C’è un errore che fanno quasi tutte le aziende manifatturiere quando decidono di "fare qualcosa con l’AI".
Partono dalla tecnologia. Cercano lo strumento giusto. Fanno una demo. Comprano una licenza. E poi si ritrovano con un sistema che nessuno usa, dati che non ci sono, e la sensazione che l’AI "non faccia per loro".
Il problema non è l’AI. È l’ordine in cui si fanno le cose.
Questo articolo mostra il percorso corretto: dalla mappatura dei processi alla classificazione del rischio del dato, fino a un micro-pilota misurabile in 60 giorni. Senza hype, senza investimenti ciechi, senza esporre inutilmente quello che hai costruito in anni.
In breve
Si parte dai processi, non dagli strumenti. Si identifica un collo di bottiglia circoscritto — un’attività manuale ripetitiva, un passaggio dove l’errore ha un costo misurabile — si valutano i dati coinvolti, si definisce una baseline, e si avvia un pilota breve con perimetro chiaro. Solo quando il pilota ha dimostrato un risultato concreto si decide se estendere.
Perché la maggior parte delle PMI manifatturiere è ancora ferma al punto di partenza
I numeri sono chiari: secondo i dati ISTAT elaborati da IT4LIA AI Factory, l’adozione AI in Italia è passata dal 5% del 2023 all’8,2% del 2024 fino al 16,4% stimato nel 2025. In crescita, sì — ma ancora sotto la media europea del 20%. E con una distorsione significativa.
Tra le imprese che dichiarano di usare l’AI, un terzo non indica alcuna finalità aziendale precisa. Nell’83,3% di questi casi si tratta di piccole imprese. La definizione è precisa: sperimentazione al buio.
Le barriere dichiarate da chi ha valutato l’AI senza adottarla? Mancanza di competenze (58,6%), incertezza normativa (47,3%), scarsa qualità dei dati (45,2%). I costi vengono citati per ultimi, al 43%.
Non è un problema di budget. È un problema di metodo.
E nel manifatturiero specificamente, il report IT4LIA rileva che l’AI rimane meno diffusa proprio nelle aree più critiche: produzione, logistica, cybersecurity, controllo di gestione. Questo significa che la maggior parte delle PMI manifatturiere che legge questo articolo sta usando l’AI — se la usa — su marketing o documenti amministrativi, mentre lascia intatte le inefficienze in produzione e logistica. Sono esattamente quelle su cui si costruisce un primo pilota con ROI misurabile.
Il primo passo vero: mappare i processi prima di cercare soluzioni
Come scrive Fabrizio Trentacosti su Tinves: "L’errore più comune è partire dalla tecnologia: l’azienda ‘vuole fare qualcosa con l’AI’ e va a caccia dello strumento di moda del momento."
Il metodo corretto è l’opposto. Si parte da una domanda semplice: dove oggi si spreca tempo, dove si inceppa il flusso, dove si genera davvero valore?
In pratica, si costruisce un inventario con tre colonne:
| Attività | Tempo assorbito (ore/settimana) | Valore generato |
|---|---|---|
| Inserimento dati da email in ERP | 6 ore | Basso |
| Preparazione preventivi standard | 4 ore | Medio |
| Ricerca documenti tecnici (disegni, capitolati) | 3 ore | Alto |
| Reportistica settimanale manuale | 2 ore | Basso |
| Follow-up ordini fornitori | 3 ore | Medio |
Questo esercizio — che si fa con carta e penna, o con un foglio condiviso — produce già tre risultati utili: mostra dove va il tempo, segnala le attività candidate all’automazione, e costringe l’azienda a definire cosa vale davvero.
Un criterio semplice per scegliere il primo processo su cui intervenire: alta ripetibilità, bassa variabilità, errore con costo misurabile. Un’officina meccanica da cinquanta persone che inizia installando due sensori di vibrazione su una sola linea, prima di pensare a "digitalizzare tutto", ha più probabilità di arrivare a fine anno con un progetto concluso.
Rischio del dato: la domanda che quasi nessuno si pone prima di iniziare
Qui si apre il tema che più preoccupa — e giustamente — le aziende manifatturiere. Listini, disegni tecnici, capitolati, procedure di qualità, offerte commerciali. Sono il know-how che hai costruito in vent’anni. Non puoi semplicemente caricarlo su uno strumento qualsiasi.
La valutazione del rischio del dato non è un esercizio teorico. È una matrice pratica.
| Tipo di dato | Sensibilità | Architettura consigliata | Esempio manifatturiero |
|---|---|---|---|
| Testi generici, FAQ, manuali pubblici | Bassa | Strumenti cloud standard (es. ChatGPT Team, Microsoft Copilot) | Catalogo prodotti, schede tecniche pubbliche |
| Dati cliente, contatti, email | Media | Strumenti con DPA firmato, verifica contratti di data processing | Anagrafica clienti, storico ordini |
| Disegni tecnici, listini, offerte | Alta | Azure OpenAI Service con data boundary contrattuale, o cloud privato | File DXF, distinte base, preventivi su commessa |
| Procedure interne, know-how brevettato | Molto alta | Modello locale on-premise (es. Ollama su server interno), architettura isolata senza traffico cloud | Cicli di lavorazione classificati, specifiche di processo brevettate |
Un esempio concreto che vale la pena tenere a mente: un’officina meccanica con disegni DXF classificati come know-how brevettato non può caricare quei file su un servizio cloud condiviso — ChatGPT standard, Copilot senza configurazione enterprise, Google Gemini for Workspace nella versione base — senza un contratto di data processing che escluda esplicitamente l’uso dei dati per il training del modello. Le opzioni pratiche sono due: un modello locale come Ollama installato su un server interno all’azienda, che non comunica con l’esterno; oppure un’istanza Azure OpenAI Service con data residency e data boundary garantiti contrattualmente da Microsoft. La differenza non è tecnica in senso stretto: è una questione di dove vanno fisicamente i dati e chi può accedervi.
Come chiarisce la guida ValiDATA AI sull’AI Act: "You cannot classify what you cannot see. Map every AI system in use: commercial tools, embedded AI in SaaS products, internal builds, and the shadow AI your teams adopted without asking."
L’altro punto che spesso viene ignorato: dal 2 febbraio 2025 è già in vigore l’obbligo di AI literacy (Art. 4 AI Act). Il personale che usa o supervisiona sistemi AI deve ricevere formazione strutturata. Se i tuoi collaboratori usano strumenti AI senza che tu abbia fatto nulla in tal senso, hai già un gap di conformità aperto — indipendentemente da quanto sia sofisticato il sistema che usano.
Come si struttura un micro-pilota in 60 giorni
Il pilota ideale ha tre caratteristiche. È circoscritto a un singolo processo o reparto. Ha una baseline definita prima dell’avvio — quanto costa oggi quel processo, in ore, errori o opportunità perse. Produce risultati in 60-90 giorni.
Come spiega Trentacosti: "Prima di partire dovete sapere quanto vi costa oggi quel processo, in ore, errori o opportunità perse; senza questa fotografia iniziale non saprete mai se l’investimento ha funzionato."
Una struttura pratica:
Settimane 1-2 — Definizione del perimetro
- Scegli un processo dalla mappatura
- Misura la baseline: tempo medio, frequenza degli errori, costo stimato
- Identifica i dati coinvolti e valuta il livello di rischio
Settimane 3-4 — Scelta dell’architettura
- Il responsabile IT o il referente di progetto confronta almeno tre opzioni concrete, usando come criterio principale il livello di isolamento del dato: ad esempio, Make collegato a un modello OpenAI (cloud condiviso, costo contenuto, setup rapido); Microsoft Copilot Studio con Azure OpenAI Service (cloud con data boundary, costo mensile più alto, isolamento garantito contrattualmente); soluzione on-premise con Ollama (nessun traffico esterno, costo di infrastruttura interno, setup che richiede competenza tecnica). La scelta va formalizzata entro la fine della quarta settimana, con un documento di una pagina che riassume l’opzione scelta e il motivo.
- Definisci i controlli: chi verifica l’output, come si segnala un errore, chi supervisiona
Settimane 5-8 — Esecuzione e misura
- Il referente di progetto attiva il sistema su un sottoinsieme di dati reali — non su tutti i documenti, ma su un campione rappresentativo del processo scelto (es. le ultime 50 richieste di preventivo, gli ultimi 30 rapporti di non conformità)
- Ogni output viene confrontato con la baseline definita in settimana 1 su almeno due metriche: tempo di elaborazione e tasso di errore rilevato dalla supervisione umana
- Il referente documenta settimanalmente test, risultati anomali e limiti riscontrati
Settimane 9-10 — Decisione
- Il pilota ha funzionato? Estendi.
- Ha funzionato parzialmente? Correggi il perimetro.
- Non ha funzionato? Capisci perché e scegli un altro processo.
I piloti lunghi perdono sponsor, budget e attenzione. Un ciclo breve permette di imparare in fretta e decidere. Non c’è fallimento in un pilota che finisce con una decisione informata.
Governance minima: quello che serve prima di partire, non dopo
La governance non è un lusso per le grandi aziende. È il motivo per cui i piloti di alcune PMI diventano sistemi operativi e quelli di altre si fermano dopo tre mesi.
In pratica, prima di avviare qualsiasi pilota, servono tre cose scritte:
- Quali strumenti sono approvati per quale tipo di dato. Non un documento complicato: una pagina con due colonne.
- Cosa non deve uscire dall’azienda. Disegni, listini, offerte, procedure: stabilisci il perimetro prima, non dopo un incidente.
- Chi verifica i contenuti generati dall’AI. L’AI può sbagliare. Serve sempre supervisione umana su output che hanno conseguenze reali. Un esempio specifico per il manifatturiero: se l’AI genera una bozza di istruzione di lavoro (WI) o un rapporto di non conformità, quell’output non può essere firmato e caricato nel sistema qualità senza revisione da parte del responsabile qualità — indipendentemente da quanto il testo sembri corretto a prima vista. Questo va inserito nel documento di governance come regola esplicita, non come buona pratica lasciata al buonsenso di chi usa lo strumento.
Come osserva Project Informatica nel suo metodo: "Le organizzazioni che trarranno i maggiori vantaggi dall’AI del 2026 non saranno quelle con i modelli più potenti, ma quelle con il migliore sistema di governance."
Per le valutazioni legali — contratti con i fornitori di AI, trattamento dei dati personali, implicazioni dell’AI Act per il tuo settore — coinvolgi un professionista specializzato. Non è una formalità: è parte del progetto.
Il costo di aspettare ancora
C’è un’obiezione che sento spesso: "Aspettiamo che la tecnologia maturi."
La tecnologia è già matura per i casi d’uso di partenza. Classificazione documenti, risposta a domande su manuali tecnici, supporto alla preparazione di preventivi standard, ricerca in archivi interni. Questi non sono scenari futuristici: sono processi che molte aziende manifatturiere gestiscono oggi a mano, con ore di lavoro qualificato spese su attività ripetitive.
Il costo di aspettare non è zero. Ogni settimana che passa con tre persone del tuo ufficio tecnico che cercano disegni in cartelle disorganizzate, o con il commerciale che riassembla manualmente preventivi da zero, è un costo reale che si accumula in silenzio.
Non serve partire con tutto. Serve partire con qualcosa di circoscritto, misurabile, controllato. E serve partire adesso.
Prossima azione
Scegli un processo dalla tua lista quotidiana — uno che conosci bene, dove l’inefficienza è evidente, dove hai già un’idea di quanto tempo ci vuole. Misura quanto costa oggi. Poi portami quel processo.
In un incontro, online o in azienda, con restituzione sintetica, capiamo insieme se esiste un primo progetto sensato, quali dati sono coinvolti e quale architettura ha senso per il tuo contesto.
Prenota la tua AI Opportunity Sprint gratuita: portami un processo lento e capiamo insieme da dove partire. → AI Opportunity Sprint
Domande frequenti
Da dove si parte davvero quando si vuole adottare l'AI in una PMI manifatturiera?
Si parte dai processi, non dagli strumenti. Il primo passo è una mappatura semplice: quali attività assorbono più tempo, con quale frequenza, con quale costo in caso di errore. Da questa lista si sceglie il processo più circoscritto e misurabile. Solo dopo si valuta quale tecnologia ha senso per quel caso specifico. Partire dalla tecnologia è l'errore più comune — e il più costoso.
Quanto deve durare un primo pilota AI?
Idealmente 60-90 giorni dall'avvio effettivo. I piloti più lunghi tendono a perdere attenzione interna, budget e sponsor. Un ciclo breve permette di misurare rispetto a una baseline definita prima dell'avvio e di prendere una decisione informata: estendere, correggere il perimetro o cambiare processo. La durata non è un valore estetico: serve per mantenere il fuoco e produrre un risultato verificabile.
Come si proteggono i dati sensibili — disegni tecnici, listini, offerte — durante un progetto AI?
Prima di coinvolgere qualsiasi dato sensibile, si classifica il livello di rischio e si sceglie l'architettura di conseguenza. Per i dati a bassa sensibilità si possono usare strumenti cloud standard con contratti adeguati. Per disegni tecnici, listini e know-how critico si valutano architetture con maggiore isolamento. La regola pratica: inizia, quando possibile, da dati a rischio contenuto. La valutazione dell'architettura precede sempre la scelta dello strumento.
L'AI Act riguarda già le PMI manifatturiere oggi?
Sì, in parte. Dal 2 febbraio 2025 è in vigore l'obbligo di AI literacy (Art. 4): il personale che usa o supervisiona sistemi AI deve ricevere formazione strutturata. Se i tuoi collaboratori usano strumenti AI senza formazione specifica, hai già un gap aperto. Per gli obblighi di alto rischio (Annex III) il termine è stato spostato al 2 dicembre 2027 dal Digital Omnibus. Per le implicazioni specifiche al tuo settore, è opportuno coinvolgere un professionista specializzato.
Qual è la differenza tra un pilota AI e una sperimentazione al buio?
Un pilota ha tre elementi che una sperimentazione al buio non ha: perimetro definito, baseline misurata prima dell'avvio, e criterio di valutazione stabilito a priori. La sperimentazione al buio — identificata dai dati ISTAT come il problema principale delle PMI italiane — è l'uso di strumenti AI senza un obiettivo misurabile e senza sapere cosa si sta cercando di migliorare. Il risultato è che non si sa mai se ha funzionato.
Serve un team interno dedicato all'AI per partire?
No. I primi progetti sensati non richiedono un team dedicato. Richiedono un processo circoscritto, dati disponibili e qualcuno in azienda che supervisioni l'output. La competenza tecnica può venire dall'esterno nelle fasi iniziali — la cosa importante è che le decisioni sui processi e sui dati coinvolti restino interne all'azienda, perché nessuno conosce il vostro contesto meglio di voi.
