La maggior parte dei casi aziendali a favore dell'intelligenza artificiale nelle operazioni industriali sono onesti sui benefici e disonesti sui costi, non per malafede, ma perché i costi che non compaiono nel progetto pilota sono i più difficili da stimare in anticipo e i più facili da rimandare a più tardi. Il progetto pilota di rilevamento delle anomalie su una linea di produzione offre una riduzione del 30% dei tempi di inattività non pianificati entro sei mesi. Questo numero va sulla diapositiva del tabellone. Ciò che non va in diapositiva è il costo per integrare il modello con il MES, per cancellare i tre anni di cronologia di manutenzione in campi privi di testo per creare una base di formazione, per riqualificare il modello quando il processo di produzione cambia, per convincere il team operativo a fidarsi dell'allarme del sistema piuttosto che dell'intuizione dell'operatore senior. Questi costi esistono, sono prevedibili e un business case onesto li include.
Cosa misura il pilota e cosa non misura
Il progetto pilota di IA industriale è stato progettato per rispondere a una domanda specifica: la tecnologia funziona nell'ambiente tecnico dell'azienda? Questa è la domanda giusta per convalidare la fattibilità tecnica, ma è la domanda sbagliata per proiettare il ROI su larga scala. Il progetto pilota opera in condizioni controllate: set di dati di formazione accuratamente preparati, ingegneri del fornitore disponibili per aggiustamenti in tempo reale, ambito delle apparecchiature o dei processi selezionati come più favorevoli alla dimostrazione. Il risultato pilota misura il potenziale della tecnologia in condizioni ottimali, non il risultato atteso nel normale funzionamento con un team interno.
Il coefficiente di sconto tra il risultato pilota e il risultato in scala varia a seconda del progetto, ma raramente è pari a zero. Nei progetti di visione artificiale per l'ispezione di qualità, è normale che il modello raggiunga una precisione del 98% nel pilota con il set di immagini del fornitore e raggiunga l'80% nelle prime settimane di funzionamento reale perché le condizioni di illuminazione, la variazione del prodotto e l'angolazione della telecamera nell'ambiente reale sono diversi da quelli controllati. Questa deviazione non è un guasto tecnico: è il divario tra le condizioni di test e le condizioni di produzione che qualsiasi modello ML deve affrontare. Il business case deve includere il costo del periodo di adattamento e il risultato atteso dopo tale periodo, non le prestazioni di picco del progetto pilota.
Costi che i consulenti non includono nella diapositiva
L’integrazione con i sistemi esistenti è spesso la voce di progetto più costosa e quella più sottovalutata. Un modello di intelligenza artificiale che viene eseguito su un server isolato e produce avvisi sulla propria dashboard non è integrazione: è solo un altro sistema che l'operatore può controllare. Affinché il modello di rilevamento delle anomalie possa generare valore operativo, è necessario creare ordini di lavoro nell'ERP, apparire nel sistema di gestione della manutenzione o mettere in pausa la linea tramite l'integrazione con il PLC. Ognuna di queste integrazioni ha costi di sviluppo, costi di convalida e costi di licenza API che raramente rientrano nel budget iniziale.
Dati: la maggior parte dei progetti di intelligenza artificiale industriale sottostimano il costo della preparazione dei dati di un fattore da due a cinque. L’argomento addotto dal fornitore è che l’azienda dispone già dei dati: il sistema SCADA registra tutto da anni. Ciò che l'argomentazione tralascia è che questi dati sono nel formato proprietario del sistema di controllo, con lacune per periodi di manutenzione o guasti del sistema, con timestamp incoerenti, con valori dei sensori errati che non sono mai stati rilevati perché non è stata effettuata alcuna analisi sistematica su questa cronologia. Pulire, strutturare ed etichettare questa storia per creare una base di formazione è un lavoro di ingegneria dei dati che richiede qualcuno che comprenda sia i dati che il processo industriale: un profilo raro e costoso.
Riqualificazione continua: i modelli ML si deteriorano nel tempo quando la distribuzione dei dati cambia. Nelle operazioni industriali, la distribuzione cambia perché cambiano i processi: nuovi prodotti, nuovi fornitori di materie prime, usura graduale delle attrezzature, modifiche dei processi. Il modello che ha funzionato bene nell’anno di implementazione inizia a generare più falsi positivi o falsi negativi un anno dopo. Il costo della riqualificazione regolare (raccolta di nuovi dati etichettati, riesecuzione della pipeline di formazione, convalida del nuovo modello) deve rientrare nel TCO del progetto.
Gestione del cambiamento: il costo per convincere il team operativo a fidarsi e a utilizzare il sistema è forse il più difficile da quantificare e il più critico da restituire. Un operatore con vent'anni di esperienza su una linea di produzione non cambierà il suo comportamento a causa di un avviso sul dashboard che non capisce come sia stato generato. I progetti che non includono formazione strutturata, tempi di follow-up per creare fiducia nel sistema e un processo di feedback da operatore a modello raggiungono la scalabilità con uno strumento che nessuno utilizza. Il ROI di un sistema non utilizzato è zero, indipendentemente dall'accuratezza del modello.
La struttura di un calcolo onesto del ROI
Esistono due aspetti del ROI dell’IA industriale. Il vantaggio quantificabile include la riduzione dei costi dei tempi di inattività non pianificati (costo medio dei tempi di inattività moltiplicato per il numero di eventi evitati all'anno), la riduzione degli scarti o delle rilavorazioni, la riduzione del consumo energetico ove applicabile e la riduzione delle scorte di pezzi di ricambio grazie alla maggiore prevedibilità della sostituzione. Ciascuno di questi benefici deve essere stimato con un intervallo di confidenza, non come un numero specifico, perché dipendono tutti da ipotesi sull’accuratezza del modello e sul comportamento del team operativo che presentano una reale incertezza.
Il costo include licenza software e piattaforma, hardware edge e sensori aggiuntivi se necessario, integrazione con i sistemi esistenti, preparazione e strutturazione dei dati storici, riqualificazione periodica del modello, formazione e gestione delle modifiche con il team operativo e manutenzione continua della soluzione. Nei progetti con fornitore esterno include anche il costo del coinvolgimento post-implementazione per i primi due anni, periodo in cui avvengono gli adeguamenti più significativi al modello.
Il rimborso realistico per la maggior parte dei progetti di IA industriale, quando tutti i costi sono inclusi, è compreso tra 18 mesi e 4 anni. I progetti che prevedono un ammortamento inferiore ai 12 mesi spesso sottostimano i costi di integrazione e gestione del cambiamento o sopravvalutano i benefici basati sui risultati pilota. Questa non è una dichiarazione contro gli investimenti: è una calibrazione delle aspettative che impedisce che il progetto venga annullato per non aver raggiunto il rendimento promesso entro un arco di tempo non realistico.
Cosa richiede l'approvazione responsabile di un progetto
Una proposta di IA industriale che raggiunga l’approvazione esecutiva dovrebbe includere: descrizione del modello di costo completo per fase: pilota, scala, operazione in corso; il piano di integrazione con i sistemi esistenti comprensivo del preventivo di spesa; il piano dei dati compreso il divario tra ciò che esiste e ciò di cui il modello ha bisogno; il piano di gestione del cambiamento con le metriche di adozione; e il modello di riqualificazione e manutenzione con costo annuo stimato.
La decisione se approvare o meno il progetto dovrebbe essere presa con questi elementi a disposizione, non dopo. Se il progetto ha senso dal punto di vista finanziario solo quando i costi di integrazione e dei dati sono sottostimati, il progetto non ha senso dal punto di vista finanziario. I progetti di intelligenza artificiale industriale che offrono rendimenti costanti sono quelli in cui il business case era conservativo in termini di benefici e completo in termini di costi, perché quando la realtà converge con la proiezione, la fiducia nel programma è sostenuta e l’espansione viene approvata. I progetti con casi aziendali ottimistici vengono annullati nella seconda fase perché il primo rendimento non è arrivato quando promesso e l'organizzazione perde la voglia di continuare.
Leggi anche
- Quanto costa Claude Code e quando ne vale davvero la pena
- Biomanifattura: quando la biologia diventa filiera
- Chip di inferenza e ASIC: quando lo specializzato batte il generico
- Chip specializzati e la fine dell'era delle CPU generiche
- Computazione neuromorfica e bio-ispirata: quando il chip inizia ad apprendere dal cervello
- Energia IA e sovranità: cosa devono pianificare i governi adesso