AI nelle PMI: come scegliere il primo progetto e misurarne i risultati

Cinque fasi per trasformare un’idea in una prima sperimentazione con risultati verificabili, seguendo un esempio tratto dalla produzione alimentare.

L’intelligenza artificiale sta entrando rapidamente nelle piccole e medie imprese italiane. Secondo l’Istat nel 2025 la utilizza il 15,7% delle PMI con dieci addetti o più, il doppio rispetto al 7,7% dell’anno precedente. Per chi deve ancora cominciare la domanda è quasi sempre la stessa: da dove partire? La risposta più utile si trova nei dati che l’azienda registra già ogni giorno e in un problema concreto che quei dati possono aiutare a risolvere.

Prendiamo un esempio dal settore alimentare. Ogni lotto lavorato ha una resa attesa, cioè la quantità di prodotto finito che ci si aspetta di ottenere da una certa quantità di materia prima, e una resa effettiva. Quando la seconda è più bassa il responsabile di produzione deve chiedersi: perché questo lotto ha reso meno del previsto? Per rispondere bisogna incrociare i dati di produzione con i documenti dei fornitori, un lavoro che in molte aziende si fa ancora a mano.

Un modello di AI addestrato sullo storico dell’azienda può svolgere questo confronto in automatico. Impara quali combinazioni di materia prima e condizioni di lavorazione portano a rese più basse e segnala i lotti anomali, aiutando a capire dove cercare la causa.  Seguiremo questo esempio, che chiameremo “strumento di analisi delle rese”, per illustrare un metodo in cinque fasi.

1. Partire da una domanda che costa

Raccogliete le domande che in azienda richiedono più tempo per ottenere una risposta, chiedendole direttamente ai responsabili dei vari reparti. Per ciascuna annotate quante volte si presenta al mese e quanto vale avere la risposta qualche giorno prima.

Nel nostro esempio la domanda “perché questo lotto ha reso meno del previsto?” si presenta ogni settimana e ogni punto di resa recuperato si traduce in prodotto vendibile. Frequenza alta e valore facile da calcolare: è il profilo ideale per un primo progetto. I problemi circoscritti e legati alle priorità dell’azienda sono infatti quelli che arrivano più facilmente a risultati misurabili.

2. Mettere alla prova i dati su un campione di lotti

Segue una verifica manuale da fare ancora prima di qualsiasi investimento tecnologico. È un controllo decisivo: sempre secondo l’Istat, tra le imprese che hanno preso in considerazione l’AI e poi hanno rinunciato ad adottarla, il 45,2% indica tra gli ostacoli la disponibilità o la qualità dei dati.

Scegliete un campione di lotti degli ultimi mesi, per esempio una ventina, e provate a ricostruire per ognuno il peso in ingresso, il peso in uscita, il fornitore della materia prima e la linea di lavorazione. Se le informazioni si trovano rapidamente e sono coerenti tra loro i dati sono pronti per addestrare un modello. Se invece per alcuni lotti mancano le pesate oppure lo scarto viene calcolato in modo diverso da un reparto all’altro il primo intervento riguarda la raccolta del dato. Questo lavoro migliora anche la gestione ordinaria della produzione e rende il progetto successivo più solido.

3. Provare lo strumento su una sola linea

Lo strumento di analisi delle rese va messo alla prova in un’area limitata dello stabilimento, per esempio una sola linea e una famiglia di prodotti. La prova deve durare abbastanza da comprendere settimane tranquille e settimane complicate così da restituire un quadro realistico.

Per partire servono due elementi scritti. Il primo è la fotografia della situazione attuale: quante ore richiede ogni settimana l’analisi delle rese e in quanti casi, alla fine, si riesce a individuare la causa di uno scostamento.

Il secondo è la regola che, alla fine della prova, dirà se lo strumento funziona. La fissano il responsabile di produzione e la direzione insieme a chi realizza lo strumento partendo proprio dalla fotografia iniziale. Se oggi l’analisi manuale individua la causa giusta in circa metà dei casi una regola ragionevole può essere questa: lo strumento è affidabile se tre segnalazioni su quattro si rivelano giuste. Nel fissarla va considerato anche il tempo che il responsabile dedicherà a controllare le segnalazioni sbagliate che deve restare inferiore al tempo risparmiato.

Ogni volta che individua un lotto con una resa più bassa del previsto lo strumento invia una segnalazione al responsabile di produzione e indica dove cercare il problema: «Lotto 123: resa sotto le attese, verificare la materia prima del fornitore A». Il responsabile controlla il lotto. Se il problema stava davvero nella materia prima la segnalazione era giusta. Se la causa era un’altra, per esempio una regolazione errata della linea, era sbagliata.

Alla fine della prova si contano le segnalazioni giuste. Se lo strumento ne ha inviate quaranta e trenta erano giuste la regola è rispettata e lo strumento può essere esteso ad altre linee. Se le segnalazioni giuste sono venti, cioè la metà, il risultato equivale a quello dell’analisi manuale e serve ancora lavoro prima di estenderlo.

Questa regola va scritta all’inizio perché a prova conclusa qualsiasi risultato rischia di sembrare incoraggiante. Secondo una ricerca IDC del 2025 l’88% delle sperimentazioni di AI si ferma alla fase di prova e arriva raramente all’uso quotidiano in azienda; tra le cause principali ci sono obiettivi poco chiari e benefici difficili da dimostrare.

Durante la prova lo strumento propone e il responsabile decide. Ogni segnalazione mostra i dati da cui nasce così chi la riceve può verificarla e poi confermarla o scartarla. Tutte le scelte vengono registrate e questo registro diventa la base per valutare il progetto.

4. Fare il conto completo

Il costo comprende l’analisi iniziale, l’eventuale sistemazione dei dati, l’integrazione con i sistemi esistenti, la formazione e le spese ricorrenti di utilizzo. Dal lato dei benefici la resa recuperata si calcola facilmente: chilogrammi in più moltiplicati per il prezzo di vendita.

Il tempo risparmiato richiede più attenzione. Le ore che il responsabile di produzione dedica oggi all’analisi diventano un valore economico quando vengono impiegate in attività utili come un controllo in linea più frequente o il confronto con i fornitori che presentano le rese più basse.

Dividendo il costo complessivo per il beneficio mensile si ottiene il tempo di rientro dell’investimento, un numero chiaro da portare alla direzione.

5. Decidere con i numeri in mano

Al termine della prova il confronto con la regola fissata all’inizio rende la decisione più semplice. Se l’obiettivo è raggiunto lo strumento si estende per gradi: una seconda linea poi le altre, verificando ogni volta che la precisione resti stabile. Se il risultato è inferiore alle attese il registro delle segnalazioni confermate e scartate mostra dove intervenire, che si tratti della qualità dei dati o dei criteri con cui lo strumento individua le anomalie.

In entrambi i casi l’azienda chiude la prova conoscendo meglio i propri dati e le proprie priorità e con criteri più precisi per il progetto successivo.

Dai dati raccolti in azienda al primo progetto di AI

Nell’esempio delle rese la parte più impegnativa del lavoro riguarda i dati: raccoglierli in modo uniforme e collegarli tra produzione e magazzino. È anche l’ambito in cui Zuffellato Technologies lavora da oltre 25 anni, sviluppando sistemi di tracciabilità e soluzioni gestionali per le imprese della filiera alimentare e non solo.

Molte delle informazioni che servono a uno strumento di analisi delle rese vengono già registrate dalle soluzioni che fanno parte dell’offerta di Zuffellato Technologies. TrackEVO, la piattaforma di tracciabilità dedicata alla filiera agroalimentare, rileva rese, consumi, tempi di lavorazione e microfermi direttamente dalle linee, associando ogni dato al lotto di riferimento. Factory Hub, il modulo per la fabbrica connessa, collega macchinari e sensori ai sistemi aziendali attraverso i protocolli industriali standard. I gestionali ERP completano il quadro con i dati di acquisto e i costi delle materie prime. Per un’impresa che lavora con queste soluzioni, buona parte della base informativa necessaria a un progetto di AI esiste già.

Il primo passo concreto resta la verifica sul campione di lotti descritta nella seconda fase. Il team di Zuffellato Technologies può affiancare l’azienda in questa analisi, individuando quali dati sono già pronti e quale domanda conviene affrontare per prima. Partire da qui significa costruire il progetto di AI sui dati reali dell’impresa e arrivare alla prima decisione d’investimento con numeri verificati.

 

Condividi articolo

Gli ultimi articoli