Alessio Marchetti è Principal Solutions Consultant presso PTC, dove supporta clienti e attività commerciali nella definizione di soluzioni per la trasformazione digitale e la gestione del ciclo di vita del prodotto, con particolare attenzione a PLM e Windchill.
È entrato in PTC a seguito dell'acquisizione di Arbortext nel 2005. In precedenza, ha lavorato in Rogue Wave Software come Application Engineer e Solution Architect sulla linea di prodotti C++. La sua esperienza professionale nasce nello sviluppo software e si è successivamente evoluta verso la consulenza e l'architettura di soluzioni.
Nel suo ruolo attuale combina competenze tecnologiche e conoscenza dei processi di sviluppo prodotto, con un interesse particolare per l'evoluzione del PLM e per l'applicazione dell'intelligenza artificiale ai dati e ai processi di sviluppo prodotto. I suoi ambiti di competenza comprendono Windchill, PLM, Gestione della Configurazione e tecnologie per lo sviluppo e l'integrazione di applicazioni.
Negli ultimi due anni l’evoluzione dell’intelligenza artificiale ha registrato un’accelerazione straordinaria. I modelli sono diventati più capaci nel ragionamento, possono elaborare quantità crescenti di informazioni e vengono integrati in un numero sempre maggiore di applicazioni.
Nel mondo industriale, questa evoluzione apre una questione particolarmente importante: come trasformare le capacità dell’IA in valore concreto per ingegneri, progettisti, tecnici e responsabili di prodotto?
Bisogna integrare la conoscenza che già esiste in azienda.
Requisiti, modelli CAD, distinte base, modifiche, documentazione, informazioni sulla qualità e dati provenienti dall’assistenza sono distribuiti tra applicazioni diverse. Queste informazioni acquistano significato attraverso le relazioni che le collegano e attraverso i processi nei quali vengono utilizzate. L’IA industriale deve poter operare all’interno di questo patrimonio informativo, comprenderne il contesto e rispettare processi, autorizzazioni e regole aziendali.
Portare l’IA all’interno del digital thread significa renderla parte integrante di questo sistema di conoscenza.
Dal modello al contesto aziendale
Un Large Language Model, o LLM, possiede capacità generali di elaborazione del linguaggio e di ragionamento. La sua applicazione in ambito industriale richiede la conoscenza del contesto specifico nel quale opera.
Pensiamo ad una parte di un prodotto.
Per fornire un supporto realmente utile, l’IA dovrebbe comprenderne la funzione, conoscere i documenti associati, individuare i requisiti che ne hanno determinato la progettazione, ricostruire le modifiche che l’hanno interessata, accedere alle verifiche eseguite e identificare gli eventuali prodotti installati che potrebbero essere coinvolti da un cambiamento.
Tutto questo deve avvenire rispettando l’identità dell’utente e le relative autorizzazioni.
Il valore nasce quindi dalla combinazione di modello, dati, semantica, contesto e processo.
È questa la logica dell’IA integrata nei prodotti: portare le capacità dell’intelligenza artificiale direttamente negli strumenti utilizzati quotidianamente dalle persone, utilizzando il contesto applicativo per rendere l’interazione più pertinente e utile. La sua evoluzione può essere rappresentata attraverso tre livelli: consigliare, assistere e automatizzare.
Nel primo livello l’IA aiuta le persone a trovare, comprendere e sintetizzare le informazioni.
Nel secondo utilizza il contesto applicativo per contribuire all’esecuzione delle attività, mantenendo la persona all’interno del processo decisionale.
Nel terzo può coordinare attività più articolate utilizzando strumenti, agenti e sistemi differenti.
Si sviluppa così un percorso progressivo che parte dalla conoscenza, entra nell’esecuzione delle attività e arriva all’orchestrazione dei processi.
L’intelligenza attraversa i confini delle applicazioni
I processi industriali coinvolgono frequentemente più sistemi aziendali. Una modifica di prodotto, per esempio, può richiedere l’analisi congiunta dei requisiti, dei modelli CAD, delle strutture PLM, delle verifiche, della documentazione e delle informazioni relative ai prodotti già installati presso i clienti.
Queste informazioni possono essere distribuite tra diverse applicazioni. Nel portafoglio PTC, ad esempio, Windchill gestisce le informazioni e i processi legati al ciclo di vita del prodotto, mentre Codebeamer supporta la gestione dei requisiti e dei processi di sviluppo software. Altri dati possono risiedere negli strumenti utilizzati dall’ingegneria, dalla qualità o dall’assistenza.
La capacità di collegare queste informazioni permette all’IA di costruire un contesto più completo e di supportare attività che attraversano l’intero digital thread.
La capacità di correlare questi elementi apre la prospettiva di una intelligenza trasversale ai prodotti, nella quale sistemi e capacità IA specializzate possono collaborare preservando il contesto necessario.
L’utente può partire direttamente dal problema che deve risolvere. L’IA può individuare le informazioni e le capacità necessarie nei diversi sistemi coinvolti, mantenendo il collegamento tra gli oggetti che compongono il digital thread.
Questo porta l’attenzione sul processo complessivo e sulle relazioni che lo attraversano.
Per un’organizzazione industriale è un passaggio significativo, perché molte delle decisioni più importanti richiedono proprio la capacità di interpretare informazioni provenienti da domini differenti.
MCP e il passaggio dai dati alle capacità
In questo scenario il Model Context Protocol (MCP nel seguito) assume particolare rilevanza.
MCP introduce un meccanismo attraverso il quale applicazioni e sistemi possono rendere disponibili all’IA dati, strumenti e capacità.
In un contesto industriale, la qualità di questa integrazione dipende anche dalla comprensione del dominio applicativo.
Un sistema PLM o ALM contiene oggetti, relazioni, flussi di lavoro, cicli di vita, autorizzazioni, campi obbligatori e regole aziendali. Tutti questi elementi contribuiscono a determinare il significato delle operazioni disponibili.
Un agente IA deve conoscere l’operazione che può eseguire, le condizioni nelle quali può eseguirla e il significato che quell’operazione assume all’interno del processo. Prendiamo alcuni concetti apparentemente semplici: una parte, un requisito, una richiesta di modifica o un caso di verifica. Ciascuno appartiene a un preciso dominio informativo e acquista significato attraverso le relazioni con gli altri elementi. Un requisito può essere associato a una funzione, una funzione a un componente, il componente a una struttura di prodotto, la modifica del componente a un processo di modifica e quest’ultimo a verifiche e approvazioni.
La semantica diventa così una componente fondamentale dell’architettura IA.
Gli agenti portano la governance al centro dell’architettura
L’evoluzione verso sistemi capaci di agire introduce ulteriori requisiti. Un agente che interviene su informazioni aziendali deve operare utilizzando un’identità riconosciuta, rispettare le autorizzazioni associate a quell’identità e utilizzare esclusivamente le capacità previste dal sistema. Le operazioni devono essere tracciabili e ricostruibili. Questi principi assumono un peso crescente con l’aumento dell’autonomia degli agenti. La governance diventa quindi una proprietà dell’architettura. Gestione delle identità, controllo degli accessi, prevedibilità delle operazioni, tracciabilità e gestione degli errori devono accompagnare l’intero ciclo di esecuzione.
Questo ha conseguenze profonde sul modo in cui progettiamo le applicazioni IA. Quando un agente partecipa direttamente a un processo PLM, ALM, di progettazione o di assistenza, entra a far parte dell’architettura del software aziendale. L’affidabilità assume quindi un significato molto concreto. L’organizzazione deve poter comprendere quali informazioni siano state utilizzate, quali operazioni siano state eseguite, attraverso quali strumenti e con quale identità. È una condizione fondamentale per costruire fiducia e ampliare progressivamente il livello di autonomia concesso agli agenti.
Dall’intelligenza del singolo prodotto a un livello condiviso
La collaborazione tra applicazioni richiede capacità comuni per condividere il contesto e coordinare le attività. È in questa direzione che si inserisce Orion, la piattaforma IA di PTC pensata per abilitare capacità di Intelligenza Artificiale trasversali ai diversi prodotti. Orion combina orchestrazione degli agenti, infrastruttura MCP e servizi IA condivisi, creando le condizioni perché prodotti, dati e agenti possano collaborare lungo il digital thread. Applicazioni come Windchill e Codebeamer mantengono la conoscenza specifica del proprio dominio, mentre Orion mette a disposizione il livello comune necessario per collegare queste capacità attraverso processi che coinvolgono sistemi differenti.
Sicurezza, dati e fiducia
La discussione sull’IA industriale porta inevitabilmente al tema della fiducia.
I dati relativi allo sviluppo prodotto rappresentano spesso una parte significativa della proprietà intellettuale di un’azienda. Modelli CAD, configurazioni, requisiti, documentazione tecnica e informazioni di produzione possono contenere elementi altamente riservati.
La progettazione dell’architettura IA deve quindi considerare l’intero percorso dell’informazione.
Dove vengono conservati i dati? Dove vengono create le rappresentazioni vettoriali? Quali informazioni vengono utilizzate per fornire il contesto al modello? Dove avviene l’elaborazione? Quali informazioni vengono mantenute? Quali autorizzazioni determinano ciò che un utente o un agente può visualizzare?
Queste domande diventano parte integrante della progettazione della soluzione.
L’adozione dell’IA nei processi di sviluppo prodotto dipende anche dalla capacità di fornire risposte chiare a questi aspetti.
La fiducia nasce quindi dall’incontro tra tecnologia, sicurezza, governance e trasparenza.
Il punto di arrivo è il valore aziendale
La tecnologia rappresenta il mezzo attraverso il quale costruire questi scenari. Il risultato deve essere misurato attraverso il valore generato per le persone e per l’organizzazione.
Il primo livello riguarda spesso la produttività e l’accesso alla conoscenza.
Un ingegnere può trovare più rapidamente un’informazione tecnica. Un progettista può ridurre il tempo dedicato alla ricerca di documenti o alle attività ripetitive. Un tecnico dell’assistenza può utilizzare con maggiore efficacia l’esperienza accumulata negli interventi precedenti.
L’integrazione stabile di queste capacità nei processi estende progressivamente l’impatto all’intera organizzazione.
L’IA può contribuire ad accelerare determinate attività, migliorare il coordinamento tra funzioni diverse, rendere più facilmente disponibile la conoscenza durante il processo decisionale e valorizzare l’esperienza accumulata nel tempo.
Questo porta a un secondo livello di valore: la qualità e la velocità dei processi.
Una migliore disponibilità delle informazioni può supportare decisioni più tempestive. La correlazione automatica di elementi provenienti da sistemi differenti può facilitare l’analisi dell’impatto. L’accesso alla conoscenza storica può aiutare progettisti e tecnici a utilizzare esperienze precedenti.
La prospettiva più ampia riguarda l’innovazione.
Il tempo e la capacità recuperati attraverso automazione e accesso più efficace alla conoscenza possono essere reinvestiti nell’esplorazione di alternative, nella valutazione di più soluzioni e nello sviluppo di prodotti migliori.
L’IA diventa così un moltiplicatore della capacità dell’organizzazione di utilizzare la propria conoscenza.
L’IA sta diventando un nuovo livello del software aziendale
L’IA industriale sta assumendo un ruolo sempre più strutturale nell’architettura delle applicazioni aziendali.
Dati governati, conoscenza del dominio, semantica, integrazione con i processi, identità, sicurezza e tracciabilità concorrono alla costruzione di un ambiente nel quale modelli e agenti possono operare in maniera affidabile.
La capacità di condividere il contesto tra sistemi differenti amplia ulteriormente questa prospettiva, permettendo all’IA di seguire processi che attraversano più applicazioni e aree funzionali.
In questo scenario, il patrimonio informativo dell’impresa assume un’importanza ancora maggiore.
Anni di requisiti, decisioni progettuali, modifiche, verifiche, documentazione e conoscenza costruita durante l’intero ciclo di vita del prodotto possono diventare il contesto attraverso il quale l’IA supporta le attività future.
È qui che digital thread e intelligenza artificiale iniziano realmente a convergere.
Il futuro dell’IA industriale dipenderà dalla capacità di collegare l’intelligenza dei modelli alla conoscenza, ai processi e alle decisioni che costituiscono il patrimonio dell’impresa.
Una domanda può aiutare a orientare questa trasformazione:
“Quale risultato aziendale vogliamo migliorare e quale conoscenza, contesto e processo deve comprendere l’IA per contribuire concretamente a quel risultato?”
Per chi opera nella progettazione, nello sviluppo prodotto, nel PLM, nell’ALM, nell’assistenza e nella trasformazione digitale, credo che questo sia uno dei temi più interessanti dei prossimi anni. Dati, semantica, contesto, governance, integrazione, sicurezza e affidabilità costituiscono parti dello stesso percorso. La capacità di affrontarle in modo coordinato determinerà quanto profondamente l’IA potrà integrarsi nei processi di sviluppo prodotto e quanto valore sarà in grado di generare a partire dalla conoscenza che le imprese hanno costruito nel tempo.