Manutenzione predittiva nelle PMI: prima chiediti se i dati delle macchine arrivano davvero

La manutenzione predittiva è una delle espressioni più gonfiate dell’AI manifatturiera. Nella demo tipica, l’algoritmo lancia un allarme molto prima che un cuscinetto ceda ed evita un fermo importante; in una PMI reale, invece, il primo problema non è scegliere il modello, ma il fatto che i dati delle macchine non sono ancora collegati. Il mio giudizio è questo: per la maggior parte delle PMI manifatturiere, prima di adottare la manutenzione predittiva bisogna chiedersi se i dati delle macchine sono disponibili. Se per le macchine critiche corrente, temperatura e vibrazioni non vengono acquisiti in continuo e gli interventi di manutenzione sono ancora su carta o su Excel, la manutenzione predittiva probabilmente non è un progetto di AI: è un investimento di ingegneria dei dati, con il rischio concreto di spendere senza vedere ritorni.

Prima guardate come vengono calcolati quei ROI

Nei materiali promozionali sulla manutenzione predittiva compaiono spesso ritorni sull’investimento (ROI) di 10x o riduzioni del 70% dei fermi per guasto. Una rassegna pubblica del 2026 ha ripercorso questi numeri e ha trovato che in gran parte provengono da dati industriali di decenni fa, citati più volte, con baseline ormai poco chiara. I numeri che resistono alle domande in una riunione di budget sono più prudenti: nelle linee guida del Department of Energy statunitense la manutenzione predittiva riduce il costo totale di possesso dell’8%–12% rispetto alla manutenzione preventiva; Deloitte stima una riduzione dei costi di manutenzione del 5%–10% e un aumento della disponibilità operativa del 10%–20%. Questi numeri hanno una baseline chiara e sono più adatti per i calcoli interni.

Le differenze tra questi numeri derivano spesso dalla baseline. Lo stesso progetto, confrontato con la manutenzione a guasto oppure con la manutenzione preventiva, mostra ritorni molto diversi. I dati dello stesso Department of Energy sono chiari: rispetto alla manutenzione a guasto la manutenzione predittiva fa risparmiare il 30%–40%; rispetto alla manutenzione preventiva solo l’8%–12%. Se un fornitore non dichiara la baseline, il suo ROI non dovrebbe essere usato per decidere.

I dati McKinsey del 2017, con riduzione dei fermi del 30%–50% e allungamento della vita delle macchine del 20%–40%, descrivono progetti maturi; in uno studio McKinsey successivo del 2021, un progetto ha visto i risparmi completamente azzerati a causa di un tasso di falsi positivi del 10%. Qui per tasso di falsi positivi si intende la quota di casi in cui il modello segnala un guasto che in realtà non c’è.

La parte costosa non è l’algoritmo: sono dati mancanti, etichettatura e ciclo chiuso

Il principio della manutenzione predittiva è collegare i segnali storici di funzionamento di una macchina con i guasti avvenuti in seguito, così il modello impara a riconoscere le anomalie prima del fermo. Per un modello utilizzabile servono almeno due condizioni: i segnali della macchina devono essere acquisiti in continuo; i guasti devono essersi verificati ed essere stati registrati con precisione.

Nelle PMI manifatturiere spesso mancano entrambe. Anche la documentazione tecnica pubblica riconosce che nello sviluppo di modelli di manutenzione predittiva la risorsa più scarsa non sono i sensori né la potenza di calcolo, ma l’etichettatura di guasti di qualità. L’apprendimento supervisionato richiede guasti storici come materiale didattico, ma una fabbrica fa di tutto per evitare i guasti; i registri di manutenzione sono spesso incompleti, non uniformi e in molti casi non riportano nemmeno l’ora esatta del guasto. Per apprendimento supervisionato si intende: far vedere al modello molti esempi storici con risposta nota, così impara a riconoscere i guasti nei segnali.

Per questo i costi che sforano di solito sono in tre punti.

Primo, completare l’acquisizione dati. Le macchine vecchie spesso non hanno interfacce di comunicazione standard: servono sensori aggiuntivi, modifiche al quadro elettrico, gateway di acquisizione; in alcuni casi serve integrarsi con PLC o SCADA. Il PLC è il controllore logico programmabile che governa i movimenti della macchina; lo SCADA è il sistema software che acquisisce e supervisiona in modo centralizzato i dati degli impianti. Questa parte di retrofit spesso costa più dello sviluppo dell’algoritmo.

Secondo, ricostruire lo storico. Bisogna trasformare ordini di lavoro cartacei, file Excel e conoscenza dei manutentori esperti in registri di guasto strutturati, indicando per ogni guasto inizio, fine e causa. È un lavoro noioso, lungo e, se fatto male, nessun modello complesso imparerà regole affidabili.

Terzo, chiudere il ciclo. Se dopo un allarme nessuno conferma, tratta e registra l’esito, il sistema diventa presto inascoltato. Nel caso McKinsey 2021 già citato, un tasso di falsi positivi del 10% è bastato ad azzerare i benefici. Per una PMI pochi allarmi non vengono guardati, troppi allarmi non vengono guardati: è qui che si nasconde il vero costo organizzativo e di personale.

Prima verificate a che livello sono i dati delle vostre macchine

La manutenzione predittiva non è un’applicazione AI isolata: poggia su altre fondamenta informatiche. Uno standard pubblico locale di valutazione della maturità della smart manufacturing divide la diagnostica e la manutenzione predittiva in cinque livelli: livello 1, gestione quotidiana di parte delle macchine tramite sistemi informativi; livello 2, gestione dello stato delle macchine; livello 3, monitoraggio remoto in tempo reale delle macchine critiche; livello 4, costruzione di modelli di funzionamento delle macchine critiche; livello 5, manutenzione predittiva basata su knowledge base e analisi di big data. Molte PMI manifatturiere sono ferme tra il livello 1 e il livello 2: macchine non collegate in rete, stato registrato a mano.

Non si può saltare i primi tre livelli con un singolo modello. Bisogna prima colmare acquisizione e gestione. Ecco un piccolo check:

• Le prime tre macchine critiche della fabbrica hanno interfacce di comunicazione standard e possono trasmettere automaticamente lo stato di funzionamento?
• Se esiste uno SCADA, raccoglie parametri di processo continui oppure solo accensione/spegnimento e produzione?
• Nei registri di manutenzione si trovano ora esatta, parte, causa e intervento per ogni guasto?
• Le valutazioni dei manutentori esperti come «rumore strano» o «temperatura alta» vengono registrate?
• Dopo un allarme esiste una registrazione di conferma, trattamento e chiusura?

Se raccogliete tre o più «no», la manutenzione predittiva è probabilmente prematura. Questo giudizio segue la stessa logica del MES: prima si fa il calcolo sui dati, poi si parla di sistema. Ne parla anche l’articolo Prima del MES in una PMI: fate tre calcoli.

Prima di collegare i dati, allarmi a soglia e ispezioni digitali rendono di più

Esiste una categoria di soluzioni mature che non sembra avanzata ma ha un rapporto costo/beneficio molto migliore della manutenzione predittiva: gli allarmi a soglia. Il principio è semplice: si definisce un intervallo normale e, se viene superato, scatta un allarme.

Lo stampaggio a iniezione è un esempio concreto. La pressione nella cavità dello stampo è la pressione che il fuso esercita sulle pareti della cavità dopo essere entrato nello stampo, ed è direttamente correlata a peso, dimensioni e qualità superficiale del pezzo. Da più di quarant’anni è noto che la pressione nella cavità può riflettere la qualità del pezzo. Oggi esistono sistemi commerciali di monitoraggio della pressione cavità che controllano in continuo la curva di pressione in produzione e separano automaticamente i pezzi non conformi o generano un allarme quando la pressione esce dall’intervallo stabilito. È tecnicamente un controllo a soglia, non manutenzione predittiva, ma risolve il problema più pratico di molte PMI: ridurre i lotti difettosi e lasciare registrazioni di qualità consultabili.

Molte fabbriche non hanno ancora fatto questo passo e vogliono passare subito ai modelli predittivi: l’ordine è invertito. Un’altra pratica analoga è digitalizzare le ispezioni manuali: si fissano punti di controllo, frequenza e intervalli di valori, si registra con un tablet e i dati entrano nel sistema invece di restare sulla carta. La digitalizzazione delle ispezioni non predice i guasti, ma produce registri di stato macchina con data e ora, consultabili: è il terreno su cui si costruirà qualsiasi futuro modello predittivo.

Se un progetto pilota ha avuto successo ma non si riesce a estenderlo, di solito il problema non è il modello: è che questa modalità di acquisizione dati e chiusura del ciclo non è stata replicata sulle altre macchine. Ne discute anche l’articolo Pilota AI riuscito, produzione fallita: non manca il modello.

Quando questo giudizio non vale

Quanto detto finora — non partire subito con la manutenzione predittiva — vale per le PMI manifatturiere con una base dati debole e un budget di retrofit limitato. Se una macchina critica ha costi di fermo enormi e già dispone di anni di dati acquisiti in continuo tramite sistemi del costruttore o uno SCADA interno, allora si può avviare un pilota di manutenzione predittiva anche in un’azienda non grande. Il criterio non è la dimensione dell’impianto, ma la gravità del fermo e il grado di disponibilità dei dati.

Non esiste ancora una linea di demarcazione semplice per decidere, su un parco numeroso di macchine vecchie, quali valga la pena di retrofit con sensori e quali vadano sostituite. Un’altra questione non ancora risolta è se, in una PMI manifatturiera, siano più stabili i modelli fisici basati sulle leggi di degrado o i modelli data-driven appresi dai dati storici. Dalla documentazione pubblica sembra che i modelli fisici possano essere più stabili quando i dati sono pochi, ma servono più casi per confermarlo.

Fonti

• Predictive Maintenance ROI Benchmarks: cosa mostrano gli studi
• Standard di valutazione della maturità della smart manufacturing
• Strategie di etichettatura dati per l’addestramento AI nella manutenzione predittiva
• Tecnologia di monitoraggio dello stampaggio a iniezione 960-111c