Scritto da Daniele Molteni
15 minuti di lettura
L’intelligenza artificiale ha vissuto una trasformazione radicale con l’avvento delle tecnologie generative, passando dai modelli predittivi tradizionali a sistemi conversazionali, fino alla possibilità di realizzare agenti autonomi. Nonostante questa evoluzione, l’adozione aziendale presenta ancora sfide significative, dalla necessità di garantire la trasparenza dei risultati fino al superamento del gap delle competenze nelle imprese, soprattutto europee.
Delle opportunità e degli ostacoli nell’implementazione dell’IA in ambito industriale, della convergenza tra intelligenza artificiale predittiva e generativa, e del ruolo della cosiddetta “explainable AI” nei processi decisionali aziendali, abbiamo parlato con Francesca Saraceni, co-fondatrice di Intellico, società specializzata in soluzioni di intelligenza artificiale “spiegabile” per le imprese.
Il tema dell’intelligenza artificiale è costantemente dibattuto ma spesso difficile da comprendere, a partire da che cos’è questa tecnologia. Le definizioni sono molte e forse sarebbe più utile parlare di “intelligenze artificiali”. Sembra, inoltre, che non ci fosse niente di tutto questo prima di ChatGPT, ma sappiamo che non è così. Cosa possiamo dire dell’intelligenza artificiale prima della sua comparsa nelle forme generative?
Francesca Saraceni: Innanzitutto, specifico che la società che ho cofondato con Lorenzo Tencati, Intellico, nasce prima della popolarità di ChatGPT, che è visto come lo spartiacque tra un’idea di intelligenza artificiale più tradizionale – legata al mondo predittivo – e quella connessa alle tecnologie generative. Ho avuto pertanto l’opportunità di vivere in prima persona il “prima” e il “dopo” e posso dire che si è trattato di un salto innovativo significativo. Quanto alle definizioni, nel contesto dell’intelligenza artificiale predittiva, in particolare, l’obiettivo è anticipare come si comporterà in futuro un determinato fenomeno o oggetto di studio. Questo tipo di IA si basa sull’analisi di grandi quantità di dati numerici raccolti in passato, per individuare schemi e tendenze da cui trarre previsioni. L’IA predittiva affonda le sue radici nel machine learning degli anni Novanta e il cuore di questi modelli sono funzioni matematiche che collegano degli input e degli output. Trattandosi di matematica, questa tecnologia può essere applicata a un ampio raggio di casistiche, proprio perché l’obiettivo è risolvere un problema. Si può trattare di predizione della domanda, ad esempio nel caso di un’azienda che si rivolge al pubblico e al mercato e vuole predire quello che sarà richiesto domani dai propri clienti; oppure della predizione di quando si interromperà un compressore su una linea di produzione, ad esempio perché è un componente critico che nel tempo ha già manifestato una serie di interruzioni a fronte di specifiche condizioni già verificatesi; o ancora di predire il mix migliore all’interno della linea di produzione, per riuscire così a ottimizzare la produttività o la rotazione degli ordini sulle linee. Quelle descritte sono tutte situazioni in cui tipicamente esiste un problema da risolvere, caratterizzato da alta variabilità negli input e negli output derivabili.
Prima dell’intelligenza artificiale affrontavamo questi problemi con la ricerca operativa e la statistica tradizionale, utilizzando un insieme definito e limitato di dati e informazioni. Successivamente, con l’aumento esponenziale dei dati raccolti dai sistemi gestionali e di tracciamento aziendali, ci si è accorti che è possibile ragionare su basi molto più ampie e complesse. Oggi, grazie all’accelerazione tecnologica – sia in termini di potenza computazionale (chip e memorie) sia grazie al modello cloud, che rende accessibili infrastrutture di calcolo molto potenti – è stato possibile dare piena espressione agli approcci probabilistici avanzati su cui si fondano le reti neurali e i modelli predittivi. In altre parole, l’IA ha gli strumenti per esprimere davvero tutto il suo potenziale. Le reti neurali, all’interno di quello che è il più ampio mondo del machine learning, sono strutturate in modo tale da abilitare un apprendimento continuo, simulando l’apprendimento umano. Questo era tutto quello che riempiva la parola intelligenza artificiale prima dell’avvento di ChatGPT, che al grande pubblico era anche abbastanza sconosciuto. A meno che si fosse all’interno di una grande multinazionale era difficile che a cena si parlasse di questi temi.
Cosa è accaduto in particolare dopo questa svolta dell’intelligenza artificiale generativa con l’arrivo di ChatGPT?
Francesca Saraceni: L’IA generativa ha permesso di portare nelle mani di ciascuno di noi – senza alcuna distinzione generazionale, sociale o culturale – il grande potenziale di queste tecnologie, il tutto a portata di click. Con tutti i pro e i contro che un fenomeno di questo tipo può comportare. Con l’IA generativa si è raggiunta la possibilità di interagire con le macchine utilizzando logiche conversazionali che, fino a poco tempo fa, erano limitate e riservate soltanto agli esseri umani. Questo ha reso l’IA più familiare e “comprensibile”. L’interazione con oggetti smart tramite comandi vocali, ad esempio con il nostro cellulare, ci è stata messa a disposizione ben prima della comparsa di Chat GPT, ma con l’avvento dell’IA generativa tutto questo è stato molto più potente. Vi sono almeno tre motivi, a mio avviso, che vanno considerati per riuscire a comprendere questo passaggio fino in fondo. Questo tipo di applicazioni hanno prima di tutto un’interfaccia semplicissima, tanto che nessuno ha dovuto spiegarci come utilizzarle: sono arrivate nelle nostre mani direttamente per passaparola e tutti, dai nonni ai nipoti, abbiamo capito che attraverso la stessa finestra di comando potevamo fare una domanda e ricevere una risposta. La seconda caratteristica di questi strumenti è la possibilità di avere funzioni generalizzate: posso chiedere un suggerimento per una ricetta, gli ultimi Presidenti di uno Stato, di scrivere un’e-mail in un determinato stile o tradurre un testo. Con un’unica interfaccia – appunto semplicissima – basata sul linguaggio umano, chiunque può accedere immediatamente a diverse funzioni. Il terzo aspetto che ritengo rilevante è l’introduzione della logica conversazionale: non si tratta soltanto di comprendere la sequenza di parole del linguaggio naturale per eseguire un comando – ad esempio, quando chiediamo a un dispositivo smart di riprodurre una certa canzone – ma della capacità di interazione continuativa, al punto che diventa difficile distinguere se si sta interagendo con una macchina o con un essere umano.
Più recentemente è stato compiuto un ulteriore passo avanti, con l’avvento degli “agenti IA” (AI Agent), entità autonome in grado di prendere decisioni e agire in base a obiettivi specifici. Questi agenti aggiungono nuove capacità agli strumenti di intelligenza artificiale, come il “ragionamento” e la pianificazione, permettendo di automatizzare completamente intere sequenze di lavoro. Possono, ad esempio, gestire in autonomia la presa in carico di un ordine, oppure offrire consigli personalizzati in ambito cosmetico o alimentare. Siamo ancora agli inizi, ma si tratta di strumenti dal potenziale straordinario. In pochissimo tempo abbiamo assistito a un’evoluzione sorprendente: dai semplici foundation model siamo passati a sistemi conversazionali addestrati per dialogare in linguaggio naturale, poi a modelli capaci di eseguire workflow strutturati, fino a quelli in grado di pianificare e ragionare in modo critico. Oggi stiamo entrando nell’era dei sistemi multi-agente, capaci di coordinarsi tra loro per affrontare processi complessi, ben oltre l’esecuzione di singoli task. È cominciata una nuova era: le innovazioni ed evoluzioni a cui possiamo mirare sono innumerevoli. Basta avere la curiosità di capirle, la voglia di studiarle e il coraggio di farle proprie.
A proposito di queste differenti intelligenze artificiali e dei loro utilizzi, ci sono delle convergenze tra funzioni diverse?
Francesca Saraceni: Abbiamo toccato questo argomento proprio lo scorso febbraio durante il Convegno finale dell’edizione 2024/2025 dell’Osservatorio Artificial Intelligence degli Osservatori del Politecnico di Milano, di cui come Intellico siamo partner. Ne abbiamo parlato all’interno della tavola rotonda “Oltre gli LLM, quali sviluppi tecnologici”, a valle della quale sono emersi molteplici spunti. Lo sguardo è stato proprio rivolto a cosa sta accadendo tra l’IA predittiva e quella generativa, e quali sono le possibili convergenze tra i due domini applicativi. Da un lato l’IA predittiva, basata su dati certi e strutturata su un metodo matematico scientifico, è difficile che si sbagli nell’esecuzione del task: se devo elaborare dei dati di una ricetta di un materiale e capire come si comporterà nel tempo a fronte di determinate condizioni, li esamino e riesco ad avere un trend nella variabile molto preciso, che non risente di quello che viene chiamato “rischio di allucinazione”. Questo tipo di sistemi, come sottolineato, difficilmente sbagliano, ma hanno dei limiti legati al volume di dati disponibili che non ha permesso ad oggi di disporre di modelli pre-addestrati in modo significativo (come è invece avvenuto con gli LLM, che permettono, con poco lavoro di specializzazione, di comprendere la caratterizzazione di quello che si sta descrivendo, ad esempio nel manuale di manutenzione di un impianto). Allo stesso tempo, poiché l’IA generativa non ha alle spalle una base solida e strutturata di dati, pur partendo da una base di addestramento mediamente più elevata, porta con sé comunque il rischio di introdurre le cosiddette “allucinazioni”.
Quello che stiamo iniziando a osservare è che, quando si progetta una soluzione basata sull’intelligenza artificiale per un’azienda, non si tratta più di scegliere tra un approccio generativo o uno predittivo: si parte innanzitutto dalla comprensione dell’obiettivo, ovvero dal processo decisionale che si vuole migliorare e dall’area specifica in cui si desidera fornire supporto. Una volta chiarito questo, si possono individuare le fasi del processo da potenziare con l’IA. A quel punto, la questione non è più se scegliere un sistema generativo – ad esempio per consultare più rapidamente documenti complessi come i bandi di gara – o un sistema predittivo – per stimare il miglior prezzo da offrire in un preventivo. Definito l’obiettivo, diventa possibile combinare diverse forme di intelligenza artificiale per supportare in modo efficace il processo decisionale umano, integrandole all’interno del flusso operativo.
Un esempio concreto riguarda proprio la risposta automatizzata ai bandi di gara, un’attività tipicamente complessa. I capitolati possono superare le 500-700 pagine, come nel caso delle gare per impianti di sterilizzazione nel settore sanitario. In scenari simili si potrebbe utilizzare un modello predittivo per stimare in quali casi una determinata risposta a un requisito si è rivelata vincente in passato. E, parallelamente, un modello generativo può essere impiegato per estrarre e riutilizzare le modalità con cui quel requisito era stato precedentemente descritto, riformulandolo nella maniera più efficace per il nuovo capitolato. L’obiettivo non è automatizzare la lettura del capitolato, ma ridurre il time to market nella risposta alle gare. Se oggi riesco a partecipare a una sola gara a settimana e domani ne gestisco cinque, aumentano sensibilmente le mie possibilità di successo.
Come Intellico sottolineate l’importanza dell’explainable AI. Cosa si intende con il concetto di intelligenza artificiale “spiegabile”?
Francesca Saraceni: Occupandomi di tecnologie digitali per medio-grandi imprese del B2B da una quindicina d’anni, ho osservato la velocità e il tipo di rapporto che mediamente un manager ha con le tecnologie. Ci sono pro e contro, resistenze più o meno forti in base al contesto. Quando si tratta di introdurre soluzioni di intelligenza artificiale si manifesta il timore della sostituzione dell’umano e la paura di non comprendere/conoscere il ragionamento che il sistema ha eseguito per fornire una certa predizione. Al momento della fondazione di Intellico eravamo consapevoli che “la fiducia” in questi strumenti, la possibilità di comprenderli e di disporre di completa trasparenza, sarebbe stato un prerequisito imprescindibile per portare questi strumenti a divenire soluzioni aziendali. Con IA spiegabile intendiamo proprio la possibilità di fornire predizioni, raccomandazioni e suggerimenti unitamente alla spiegazione dei driver e dei fattori che l’algoritmo ha considerato per arrivare a un risultato. In questi contesti è necessario che i responsabili possano comprendere a fondo le ragioni e i driver alla base della raccomandazione o del suggerimento fornito da questi strumenti. Disporre di queste spiegazioni significa ricevere unitamente alla predizione anche la spiegazione di quali siano i driver che più di altri hanno condizionato quel suggerimento. Ricorriamo ad un altro esempio: perché il sistema IA sta dicendo che la durezza di una certa resina potrebbe variare nel tempo secondo un determinato comportamento? Perché nell’X% dei casi, in passato, a quelle condizioni ambientali e con quel determinato mix di materie prime, si è verificato un comportamento analogo. Disporre della sola predizione vuol dire visualizzare l’andamento nel tempo della variabile “durezza”; disporre dei parametri spieganti vuol dire che l’aspettativa di quell’andamento è affiancata, ad esempio, dalla lista degli ingredienti utilizzati, dalle quantità e dalle temperature applicate in produzione.
Di cosa si occupa nello specifico Intellico e come opera?
Francesca Saraceni: Intellico, nello specifico, si occupa di realizzare soluzioni software di explainable AI per accelerare lo sviluppo del prodotto, raggiungere i propri clienti più velocemente e con maggiore efficacia. Ci rivolgiamo in particolare alle aziende manifatturiere e del settore industriale che necessitano di migliorare i processi decisionali e la propria offerta di prodotti e servizi. Sono tipicamente processi creativi e di innovazione e diverse delle soluzioni che proponiamo sono oggi in uso nei dipartimenti di ricerca e sviluppo di aziende attive nel settore chimico, cosmetico e alimentare, oppure nelle divisioni tecniche di progettazione e ingegneria d’offerta di aziende manifatturiere produttrici di impianti o componenti meccanici.
Una delle piattaforme ad oggi presente nel nostro portafoglio è MATILDE, soluzione che supporta il processo ideativo, creativo e decisionale del tecnologo di laboratorio. Anziché fare esperimenti solo sulla base della propria conoscenza, con questa soluzione è possibile avere un sistema che accelera la predizione delle proprietà di un certo prodotto. Prendiamo il caso di una crema mani e di come verrà assorbita dalla pelle. Le aziende che producono questo tipo di prodotti molto spesso si trovano a dover sostituire gli ingredienti perché messi in blacklist dal regolatorio, e normalmente sono portate a riformulare le ricette nei loro laboratori, magari relative a prodotti che sono già in scaffale. Oltre che per motivi regolatori, la variazione degli ingredienti può essere legata anche all’innalzamento improvviso dei costi della materia prima o per indisponibilità dovute ai limiti della supply chain. Questo rappresenta un problema che la ricerca e sviluppo deve prontamente risolvere, trovando il bilanciamento perfetto per garantire che le proprietà finali del prodotto restino le medesime o possano migliorare, per far sì che non cambi l’esperienza utente. Questo processo end-to-end può essere supportato attraverso un simulatore virtuale in grado di generare diversi mix di ingredienti e identificare i più promettenti, dato uno specifico risultato da conferire alle proprietà fisiche o sensoriali del prodotto. E MATILDE consente di supportare questo lavoro fornendo al formulatore le combinazioni migliori da testare nel laboratorio reale. In questo modo, la fase di prove reali nel laboratorio rimane, ma il processo si accelera e lo spreco di materie prime si riduce, così come il numero di esperimenti e tentativi.
Se guardiamo a settori manifatturieri discreti come la produzione di impianti o componenti meccanici, il miglioramento dello sviluppo del prodotto resta un tema centrale. In questo caso, tuttavia, non utilizziamo MATILDE ma altre soluzioni pensate per velocizzare e migliorare le attività di progettazione degli uffici tecnici. Mentre nella cosmetica ottimizziamo il lavoro sulla formulazione del mix di ingredienti, nella produzione di componenti effettuiamo delle analisi di similarità di tutti i profili di disegno tecnico che l’azienda ha nel proprio archivio. Ogni qual volta arriva una richiesta di un nuovo impianto, si ha la possibilità di velocizzare il processo di progettazione, perché il sistema permette di ripartire da basi di disegno molto simili alla richiesta. In questo modo si arriva fino all’80% del riuso, che per l’azienda significa un guadagno di giorni importanti ai fini dell’assegnazione del lavoro. Ancora un altro esempio di soluzioni che forniamo riguarda l’automazione della risposta ai capitolati di gara, o la stesura della documentazione in fase di ingegneria di offerta, così come l’attivazione di agenti intelligenti per supportare i manutentori in fase di consultazione delle procedure di risoluzione di un failure o sostituzione di ricambi.
Sono davvero molte le possibilità oggi offerte da queste tecnologie per servire il mercato in modo più efficace. Una delle cose che ci rende più orgogliosi è che in uno scenario di adozione dell’IA ancora condizionato da incertezza, ad oggi i progetti che abbiamo svolto sono andati ben oltre la Proof of Concept: si tratta di soluzioni industrializzate e a regime presso i nostri clienti. Credo che aver puntato su spiegabilità e semplicità dell’interazione nei nostri sistemi ci abbia permesso di superare molte delle resistenze tipiche di questi percorsi di adozione. Siamo dunque sempre più convinti che solo attraverso un’intelligenza artificiale “spiegata” le aziende possano davvero superare la fase dei progetti pilota e avviare iniziative concrete e scalabili.
Dal punto di vista del settore industriale, quali sono i principali ostacoli nell’adozione di queste soluzioni?
Francesca Saraceni: Uno degli ostacoli che riscontriamo in Italia e in Europa è la maturità digitale raggiunta dalle imprese. Abbiamo accumulato un debito tecnico significativo negli ultimi vent’anni a causa della mancata digitalizzazione di alcune parti di processo, motivo per cui non sempre è possibile partire sin da subito con progetti di intelligenza artificiale. Questo per le aziende vuol dire investire più risorse che avrebbero dovuto essere investite tempo addietro, e da qui il problema della sostenibilità di molti progetti di intelligenza artificiale. Stiamo però osservando anche segnali decisamente positivi, che interpreto come indicatori di un’accelerazione in atto e di una volontà concreta di colmare questo debito digitale. Una differenza significativa rispetto alla prima fase della digitalizzazione è il profilo degli interlocutori che troviamo al tavolo dei decisori: da provider di soluzioni digitali non parliamo più soltanto (o prevalentemente) con la direzione IT, ma soprattutto con gli amministratori delegati e i responsabili delle linee di business. Un segnale forte di quanto la trasformazione digitale sia diventata una priorità strategica per l’intera organizzazione.
I sistemi gestionali che sono stati al centro dei principali programmi di transizione digitale degli ultimi anni, e sono tutt’ora una componente primaria, continuano (sempre di più) a rappresentare il sistema nervoso delle nostre imprese. Si tratta di applicativi che replicano in chiave digitale le procedure operative, strumenti pensati per tenere in ordine il lavoro senza necessariamente apportare valore aggiunto al modello di business. Oggi, con l’intelligenza artificiale, lo scenario è completamente diverso: le soluzioni di IA non si limitano a organizzare in modo sequenziale processi e procedure, ma hanno l’obiettivo di estrarre conoscenza dai dati, offrendo spunti concreti per migliorare il modello di business. Non agiscono sul processo in sé, ma lavorano sul valore nascosto nei dati. È proprio questo che rappresenta un vero cambio di paradigma: l’IA diventa un motore di valore per il business, non solo uno strumento di efficienza. Resta in ogni caso ancora una certa diffidenza da superare. Tuttavia, nonostante questi slanci di curiosità e volontà a sperimentare, manca ancora la capacità di valutare l’investimento su questo tipo di soluzioni. Nel mondo industriale, che è il settore a cui ci rivolgiamo maggiormente, di solito tra un progetto IA e l’acquisto di un nuovo macchinario le aziende sono più propense a questa seconda opzione, perché hanno maggiore familiarità nell’investimento su beni materiali. Bisognerebbe invece vivere con maggiore naturalezza l’investimento in queste soluzioni di IA, in modo analogo a quanto accade quando si valuta l’investimento su una linea di produzione.
Quale è dunque la percezione del valore che sta dietro a un progetto di IA?
Francesca Saraceni: C’è ancora una certa confusione e incertezza a riguardo. Questa reticenza è dovuta alla sensazione che siano ancora delle scommesse, per cui ci si chiede se funzioneranno. In alcuni contesti, infatti, si ha ancora la percezione di trovarsi in una fase di pura sperimentazione. In realtà siamo già pienamente entrati nell’era dell’implementazione e i benefici sono oggi più concreti e tangibili che mai. Credo vi sia una sorta di sovra-semplificazione di queste soluzioni e in generale del mondo del software, iniziata ben prima della comparsa di ChatGPT. Con la comparsa degli smartphone sono state messe a portata di click applicazioni B2C tra le più disparate, con un livello di usabilità mai visto prima e un’ottimizzazione su larga scala. Questa “consumerizzazione” delle applicazioni digitali ha naturalmente “nascosto” la vera complessità che risiede in questi strumenti, soprattutto se di tipo Enterprise. Con ChatGPT, analogamente, la percezione diffusa porta all’idea di un IA come “bacchetta magica” e la conseguenza è che si corre il rischio che vengano disallineate le aspettative rispetto a cosa significa sviluppare prodotti IA pronti per essere adottati in azienda: quando le aziende chiedono delle soluzioni, che ovviamente impiegano risorse, tempo e investimenti, non riescono sempre a comprendere i processi alla base di questi prodotti. Puoi trovare tutto su ChatGPT, ma se vuoi davvero una risposta sensata e corretta per il tuo contesto, ad esempio farti aiutare nella risposta ad una gara o dare immediate indicazioni di risoluzione di un problema di impianto in linea con la normativa del settore in cui lavori, allora devi adottare una soluzione specializzata. Questo tipo di soluzioni sono proprio quelle che realizziamo in Intellico.
Abbiamo citato la ricerca e sviluppo, e quando si parla di intelligenza artificiale si sente spesso dire di quanto effettivamente queste elaborazioni di dati consumino energia, nel caso del mantenimento in funzione dei data center e del loro raffreddamento. Qual è la vostra impressione rispetto alla sostenibilità ambientale dell’intelligenza artificiale?
Francesca Saraceni: In questo momento è un aspetto che ritengo poco prevedibile, perché è tutto commisurato a quanto velocemente miglioreranno le componenti computazionali, le tecniche dei processi algoritmici che permetteranno di consumare meno, e la natura stessa dei data center, ovvero quanto più questi potranno essere realizzati con logiche “green”. Ho avuto il piacere di portare il nostro contributo su questo tema proprio nell’ambito di uno dei più importanti eventi emergenti sul tema transizione energetica, che è il NetZero 2025. In quell’occasione ho ascoltato interventi decisamente interessanti da parte dei grandi player della produzione di energia e da chi si occupa della realizzazione dei data center. C’è l’intento e la visione comune di mettere in campo azioni che possano permettere, il più rapidamente possibile, di rendere l’industria dell’IA sostenibile a tutto tondo. Anche partner dell’offerta come noi di Intellico hanno condiviso visioni chiare e concrete sulle scelte che già oggi si prendono e si possono prendere nella realizzazione delle intelligenze artificiali, anche alla luce di quello che è poi il processo di gestione e manutenzione delle stesse nel tempo. Credo quindi che una serie di ingredienti pratici e operativi già ci siano, mentre serve maggiore spinta sul piano istituzionale e governativo. Sono tematiche che senza una politica europea condivisa si fa fatica a mettere concretamente in piedi.
Quali sono, oggi, i settori industriali più pronti e ricettivi rispetto all’adozione di questa tecnologia?
Francesca Saraceni: Osservando la crescita anno su anno, alcuni settori stanno accelerando più di altri nell’adozione di queste tecnologie. In particolare, il banking, il manifatturiero e la grande distribuzione organizzata (GDO) hanno mostrato un incremento significativo degli investimenti. Questa è la fotografia che emerge dall’edizione 2024-2025 Osservatorio Artificial Intelligence del Politecnico di Milano di cui siamo Partner. Anche il settore assicurativo e quello delle telecomunicazioni (TLC) continuano a essere tra i principali attori, con volumi di spesa più elevati rispetto ad altri comparti. La differenza principale tra i vari settori è nella percezione economica dell’investimento, come già anticipavo prima. Nel manifatturiero, ad esempio, l’acquisto di una nuova linea produttiva è considerato un investimento tangibile, facilmente capitalizzabile e con un impatto chiaro sui bilanci aziendali. Per un imprenditore che si avvicina per la prima volta all’intelligenza artificiale può essere meno immediato comprendere il ritorno dell’investimento, soprattutto a causa dell’immaterialità dell’asset digitale. Una delle buone pratiche che abbiamo introdotto con Intellico è proprio quella di presentare ai nostri clienti l’investimento atteso unitamente al calcolo del ritorno atteso sull’investimento, usando parametri e dati del contesto reale dell’azienda del nostro cliente, e non dati teorici. Dobbiamo fare in modo di parlare all’imprenditore e non prettamente sul piano tecnologico, poiché queste soluzioni AI-based hanno un diretto impatto sul conto economico dell’azienda. Questo approccio in molti casi ci ha permesso, in qualità di provider della soluzione, di evitare progetti che non sarebbero proseguiti poiché evidentemente non giustificati dal ritorno, e di convogliare da subito la collaborazione in ambiti a ben più alto valore, ponendo le basi per relazioni di lungo periodo con le aziende che ad oggi ci hanno scelto.
Quali potrebbero essere gli sviluppi futuri dell’intelligenza artificiale, sia a livello aziendale che nella vita quotidiana?
Francesca Saraceni: Personalmente, ritengo fondamentale il valore aggiunto che questa tecnologia può portare al settore industriale, in termini di competitività e sostenibilità. Guardando all’Europa e all’Italia, vedo un grande potenziale nel valorizzare il nostro tessuto industriale attraverso soluzioni mirate. Se negli Stati Uniti la sfida riguarda le innovazioni delle Big Tech e in Cina i servizi innovativi in ambito B2C, l’Europa può distinguersi puntando sulle innovazioni per il B2B, specialmente nel settore manifatturiero, dove abbiamo un grande patrimonio di esperienza e dati che, seppur non sempre ordinati, rappresentano un asset valorizzabile. Un elemento chiave sarà il supporto delle politiche governative europee nel promuovere piattaforme e soluzioni verticali, addestrate su specifici domini industriali. Ad esempio, con il progetto MATILDE della nostra piattaforma potremmo creare un ecosistema cooperativo tra diverse associazioni industriali, come quelle del settore cosmetico o chimico che, nell’ipotesi di fare massa critica sul volume di dati disponibile, potrebbe raggiungere ottimizzazioni d’eccellenza a livello predittivo. Siamo in contatto con l’Institute Tecnologico de Aragon (ITA) per verificare la possibilità di aggregare dati e informazioni su test eseguiti da aziende appartenenti al settore della produzione della gomma, per testare l’utilizzo di un physics-informed model e portare finalmente le leggi della fisica ad uso combinato con le logiche probabilistiche delle reti neurali. Ovviamente, ci sono delle difficoltà: a volte le aziende tendono a sovra-proteggere un know-how aziendale che non è davvero differenziale e il rischio è di perdere il reale beneficio che un’innovazione di questo tipo potrebbe contribuire a portare. Se l’Europa riuscisse a incentivare progetti distintivi e scalabili, potremmo competere a livello globale in un settore chiave per la nostra economia, tutelando e anzi accrescendo la competitività delle nostre imprese.
Una piattaforma culturale, una rivista e uno spazio di approfondimento per capire il presente.
Scopri di più
