La mancanza di dati strutturati frena l'AI agentica nell'ingegneria industriale

Per le aziende manifatturiere che sperimentano l'AI agentica nelle attività di ingegneria il primo ostacolo sono i dati tecnici, spesso dispersi in decine di archivi, registrati con nomi diversi da un sistema all'altro o salvati in formati che un software non riesce a interpretare. Il quadro emerge da uno studio del Massachusetts Institute of Technology (MIT) su 28 aziende e da un sondaggio di RSM US su oltre mille dirigenti nordamericani.

Lo studio del MIT su 28 aziende

Diverse aziende manifatturiere stanno sperimentando l'AI agentica, cioè sistemi di intelligenza artificiale in grado di svolgere compiti in autonomia, in attività di ingegneria che vanno dalla progettazione alla ricerca in archivi tecnici. Un recente studio della MIT Initiative for New Manufacturing (2026), basato su 33 interviste in 28 aziende attive nei settori dell'aerospazio, della difesa, dell'elettronica e della robotica, ha raccolto le prime valutazioni di chi guida questi progetti. Il tema che ricorre più spesso riguarda la disponibilità e la qualità dei dati tecnici su cui gli agenti dovrebbero lavorare.

Ventisei fonti diverse per un solo progetto

Il primo ostacolo per le aziende è la dispersione delle informazioni tecniche. Un ingegnere di una delle imprese intervistate racconta di aver interpellato 22 esperti coinvolti nello sviluppo di un singolo programma e di aver individuato 26 fonti di dati diverse tra loro. Tra queste figurano hard disk personali, siti SharePoint (la piattaforma Microsoft per la gestione di documenti), database interni realizzati su misura e cartelle condivise. Si aggiungono più versioni dello stesso documento e convenzioni di denominazione dei file che cambiano da un gruppo di lavoro all'altro. Il fondatore di un'azienda di componentistica segnala inoltre che la stessa voce compare con nomi diversi da un sistema all'altro e che i campi compilati a testo libero accumulano numerose varianti della stessa informazione. Prima che un agente AI possa lavorare su dati di questo tipo, i campi vanno ripuliti e uniformati (MIT, 2026).

Un sondaggio della società di consulenza RSM US (2026) su oltre mille dirigenti nordamericani di aziende che già utilizzano l'AI, condotto a marzo 2026, misura lo stesso problema su un campione più ampio. Tra le imprese manifatturiere intervistate, il 32% indica la qualità e la tracciabilità dei dati come freno principale all'adozione dell'AI. Molte aziende introducono l'AI con un progetto pilota, cioè una sperimentazione su scala ridotta, da estendere solo in caso di esito positivo. Tra le imprese manifatturiere il cui progetto pilota non ha avuto esito positivo negli ultimi due anni, il 51% attribuisce l'insuccesso ai dati utilizzati nella sperimentazione.

In Italia la diffusione dell'AI nel manifatturiero resta limitata e l'ostacolo dei dati compare tra i primi. Nel 2025 utilizzava l'AI il 14,7% delle imprese manifatturiere con almeno 10 addetti (Istat, 2025). Tra le imprese di tutti i settori che hanno valutato l'AI senza adottarla, il 45,2% indica come freno l'indisponibilità o la scarsa qualità dei dati, terzo ostacolo per frequenza dopo la mancanza di competenze e la poca chiarezza delle norme.

Dati vincolati al perimetro aziendale

Alla frammentazione si aggiunge il vincolo della sicurezza e della proprietà intellettuale. Il responsabile di una divisione che opera nel settore della difesa spiega che gran parte degli algoritmi più avanzati è disponibile solo sul cloud. I dati tecnici trattati dalla divisione, soggetti al controllo delle esportazioni, devono invece rimanere in ambienti isolati, cioè in sistemi non collegati a reti esterne (MIT, 2026). Lo stesso principio, con basi giuridiche diverse, vale per qualunque azienda che tratti segreti di processo o sia soggetta a certificazioni di settore, come quelle aerospaziali o mediche. In questi casi l'accesso ai dati è limitato da vincoli contrattuali.

Informazioni chiuse nei PDF

Quando i dati esistono e sono reperibili, spesso sono salvati in un formato che un sistema automatico non riesce a utilizzare. Un dirigente di un'azienda che sviluppa strumenti per l'ingegneria elettronica osserva che gran parte delle informazioni tecniche resta chiusa in file PDF, un formato pensato per essere letto da una persona, non interrogato da un software. Il problema riguarda anche le informazioni che provengono dall'esterno. Un ingegnere dell'agenzia spaziale statunitense rileva che i fornitori, sia le officine meccaniche a cui si affidano le lavorazioni sia i produttori di componenti, non offrono un accesso diretto ai propri dati tecnici, cioè un'interfaccia a cui un software possa collegarsi. Per i componenti più avanzati, inoltre, prezzi e caratteristiche si ottengono ancora solo tramite i canali commerciali. Un agente AI incaricato di scegliere un componente o di confrontare più fornitori non disporrebbe quindi di una fonte da cui reperire le informazioni necessarie (MIT, 2026).

Il sapere che resta nella testa delle persone

Una parte del sapere tecnico, infine, non compare in alcun documento. Il responsabile tecnico di un'azienda di produzione additiva osserva che le competenze più specialistiche sulla propria tecnologia risiedono in larga parte nell'esperienza dei dipendenti. Si tratta di conoscenza tacita, che si accumula in reparto e che chi la possiede tende a non formalizzare perché la considera ovvia. Con i pensionamenti, il rischio è che questo sapere vada perduto insieme alle persone che lo custodiscono (MIT, 2026).

L'Europa prova a mettere in comune i dati

Questi problemi sono stati rilevati soprattutto in aziende statunitensi, ma la frammentazione dei dati tecnici riguarda anche l'Europa. Il manifatturiero dell'Unione conta 2,2 milioni di imprese, in gran parte piccole e medie, e genera circa un quarto del fatturato complessivo delle imprese europee (Commissione Europea, 2025). È a questo tessuto produttivo che la Commissione ha rivolto, nell'ottobre 2025, le azioni dedicate a manifattura, ingegneria e costruzioni della Apply AI Strategy, il programma europeo di finanziamento e sostegno all'adozione dell'AI. Tra queste figura il finanziamento di iniziative di condivisione dei dati tra imprese dello stesso settore (data pooling). Un'altra azione rafforza le strutture di prova e sperimentazione già attive in Europa, dove un'azienda può verificare una soluzione AI su un caso reale prima di adottarla su larga scala. Si tratta di un approccio diverso allo stesso problema, basato su infrastrutture condivise a livello di settore, che ripartiscono tra più imprese il costo del riordino dei dati.

Prima di scegliere il modello di AI, si mappano i dati e le competenze

Alle difficoltà legate ai dati se ne aggiunge una sulle competenze. Pochi ingegneri comprendono il funzionamento dei modelli di AI che utilizzano. Un dirigente di una società di ingegneria di medie dimensioni osserva che molti sanno utilizzare l'AI, ma pochissimi sanno svilupparla o riconfigurarla (MIT, 2026). Un'indagine di Deloitte (2026) su 3.235 dirigenti di 24 paesi, condotta tra agosto e settembre 2025, aggiunge il dato organizzativo. Solo un'azienda su cinque dispone di un modello di governance maturo per gli agenti AI autonomi, cioè di regole che stabiliscono in quali passaggi l'intervento umano resta obbligatorio, come vengono verificate le decisioni prese in automatico e quali registrazioni del comportamento del sistema vanno conservate.

Le difficoltà descritte dallo studio del MIT, dai sondaggi di RSM US e Deloitte e dai dati Istat indicano che l'adozione di un modello di AI agentica richiede un lavoro preliminare sui dati e sull'organizzazione. Prima di adottare un agente, un'azienda deve verificare dove si trovano i dati tecnici richiesti dal compito, in quale formato sono archiviati, chi possiede la conoscenza necessaria per interpretarli e quali regole di governance ne disciplinano l'uso. Senza queste condizioni, un progetto pilota di AI agentica in ingegneria resta allo stadio dimostrativo.

Fonti

• Edwards, K.M., Bauer, M., Jacquillat, C., Hart, A.J., Ahmed, F. (2026): Agentic AI in Engineering and Manufacturing: Industry Perspectives on Utility, Adoption, Challenges, and Opportunities, MIT Initiative for New Manufacturing, marzo 2026
• Commissione Europea (2025): AI for Manufacturing, Engineering and Construction: Commission Launches Flagship Actions under the Apply AI Strategy, 28 novembre 2025 (azioni annunciate l'8 ottobre 2025)
• RSM US (2026): Middle Market AI Survey 2026, 21 luglio 2026 (dati raccolti 5-16 marzo 2026)
• Istat (2025): Imprese e ICT, anno 2025, Statistiche report, 15 dicembre 2025
• Deloitte (2026): State of AI in the Enterprise, edizione 2026 (sondaggio agosto-settembre 2025)