Agenti AI nella manifattura italiana: da dove iniziare (senza sbagliare)

In un’azienda manifatturiera italiana la domanda non è più se gli agenti AI in manifattura abbiano senso. È un’altra, molto più concreta: da quale processo si comincia, e quanto costa sbagliare il primo. Perché il primo agente non è un esperimento neutro, consuma il credito interno che serve per il secondo. Se legge male una distinta base o promette una tolleranza sbagliata in un’offerta, la conversazione sull’AI in quell’azienda si chiude per due anni.

Questo pezzo non spiega cosa sia un agente: se serve, c’è la guida completa su cosa sono gli agenti AI e come funzionano e la ricognizione dei tre processi aziendali in cui funzionano già. Qui si parla di quattro processi che nella manifattura italiana reggono davvero il primo tentativo, quality check documentale, distinta base, gestione fornitori, offerta tecnica, dei processi che sembrano i primi e non lo sono, e di cosa succede quando l’agente deve entrare in un ERP che nessun manuale descrive perché è stato personalizzato per quindici anni.

In questo articolo scoprirai:

• Perché in fabbrica il primo agente si scelga per processo e non per tecnologia
• Quality check documentale: il processo da cui conviene partire davvero
• Distinta base e disegni tecnici: dove l’agente fa risparmiare ore e dove sbaglia
• Gestione fornitori: l’agente che legge le conferme d’ordine e non ordina niente
• Offerta tecnica: il preventivo è il processo dove l’agente si ripaga da solo
• Perché manutenzione predittiva e schedulazione non sono il primo agente
• Come entra un agente in un ERP personalizzato e cosa dice l’AI Act

Perché in fabbrica il primo agente si scelga per processo e non per tecnologia

I numeri italiani dicono una cosa precisa. Secondo l’Osservatorio Artificial Intelligence del Politecnico di Milano, nel 2025 il mercato italiano dell’AI ha raggiunto 1,8 miliardi di euro con una crescita del 50%, e il manifatturiero è tra i settori che crescono sopra la media. Ma la stessa ricerca misura una spaccatura netta: il 71% delle grandi imprese ha avviato almeno un progetto di AI, contro il 15% delle medie e il 7% delle piccole.

L’indagine Istat su imprese e ICT conferma dall’altro lato: l’uso di tecnologie AI nelle imprese con almeno 10 addetti è passato dall’8,2% del 2024 al 16,4% del 2025, ma le grandi imprese sono al 53,1% e le PMI al 15,7%. Il divario è arrivato a 37 punti percentuali, quasi il doppio di due anni prima. Non è un problema di consapevolezza: è un problema di primo passo.

Il criterio per scegliere il primo agente AI in manifattura

Il criterio che regge, e che non dipende dal fornitore che si sceglie, è questo: il primo agente deve stare su un processo dove l’output è verificabile da chi già fa quel lavoro. Non “importante”, non “strategico”: verificabile. Un impiegato dell’ufficio tecnico deve poter guardare il risultato e dire in trenta secondi se è giusto o sbagliato, senza aprire tre sistemi. Questo esclude quasi tutti i processi che finiscono nelle presentazioni e include quelli che nessuno racconta ai convegni, perché sono noiosi. Il vantaggio dei processi noiosi è che sbagliare costa poco e imparare costa poco.

Prima di scegliere conviene misurare a che punto è l’azienda: la verifica di AI agent readiness e il framework in cinque fasi dell’adozione servono esattamente a non far coincidere il primo agente con il primo disastro.

Quality check documentale: il processo da cui conviene partire davvero

Nel manifatturiero italiano c’è un lavoro che nessuno ha mai automatizzato e che tutti fanno: confrontare documenti che dovrebbero dire la stessa cosa. Il certificato 3.1 del materiale contro la specifica d’acquisto. Il rapporto di collaudo contro il piano di controllo. Il DDT del fornitore contro la conferma d’ordine. La scheda tecnica del componente contro quello che il cliente ha chiesto nel capitolato.

È il candidato migliore per il primo agente per tre ragioni sovrapposte. È un processo in sola lettura: l’agente non scrive in nessun sistema, quindi non può fare danni irreversibili. Ha un volume alto e costante, quindi il risparmio si vede in poche settimane. E soprattutto ha una verità di riferimento: la discordanza c’è o non c’è, e chi controlla i certificati da dieci anni se ne accorge subito. È lo stesso principio che regge gli agenti AI per il back-office sui processi ripetitivi, applicato a documenti che hanno valore contrattuale.

Cosa serve prima di far leggere all’agente i certificati di collaudo

Serve sapere quanto sono brutti i documenti. È il punto che le demo saltano sempre. L’analisi di LlamaIndex sull’estrazione da documenti tecnici è esplicita: gli strumenti tradizionali “leggono i caratteri correttamente ma non riescono a preservarne il significato”, perdono l’associazione tra un valore di tolleranza e la caratteristica a cui si riferisce, e cedono su layout densi, tabelle irregolari e simboli non standard. La raccomandazione della stessa analisi è la più utile di tutte: testare su un campione rappresentativo dei propri documenti, non fidarsi dei benchmark dichiarati.

In pratica: si prendono cinquanta documenti veri, compresi i tre peggiori, la scansione storta, il fax del 2011, il PDF che è una foto, e si misura. Se l’agente lavora bene sui quaranta buoni e sbaglia sui dieci brutti, non è un fallimento: è la specifica di come va costruito il flusso, con un percorso di eccezione verso l’umano. La tecnica che rende questo possibile su documenti aziendali è quella del recupero delle informazioni con RAG: l’agente non “sa” la specifica, va a leggerla.

Distinta base e disegni tecnici: dove l’agente fa risparmiare ore e dove sbaglia

La distinta base è il secondo candidato, ed è più redditizio del primo, ma è anche più difficile, e vale la pena affrontarlo dopo aver imparato a misurare. Il caso tipico: arriva un disegno da un cliente o da uno studio esterno, e qualcuno in ufficio tecnico deve trasformarlo in una distinta con i codici articolo dell’azienda. Sono ore di lavoro qualificato speso a leggere e ricopiare.

Che gli agenti AI su questo funzionino non è una promessa di marketing: è una direzione confermata anche dalla letteratura. Il lavoro AiBAT su arXiv descrive un sistema che analizza disegni di assemblaggio ed estrae informazioni da parti e diagrammi per compilare istruzioni di build, assembly e test. Ma il modo in cui gli autori descrivono i risultati è la parte importante: risultati “preliminari promettenti” e un ruolo di assistenza alla redazione, non di automazione completa. Chi vende la seconda cosa sta vendendo qualcosa che nemmeno la ricerca rivendica.

Perché la distinta base non è un problema di OCR

Qui sta la trappola tecnica. Il punto non è leggere i caratteri, è che una distinta base ha una struttura: gerarchie annidate, gruppi e sottogruppi, part number che nel disegno del cliente si chiamano in un modo e nell’ERP in un altro. Un errore di lettura su un carattere produce un codice inesistente, e lo si scopre subito. Un errore sulla struttura produce una distinta plausibile e sbagliata, e lo si scopre in produzione.

Conseguenza operativa: sulla distinta base l’agente propone, non conferma. Il flusso corretto è agente che genera la bozza con il livello di confidenza per riga, tecnico che valida in pochi minuti invece di comporre da zero in un’ora. Il guadagno resta enorme e il rischio resta a zero, perché la firma è di una persona. È lo stesso schema che regge in ambiti dove l’errore è caro: si lascia all’agente il lavoro di composizione e all’umano quello di responsabilità, come discusso negli schemi di adozione che nel 2026 arrivano davvero in produzione.

Gestione fornitori: l’agente che legge le conferme d’ordine e non ordina niente

Il terzo processo è quello con il rapporto sforzo/risultato migliore in assoluto, e quasi nessuno lo apre per primo. Consiste nel far leggere all’agente il traffico in ingresso dai fornitori, conferme d’ordine, avvisi di ritardo, listini aggiornati, richieste di deroga, e nel fargli produrre una cosa sola: uno stato aggiornato di cosa arriva, quando, e cosa è diverso da quello che era stato ordinato.

Nella maggior parte delle PMI manifatturiere questa informazione esiste solo nella testa di due persone e nelle loro caselle di posta. L’agente non deve decidere niente: deve rendere visibile una discordanza tra quello che è stato ordinato e quello che il fornitore sta confermando. È un lavoro di lettura e riconciliazione, esattamente ciò in cui i modelli linguistici sono affidabili, e non richiede alcun potere di azione sui sistemi.

Agenti AI e fornitori: prima leggere, poi proporre, poi agire

La trappola è nel passo successivo, ed è documentata. Tra i casi d’uso citati nell’analisi Dataiku sui trend AI del manifatturiero 2026 compare la rinegoziazione autonoma dei contratti con i fornitori. Tecnicamente è possibile. In un’azienda che non ha ancora un agente in produzione è una scelta difficile da difendere: significa dare a un sistema nuovo il potere di impegnare l’azienda verso un terzo, prima di aver capito quanto sia affidabile su un compito che non impegna nessuno. L’ordine giusto è: prima leggere, poi proporre, poi, se e quando i numeri lo giustificano, agire. La stessa analisi ricorda che secondo Gartner oltre il 40% dei progetti di AI agentica sarà cancellato entro la fine del 2027 per costi in crescita, valore poco chiaro o controlli di rischio inadeguati. Sono le tre conseguenze di aver saltato quell’ordine.

Offerta tecnica: il preventivo è il processo dove l’agente si ripaga da solo

Il quarto processo è quello che i commerciali chiedono per primi e che va aperto per ultimo tra i quattro, perché è il più delicato. Un’azienda che lavora su commessa riceve richieste d’offerta fatte di capitolati, disegni, specifiche e allegati, e ogni offerta costa ore di ufficio tecnico. Molte richieste non diventeranno ordini, e questo è il vero costo nascosto: si spende lavoro qualificato per rispondere a gare che si perderanno.

Un agente che legge la richiesta, estrae i requisiti, li confronta con quello che l’azienda ha già prodotto e propone una bozza di configurazione con i riferimenti alle commesse simili non fa risparmiare “un po’ di tempo”: cambia quante offerte si può permettere di fare l’azienda. E cambia anche quali si scelgono di fare, perché rende visibile in mezz’ora se una richiesta è dentro o fuori dalle proprie capacità.

Offerta tecnica con agenti AI: recuperare i numeri, non generarli

Il vincolo è che un’offerta tecnica è un impegno contrattuale. Un valore inventato in un preventivo non è un errore da correggere, è una tolleranza che l’azienda si è impegnata a rispettare. Per questo il flusso deve essere costruito al contrario rispetto all’istinto: l’agente non deve mai produrre un numero, deve recuperare un numero da un documento esistente e citare da dove viene. Ogni dato in bozza porta il suo riferimento, questa specifica viene da quel capitolato, questo prezzo da quel listino, questa lavorazione da quella commessa del 2024. Se il riferimento non c’è, la casella resta vuota e passa all’umano. Un agente che riempie tutto è un agente che si sta inventando qualcosa.

I processi che sembrano i primi e non lo sono: manutenzione predittiva e schedulazione

Se si chiede a un motore di ricerca quali siano i casi d’uso degli agenti nel manifatturiero, la risposta è sempre la stessa quaterna: manutenzione predittiva, schedulazione in tempo reale, controllo qualità con visione artificiale, orchestrazione della supply chain. Sono casi d’uso veri. Sono anche, quasi sempre, i peggiori candidati per il primo agente di un’azienda, e la ragione è tecnica.

L’analisi di Atlan sul passaggio dei pilot manifatturieri in produzione la spiega con un esempio che chiunque abbia lavorato in fabbrica riconosce: la domanda “qual è l’OEE della linea 3” può avere tre risposte diverse nello stesso stabilimento, perché il MES lo calcola come disponibilità per performance per qualità, l’ERP divide l’output reale per la capacità teorica, e l’historian restituisce un aggregato di turno configurato anni prima. I dati vivono in MES, SCADA, ERP, QMS, PLM e piattaforme IoT, costruiti in tempi diversi e con convenzioni di naming diverse, senza uno strato semantico condiviso. La conclusione della stessa analisi è netta: i pilot falliscono quando gli agenti interrogano dati grezzi invece di dati certificati, e producono risposte che gli operatori non riescono né a fidarsi né a verificare.

Perché la manutenzione predittiva non è il primo agente da mettere in produzione

Lo stesso lavoro propone una scala di maturità utile. Al primo livello ci sono agenti di monitoraggio e allerta; al secondo agenti che analizzano e propongono ipotesi di causa; al terzo agenti che schedulano, dispacciano manutenzioni, comunicano con i fornitori e regolano parametri. Il terzo livello richiede input certificati, gate di approvazione umana e tracce decisionali conservate come artefatto di conformità, e l’infrastruttura del primo livello è il prerequisito del secondo, che è prerequisito del terzo.

Manutenzione predittiva e schedulazione stanno al terzo livello. Il quality check documentale, la distinta base e la lettura del traffico fornitori stanno tra il primo e il secondo, e non richiedono che l’azienda abbia risolto la frammentazione tra officina e gestionale. È la differenza tra un progetto che dà un risultato in un trimestre e un progetto che dà un risultato dopo aver rifatto il livello dati. La stessa analisi Dataiku sui trend AI del manifatturiero 2026 riporta una previsione Deloitte di adozione dell’AI agentica nel manifatturiero in crescita di quattro volte, dal 6% al 24%, e uno studio MIT secondo cui solo il 5% dei progetti di AI generativa arriva a scala. Il divario tra i due numeri è quasi tutto qui, ed è lo stesso ragionamento del pezzo su perché quando l’AI generativa non genera ROI il problema non è la tecnologia. Per il quadro internazionale, resta utile cosa dice lo Stanford AI Index 2026 alle PMI italiane.

Portare un agente dentro un ERP già personalizzato: cosa cambia se il gestionale è fatto in casa

Questa è la domanda che in Italia arriva sempre, e ha una risposta migliore di quella che si aspetta chi la fa. Il gestionale della manifattura italiana tipica è un ERP di quindici o venti anni fa, personalizzato da un fornitore locale, con tabelle aggiunte, campi riusati per scopi diversi da quelli originali e una manciata di procedure che nessuno tocca più. Sembra il peggior punto di partenza possibile.

Il dato che ridimensiona il problema viene dall’Osservatorio Artificial Intelligence del Politecnico di Milano: il 77% del mercato italiano dell’AI è fatto di progetti custom, sviluppati su misura per il singolo cliente. In altre parole, l’integrazione su misura non è l’eccezione italiana: è la norma del mercato. Il gestionale personalizzato non è un ostacolo tecnico all’agente, è un lavoro di comprensione da fare prima.

Un agente AI funziona anche con un gestionale personalizzato

Funziona, a due condizioni. La prima è che si parta in lettura: un agente che legge dal database o da un’esportazione non richiede alcuna modifica al gestionale, e questo è il motivo per cui i quattro processi descritti sopra sono i primi, nessuno dei quattro richiede che l’agente scriva. La seconda è che qualcuno traduca all’agente le convenzioni della casa. Nel campo “note” ci sono le lavorazioni esterne. Il codice che comincia per Z è un articolo dismesso. Il fornitore 1000 è il magazzino interno. Sono le regole che ogni impiegato conosce e nessun documento contiene, e sono la vera differenza tra un agente che funziona e uno che restituisce risultati inspiegabili.

È esattamente il lavoro che non si può comprare come licenza, e la ragione per cui la scelta tra agente chiavi in mano e self-service nella manifattura pende quasi sempre dal primo lato. Nessun prodotto standard conosce le convenzioni di quel gestionale: qualcuno le deve mappare, una volta, con chi le usa ogni giorno.

Il servizio prima del prodotto: chi porta l’agente dentro l’azienda e chi lo tiene in vita

Qui c’è la ragione per cui in MIMIR il lavoro comincia da un onboarding dedicato e non da una licenza attivata. Il software che fa girare un agente è, oggi, la parte meno differenziante del progetto: i modelli sono accessibili a tutti. La parte che decide l’esito è la mappatura del processo, delle convenzioni del gestionale e del punto in cui l’agente si ferma e passa la mano a una persona. Questa parte è un servizio, si fa con chi quel processo lo esegue, e non esiste in nessun catalogo.

Il dato dell’indagine Istat su imprese e ICT lo conferma dal lato dei freni: tra le imprese che hanno valutato l’AI senza adottarla, la mancanza di competenze adeguate pesa su quasi il 60%, seguita dall’incertezza normativa (47,3%) e dai problemi di qualità e disponibilità dei dati (45,2%). Sono tre ostacoli che nessun prodotto risolve da solo e che un affiancamento risolve tutti e tre. Su cosa aspettarsi concretamente, ci sono cosa deve dare una consulenza su agenti AI a una PMI e come si sceglie un partner AI in Italia.

Chi deve seguire l’agente internamente: IT, qualità o produzione

La risposta che funziona nella manifattura è controintuitiva: non l’IT. L’IT deve abilitare gli accessi e presidiare la sicurezza, ma il proprietario dell’agente deve essere il responsabile del processo che l’agente svolge, il capo dell’ufficio tecnico se si parla di distinte base, il responsabile qualità se si parla di certificati, l’ufficio acquisti se si parla di fornitori. È l’unica persona in grado di dire se un output è sbagliato, e quindi l’unica che può far migliorare l’agente nel tempo: è anche il motivo per cui la formazione va data a chi il processo lo esegue, non solo a chi amministra i sistemi. Un agente affidato all’IT diventa un sistema di cui nessuno controlla il merito; un agente senza proprietario smette di essere aggiornato dopo tre mesi e viene abbandonato in silenzio.

Agenti AI in manifattura e AI Act: quando un sistema è ad alto rischio

Per i quattro processi descritti la risposta è quasi certamente no, ma la distinzione va capita, non intuita. La classificazione della Commissione europea considera ad alto rischio, tra l’altro, i sistemi che sono componenti di sicurezza di prodotti già regolati: un agente che legge certificati o compila bozze di distinta non lo è, un sistema AI incorporato in un macchinario come componente di sicurezza sì.

Le scadenze dell’AI Act dopo l’accordo omnibus

Sulle scadenze c’è una novità che conta: come ricostruito nell’analisi dell’accordo omnibus sull’AI Act, gli obblighi per i sistemi ad alto rischio autonomi slittano al 2 dicembre 2027, e al 2 agosto 2028 per l’AI incorporata in prodotti già coperti dalla normativa di sicurezza. Restano invece già applicabili i divieti dell’articolo 5 e gli obblighi di alfabetizzazione AI dal febbraio 2025, e le regole sui modelli general purpose dall’agosto 2025. Il quadro completo è nella guida su cosa prevede l’AI Act e chi deve adeguarsi.

Il rinvio non è un motivo per rimandare: è una finestra. Un’azienda che nei prossimi diciotto mesi mette in produzione due agenti su processi documentali a basso rischio arriva alle scadenze del 2027 sapendo come si tiene la tracciabilità di una decisione automatica, che è precisamente quello che poi verrà chiesto sui sistemi che contano.

Se in azienda c’è un processo che assomiglia a quelli descritti qui, documenti da confrontare, distinte da comporre, offerte che costano troppo tempo, la cosa utile è guardarlo insieme a chi lo esegue e capire se il primo agente sta in piedi. È il punto da cui partiamo in MIMIR: prima il processo e l’affiancamento, poi la tecnologia. Se serve un confronto sul vostro caso, si può chiedere una consulenza e cominciare da lì.

Fonti:

• Osservatorio Artificial Intelligence del Politecnico di Milano — il mercato italiano dell’AI
• LlamaIndex, estrazione dati da disegni tecnici
• AiBAT: analisi automatica di disegni di assemblaggio (arXiv)
• Dataiku, trend AI del manifatturiero 2026
• Atlan, agenti AI nel manifatturiero: dai pilot alla produzione
• Commissione europea, quadro normativo sull’intelligenza artificiale
• Gibson Dunn, l’accordo omnibus e le nuove scadenze dell’AI Act