccezioni. Senza queste scelte, un’applicazione promettente può aumentare la complessità invece di semplificare il lavoro quotidiano.
La prima opportunità: scalare l’AI e trasformarla in servizi
Per le aziende che hanno già costruito una solida base dati, Deloitte individua una prima direttrice: estendere l’AI all’intera organizzazione e aprire progressivamente le soluzioni a clienti e partner. Non basta accumulare modelli di previsione. Occorre farli funzionare in modo coerente tra stabilimenti, funzioni e canali commerciali, con meccanismi di governo comuni.
Questa strategia può avere conseguenze sui ricavi. Una conoscenza sviluppata per ottimizzare i propri impianti può diventare un servizio di monitoraggio remoto, manutenzione predittiva o miglioramento dei consumi offerto agli utilizzatori delle macchine. Il produttore evolve verso una relazione continuativa, affiancando alla vendita dell’asset un flusso di servizi fondati sui dati e sulle competenze operative accumulate.
Daniele Dominicis, business manager operations energy distribution Italia di ABB, racconta a Deloitte che l’azienda investe nell’AI sia per l’utilizzo interno sia per lo sviluppo di proposte rivolte al mercato, anche attraverso collaborazioni con startup specializzate. La sperimentazione interna può diventare una prova sul campo prima di estendere una soluzione verso l’esterno, purché prestazioni e condizioni d’uso siano verificabili.
Il passaggio verso l’esterno richiede però criteri diversi da quelli di una prova interna. Un servizio destinato ai clienti deve essere affidabile anche quando cambiano configurazioni, condizioni d’uso e qualità delle informazioni ricevute. Disponibilità del servizio, aggiornamenti e gestione degli errori diventano così parte della proposta economica, non soltanto aspetti tecnici da risolvere dopo il lancio.
La seconda opportunità: agenti capaci di coordinare più attività
L’Agentic AI aggiunge una capacità operativa rispetto a un chatbot che risponde a domande o consulta manuali. Un agente può ricevere un obiettivo, selezionare strumenti disponibili, pianificare passi intermedi e proporre o eseguire azioni. Il salto è dall’informazione alla gestione del flusso di lavoro, con possibili interazioni tra applicazioni e persone. Autonomia non significa però assenza di regole, autorizzazioni o supervisione nei processi critici.
Il rapporto descrive un esempio di manutenzione preventiva. Con un assistente convenzionale, il tecnico interroga la documentazione e riceve istruzioni. Un sistema composto da agenti coordinati può invece adattare le indicazioni ai dati del macchinario, avvisare la pianificazione che la macchina è ferma, modificare la sequenza dei controlli in caso di anomalie e registrare l’esito dell’intervento.
Le analisi citate da Deloitte indicano che oltre l’80% delle imprese industriali europee e quasi il 90% di quelle italiane sta già sperimentando agenti autonomi. La parola decisiva è «sperimentando»: questo dato non equivale alla quota di aziende che impiega agenti autonomi in produzione continuativa, né quantifica i risultati finanziari conseguiti.
La stessa prudenza serve nel leggere le prospettive al 2028: secondo previsioni di mercato riportate nello studio, circa un terzo dei software aziendali potrebbe incorporare funzioni agentiche, contro meno dell’1% nel 2024, con l’automazione potenziale fino al 15% delle decisioni operative di routine. Si tratta di proiezioni, non di risultati osservati né di una percentuale applicabile a ogni singola impresa.
Dagli agenti in officina alla supply chain e al cliente
In stabilimento gli agenti possono mettere a disposizione degli operatori istruzioni aggiornate, informazioni sui materiali e suggerimenti per le impostazioni delle macchine. Nella manutenzione possono esaminare lo storico di guasti e ricambi e proporre gli interventi più adatti. L’obiettivo operativo è ridurre i tempi di fermo senza perdere il controllo delle decisioni che incidono su sicurezza e continuità produttiva.
Nella supply chain, l’Agentic AI può incrociare dati interni con notizie, meteo e informazioni logistiche, segnalando interruzioni potenziali. Può valutare fornitori alternativi in funzione di costo, disponibilità e affidabilità e sottoporre opzioni ai responsabili acquisti. La velocità di reazione dipende dalla connessione fra l’analisi dell’evento, la pianificazione e le decisioni autorizzate.
È in questi collegamenti che gli agenti possono ridurre il valore disperso tra ERP, sistemi di esecuzione della produzione (MES), gestione del ciclo di vita del prodotto (PLM), supply chain e CRM. L’integrazione fra piattaforme è il fattore abilitante: l’agente non sostituisce i sistemi gestionali, ma ne utilizza funzioni e informazioni entro perimetri definiti.
Quando una valutazione coinvolge contratti, fornitori o scadenze produttive, l’agente dovrebbe rendere comprensibili le alternative prima di avviare azioni difficili da annullare. Una ripianificazione plausibile sul piano logistico può infatti avere conseguenze su costi, qualità e impegni verso i clienti. Il vantaggio non deriva dall’eliminare ogni autorizzazione, ma dal presentare rapidamente informazioni e opzioni a chi decide.
I Top 20 manifatturieri mostrano livelli di maturità differenti
Un approfondimento del rapporto analizza i documenti societari pubblicamente disponibili dei primi 20 gruppi manifatturieri per fatturato in Italia, con il supporto dello strumento Solaria di Deloitte. Le percentuali sono indicative perché descrivono le iniziative dichiarate dalle aziende, non tutte le attività effettivamente svolte. I gruppi vengono classificati come Adopter, Follower e Champion in base alla maturità espressa nell’analisi.
Fra gli Adopter, le iniziative di AI documentate si concentrano sull’automazione. Fra i Follower, questa resta la priorità per oltre il 55% dei casi; il controllo qualità compare in circa il 45%, la simulazione nel 30% e la manutenzione predittiva in circa il 10%. Nei Champion il portafoglio applicativo è più articolato: la simulazione assume un ruolo centrale per circa il 70% e la manutenzione predittiva per circa il 60%.
Il rapporto osserva inoltre che il 45% delle aziende analizzate ha avviato collaborazioni con startup, centri di ricerca o università. La quota sale a circa il 70% tra i Champion e si colloca intorno al 45% tra i Follower, mentre fra gli Adopter non risultano collaborazioni strutturate nei documenti considerati. L’apertura all’ecosistema dell’innovazione emerge così come un tratto più evidente delle aziende avanzate, pur senza dimostrare un rapporto causale diretto con le performance.
Come valutare il valore economico dell’Agentic AI
Per decidere se estendere un progetto non basta contare gli agenti sviluppati. Servono misure legate al processo: ore necessarie per eseguire un intervento, frequenza dei fermi, errori di classificazione, tempi di approvvigionamento, produttività e soddisfazione del cliente. Il valore deve emergere dal confronto con una situazione iniziale e tenere conto delle attività nuove introdotte dalla tecnologia.
La valutazione economica deve includere anche integrazioni, qualità dei dati, manutenzione dei modelli, supervisione umana e gestione delle eccezioni. Un agente che genera più proposte può comunque lasciare invariato il carico di lavoro se ogni proposta richiede verifiche aggiuntive. Automatizzare un passaggio non equivale a ridurre il costo complessivo quando il processo continua a dipendere da controlli manuali e trasferimenti di informazioni.
La possibilità di agire su più sistemi richiede inoltre regole puntuali sulle autorizzazioni: chi può consultare dati sensibili, modificare parametri, proporre ordini o inviare comunicazioni ai clienti. In ambito industriale, il controllo delle azioni ad alto impatto è parte della progettazione, insieme a tracciabilità e possibilità di bloccare o correggere interventi errati. Sono considerazioni operative che diventano più importanti all’aumentare dell’autonomia.
Federico Perrero, responsabile R&D, qualità e digitalizzazione di Bitron Electronics, spiega nello studio che una piattaforma dati strutturata e processi già progettati intorno alle informazioni hanno facilitato l’integrazione degli agenti. La preparazione organizzativa precede quindi la tecnologia: senza dati e responsabilità chiari, anche sistemi più capaci rischiano di amplificare disordine e frammentazione.
La fabbrica intelligente si costruisce sulla capacità di integrare
Il futuro competitivo della manifattura dipenderà quindi meno dal numero di dimostrazioni presentate e più dalla capacità di coordinare conoscenza industriale, persone e sistemi. Scalabilità, affidabilità e nuovi ricavi da servizi sono le dimensioni attraverso cui giudicare la trasformazione. La promessa degli agenti autonomi sarà credibile quando questi obiettivi saranno misurati sui processi reali, con benefici che resistono al passaggio dal progetto pilota alla fabbrica.
Partecipa alla community