Questo articolo è del Professor Enrico Zio, Direttore Scientifico del Gruppo Datrix e Professore Ordinario presso il Centre for Research on Risk and Crises (CRC) dell’Ecole de Mines, ParisTech, e presso il Politecnico di Milano. È autore e co-autore di sette libri e di oltre 500 articoli su riviste internazionali (con un H-index di 103 su Google Scholar), presidente e co-presidente di numerosi convegni internazionali, associate editor di diverse riviste internazionali e revisore per più di 20 riviste.
Oltre a ricoprire ruoli accademici in Cina, è membro del CdA della Fondazione Politecnico di Milano e Distinguished Lecturer per IEEE e Sigma Xi. Nel 2020 ha ricevuto lo Humboldt Research Award per i suoi contributi nella valutazione dei rischi e dell’affidabilità. Nel 2023 è stato eletto Fellow della Asia-Pacific Artificial Intelligence Association come “lo scienziato di riferimento con risultati straordinari nell’ambito dell’ingegneria dell’affidabilità e nella valutazione dei rischi.” Nel 2024 ha ricevuto il Lifetime Achievement Award dalla Society for Reliability and Safety per aver aperto la strada all’applicazione dell’IA e degli algoritmi genetici a supporto della valutazione del rischio e della resilienza di sistemi ingegneristici complessi. Recentemente è stato eletto Fellow della Industry Academy dell’Artificial Intelligence Industry Academy.
Opportunità e rischi dell’Industria 5.0. Un tema oggi particolarmente rilevante nel dibattito sull’intelligenza artificiale (IA), perché rappresenta un’evoluzione centrata sull’interazione uomo-macchina, enfatizzando una IA collaborativa e umanocentrica.
A differenza dell’Industria 4.0, che si è concentrata principalmente su automazione ed efficienza, l’Industria 5.0 punta a sfruttare il potenziale dell’IA per potenziare la creatività umana, personalizzare la produzione e rendere il lavoro più significativo. Inoltre, l’Industria 5.0 promuove sostenibilità e resilienza, temi cruciali per affrontare le sfide ambientali e sociali contemporanee, mettendo in risalto la convivenza tra tecnologie avanzate e valori umani.
Il contesto
L’Industria 5.0 si riferisce a un modello di business caratterizzato da una forte cooperazione uomo-macchina e da una grande sensibilità verso i temi della sostenibilità ambientale, il cui principale obiettivo è aggiungere valore alla produzione attraverso un’estrema personalizzazione del prodotto e rispondere così ai bisogni peculiari dei consumatori. Questo modello rappresenta l’evoluzione naturale dell’Industria 4.0, resa possibile dallo sviluppo di tecnologie sempre più avanzate, in particolare nei settori IA, ICT e robotica, che stanno portando alla creazione e diffusione di dispositivi IoT sempre più potenti e di Cyber Physical Systems più evoluti. In linea con la visione europea di supporto allo sviluppo dell’Industria 5.0, in Italia è stato definito il Piano Transizione Italia 5.0, che offre varie opportunità di investimento agevolato lungo tre direttrici:
- tecnologie innovative (robotica, IoT, stampa 3D, cloud computing): migliorare la produttività, ottimizzare i processi e restare competitivi sul mercato globale;
- efficienza energetica: garantire una produzione più sostenibile riducendo i costi operativi;
- sostenibilità: ridurre l’impatto ambientale delle attività con energie rinnovabili e pratiche produttive ecosostenibili.
L’IA gioca un ruolo fondamentale nel raggiungimento degli obiettivi del piano e questo offre grandi prospettive di sviluppo scientifico e tecnologico; tuttavia, questa evoluzione comporta anche nuove sfide per la competitività delle aziende che offrono soluzioni in questo ambito, con conseguenti nuovi rischi che devono essere stimati, valutati e gestiti correttamente. Per questo è importante individuare alcuni elementi di competitività nel proporre soluzioni IA per l’Industria 5.0, partendo dall’attuale contesto tecnologico e considerando anche i rischi associati a questo tipo di offerta commerciale.
Cosa sta succedendo
Negli ultimi 5 anni abbiamo assistito a una proliferazione di librerie di algoritmi, sviluppate anche con il diretto intervento degli “over the tops” (Google, Meta, Microsoft, ecc.). Ad esempio, TensorFlow e PyTorch, tra i software framework più diffusi per lo sviluppo di IA, sono mantenuti e aggiornati da Google e Meta, rispettivamente. In molti casi (soprattutto per IA generative e multimodali), gli algoritmi sono resi disponibili sul mercato come modelli pronti all’uso, pre-addestrati utilizzando enormi risorse computazionali ed economiche. La dimensione di questi modelli (come il numero di parametri su cui si basano) rende sia il riaddestramento che la personalizzazione complessi sia dal punto di vista tecnico che economico. Questa situazione, da un lato, ha generato una diffusa capacità di sviluppare soluzioni basate su questi algoritmi e modelli: tutti gli attori del mercato IA hanno approssimativamente accesso agli stessi modelli e tecnologie, generalmente a parità di condizioni economiche. Dall’altro, ha reso difficile esprimere chiaramente gli elementi differenzianti di ciascuna azienda nel proporre soluzioni basate su IA, in particolare per l’Industria 5.0. Infatti, il mercato IA riconosce valore non tanto nell’algoritmo quanto nella capacità di usare modelli appropriati ed eseguirli su dati di qualità, in sicurezza. Un esempio significativo è dato dall’esplosione delle soluzioni basate su Large Language Model (LLM), anche per applicazioni in Industria 5.0 (come sistemi esperti per la manutenzione, basati su chatbots conversazionali addestrati su manuali o report di manutenzione). Esistono diversi modelli pre-addestrati disponibili gratuitamente (Alpaca, OpenLLama, ChatGPT3). I più performanti – quelli con un numero di parametri molto elevato – sono comunque legati a offerte commerciali (fra cui, ChatGPT4, Gemini, Claude). In questo contesto, sono molte le aziende che offrono soluzioni basate su modelli pre-addestrati, come il fine-tuning di modelli LLM più leggeri – cioè con meno parametri – oppure soluzioni Retrieval-Augmented Generation (RAG), che presentano un approccio volto a estendere le capacità degli LLM a domini specifici e know-how organizzativi interni, senza la necessità di riaddestrare il modello e garantendo che l’output resti pertinente e accurato. Nello sviluppo di queste soluzioni, tuttavia, è difficile differenziarsi dagli altri operatori dal punto di vista tecnico, lasciando dunque la competitività agli aspetti commerciali, come dimostrano le offerte sempre più a basso costo con cui questi servizi vengono proposti.
Allo stesso tempo, abbiamo assistito a una crescita esponenziale della letteratura tecnica e scientifica, con articoli facilmente disponibili online e sempre più gratuitamente, grazie al grande successo di modelli di pubblicazione basati su repository open (come arxiv.org). Questo, da un lato, porta evidenti vantaggi per la diffusione della conoscenza e lo sviluppo tecnico-scientifico dell’IA; dall’altro lato, aumenta la difficoltà nella selezione dei contributi scientificamente rilevanti, soprattutto quando fuori dal mainstream. È questo il caso di applicazioni industriali di nicchia, per cui esistono poche esperienze di riferimento con cui confrontarsi. Il processo di diffusione e condivisione degli aspetti teorici e dei modelli, definito come democratizzazione dell’IA, ha anche come conseguenza una stagnazione, se non un declino, della varietà della ricerca IA: alcune delle più grandi e prestigiose università (MIT; University of California, Berkeley; Carnegie Mellon; Stanford University) mostrano livelli di diversità tematica nella ricerca IA molto inferiori a quanto ci si aspetterebbe, considerando il loro volume di attività e la natura pubblica. Queste università influenti sono spesso forti collaboratrici di grandi aziende private, determinando una certa omogeneizzazione al vertice della ricerca IA. Ciò significa che alcune aree tematiche e domini applicativi – in particolare nell’Industria 5.0 – non sono sufficientemente coperti. In tale scenario, è dunque importante integrare le considerazioni derivanti dalla ricerca scientifica universitaria con le osservazioni provenienti da progetti applicativi concreti in ambito business e industriale. Grazie anche alle attività di direzione scientifica del Gruppo Datrix, possiamo distinguere 3 elementi distintivi che le aziende possono adottare per offrire soluzioni competitive all’Industria 5.0:
- visione sistemica: per dare valore a una soluzione basata su algoritmi di IA, è fondamentale mantenere a mente il contesto industriale in cui essa si inserisce. Un approccio multidisciplinare, in cui le competenze di IA siano corroborate da competenze di sviluppo software, ingegneria specialistica e business, è un fattore chiave per riuscire a rispondere ai bisogni industriali nel paradigma 5.0.
- Esperienza: la disponibilità di molte alternative richiederebbe, per valutarle tutte, tempi di sviluppo, adattamento e analisi prestazionale per ogni algoritmo troppo lunghi rispetto alle necessità di tempi e budget tipiche dei contesti industriali. Sebbene gli approcci AutoML aiutino ad accelerare questo processo decisionale, resta comunque indubbio valore aggiunto saper valutare l’appropriatezza degli algoritmi e delle metodologie disponibili rispetto alle conoscenze, informazioni e dati a disposizione, così come rispetto al rigore scientifico e ai bisogni specifici del singolo caso d’uso. Ad esempio, i dati necessari per utilizzare certe soluzioni non sono sempre disponibili, così come non sempre gli algoritmi producono, su altri dati, i risultati riportati in letteratura. In generale, l’algoritmo più innovativo non è sempre quello più adatto al contesto.
- Individuazione di aree di ricerca, sviluppo e innovazione IA in grado di rispondere in modo tempestivo, e con le migliori tecnologie, alle esigenze specifiche dell’Industria 5.0 non ancora intercettate pienamente dalle soluzioni commerciali. Ciò richiede capacità tecniche e scientifiche estremamente avanzate, attenzione costante e investimenti nei temi di ricerca e innovazione.
A quali rischi andiamo incontro
Sebbene nel panorama delle possibili applicazioni IA per l’Industria 5.0 emergano numerose opportunità, è fondamentale considerare anche i rischi associati.
A riguardo, si può osservare come, mentre lo sviluppo tradizionale di software utilizza metodologie strutturate che consentono una pianificazione dettagliata, lo sviluppo di modelli IA è caratterizzato da un approccio iterativo e sperimentale, in cui il “trial and error” è parte integrante del processo che porta alla formalizzazione della soluzione basata su IA. Anche se questo non comporta uno stravolgimento delle fasi fondamentali di qualsiasi sviluppo software (progettazione, sviluppo e rilascio in produzione), pone però rischi legati ai tempi di esecuzione dei progetti di sviluppo e, soprattutto, rende difficile offrire al cliente industriale garanzie sui risultati della soluzione: questi dipenderanno dai dati disponibili, in termini di quantità e qualità, dal tipo di problema considerato, ecc. Per questo, lo sviluppo di soluzioni IA in ambito industriale parte solitamente in modo troppo timido attraverso le attività di Proof of Concept (PoC), per le quali si offrono garanzie metodologiche, generalmente in condizioni economiche che rendono questa fase poco onerosa sotto il profilo degli investimenti per tutti gli attori coinvolti. I rischi commerciali legati a questo modello sono evidenti: si può spendere molto impegno su attività a basso valore aggiunto che poi rimangono sospese senza seguito.
Un altro rischio rilevante si riconosce nel divario tra le avanzate competenze matematiche, informatiche e ingegneristiche necessarie per sviluppare soluzioni IA efficaci, e quelle tipicamente disponibili nei decisori industriali, che, soprattutto nelle PMI, sono molto verticali sul business ma spesso presentano lacune sugli aspetti teorici di IA. Questo divario può rendere inefficaci e piene di fraintendimenti le relazioni commerciali tra le parti, con il rischio che queste non sfocino nel successo, anche in presenza di ottimi risultati tecnici. Bisogna infatti considerare che lo sviluppo software tradizionale si basa su algoritmi e regole che producono risposte in linea di principio ripetibili e facilmente interpretabili, mentre i modelli IA generano una risposta probabilistica e, a volte, controintuitiva. È fondamentale tener conto di questo aspetto quando gli utenti della soluzione non possiedono competenze di data scientist e, quindi, si attendono risultati deterministici e facilmente interpretabili e intuitivi. Il rischio che il valore dello strumento sviluppato sia percepito dall’utente come inferiore rispetto a una valutazione esperta è dunque molto alto. È perciò necessario lavorare anche sulla formazione degli utenti finali, per aumentarne consapevolezza e familiarità con l’utilizzo di tali sistemi.
Un ulteriore aspetto legato alla rapidità dell’evoluzione degli algoritmi riguarda il rischio di obsolescenza del prodotto, anche quando personalizzato. Si pensi, a tal proposito, a come l’ingresso degli LLM abbia in breve tempo reso alcune funzionalità di molti software di gestione dei processi (ad esempio quelli basati su bot, OCR, ecc.) obsolete. Il dinamismo delle competenze si riflette quindi nell’esigenza di investire in soluzioni che abbiano, da un lato, un ritorno sugli investimenti molto breve e, dall’altro, una capacità di adattamento continuo alle evoluzioni algoritmiche. Questo forte bisogno di manutenzione evolutiva rappresenta senza dubbio anche un’opportunità per le aziende che sviluppano soluzioni IA.
Infine, la compliance normativa può essere particolarmente insidiosa vista la diversità dei quadri regolatori, l’abbondanza di principi generici e il ritmo rapido dei cambiamenti che caratterizza l’attuale fase. L’evoluzione normativa attesa nei prossimi anni rappresenta sicuramente uno dei rischi da gestire.
Quali lezioni trarre (almeno per il momento)
La diffusione e la rapidità di evoluzione dell’IA portano con sé molteplici implicazioni, non solo tecniche ma anche economiche, sociali, etiche e antropologiche. Questi aspetti, tipici delle tecnologie non ancora pienamente mature, rendono l’attività imprenditoriale e tecnica molto complessa, chiamata a risolvere intricati trade-off tra le opportunità e i rischi che si celano dietro lo sviluppo di soluzioni IA, in particolare per l’Industria 5.0. L’obiettivo di questo contributo è stato quello di individuare e discutere alcune di tali opportunità e rischi, nella consapevolezza del valore fondamentale di queste analisi: l’alternativa all’approccio dell’individuare, valutare e gestire i rischi è quella di prendere decisioni poco informate e, di conseguenza, rischiare di non essere parte di questo incredibile momento di cambiamento.
Gli strumenti indicati per poter competere in questo ambito sono quelli della multidisciplinarità, esperienza e formazione continua, che risultano, in fondo, proprio quelli che garantiscono la capacità di analisi e mitigazione dei rischi associati.
