Una linea ferma nell’automotive costa decine di migliaia di euro all’ora. Una supply chain che non si adatta in ore al ritardo di un fornitore produce effetti a cascata su settimane di produzione. In questo contesto, l’AI agentica non è un’opzione di efficienza: è infrastruttura di resilienza. Manufacturing e automotive sono i settori dove questa differenza si paga o si incassa in tempo reale.
Specifici software con una certa capacità decisionale, gli agenti AI, gestiscono in autonomia intere catene operative, dall’anomalia sul sensore alla work order nel CMMS (Computerized maintenance management system), intervenendo con l’umano solo su soglie predefinite. La loro attività va governata, un processo anche detto di orchestrazione.
IT/OT: la barriera che nessuno vuole nominare
Prima di parlare di workflow agentivi in produzione bisogna affrontare la frattura tra sistemi IT (ERP, PLM, CRM) e sistemi OT (PLC, SCADA, DCS). Il ricco contesto ingegneristico che vive nell’IT non segue le decisioni asset e flusso dell’OT; la telemetria di produzione in tempo reale non retroalimenta design e pianificazione.
Per far parlare IT ed OT servono protocolli diretti, senza integrazioni custom. Oggi il leader di mercato è MCP (Model context protocol, nato in Anthropic ma oggi sotto la governance di AAIF, la Linux Foundation Agentic AI Foundation). A MCP si sono aggiunti A2A (Agent-to-Agent rotocol di Google) e ACP (Agent Communication Protocol di IBM e Agntcy).
Tre workflow agentivi maturi nel manufacturing
In questo settore, almeno tre workflow agentivi sono già maturi. La manutenzione predittiva chiude il ciclo in autonomia: dal sensore che rileva l’anomalia alla work order nel CMMS (il software di manutenzione), passando per la verifica disponibilità ricambi in ERP. La supply chain adattiva monitora i fornitori ogni ora e ribilancia le allocazioni senza intervento umano. Nel suo metaverso industriale, Renault ha connesso 13.500 sistemi per 270 milioni di risparmio già nel 2023 (Report 2024, p 27); nel piano 2024-2025, poi, l’AI ha dimezzato il downtime e ha supervisionato tutti i punti chiave della produzione.
Il quality control autonomo usato nel BMW Plant di Leipzig per ispezioni, digital twin e intralogistica dal 2026. Sempre parlando di digital twin, BMW usa robot umanoidi e non, anche i suoi stessi AEON. Ma certamente Tesla o i produttori cinesi a partire da BYD avrebbero molto da dire al riguardo.
La criticità dei trasporti
Le normative evolvono e vanno considerate come organi di un organismo più complesso. La NIS2 classifica il trasporto come entità essenziale con obblighi di supply chain security. Questi obblighi s’intrecciano con quelli del CADA (Cloud and AI Development Act, il regolamento europeo che definisce i livelli di affidabilità e sicurezza per sistemi AI e cloud in contesti critici) su 4 livelli. Chi presidia trasporti pubblici o logistica merci e non si adegua entro la scadenza si trova esposto a obblighi di notifica e audit che rendono la questione urgente indipendentemente dall’AI. Ma i casi concreti mostrano che AI agentica e conformità normativa non sono percorsi separati.
Loady, piattaforma tedesca per la logistica delle merci su gomma, ha integrato agenti AI per l’ottimizzazione delle rotte in tempo reale e la gestione delle eccezioni nella catena di trasporto. L’agente opera su una base dati finalmente unificata. Scuter, azienda italiana di micromobilità urbana, ha implementato workflow agentivi per la gestione delle proprie flotte progettate in casa: ottimizzazione in tempo reale del posizionamento dei veicoli, manutenzione predittiva su batterie e componenti meccanici, gestione automatica delle eccezioni operative: tre processi nuovi, non tre processi vecchi accelerati.
Catena-X è un’Iniziativa europea concreta per la gestione dei dati digitali nel settore automotive, naturalmente predisposta ad un secondo livello di tipo agentivo. Insomma le iniziative ci sono, ma non sono equamente e velocemente sfruttate.
