Volteco: −37% di scarti con l'AI, mentre la produzione raddoppiava

Volteco produce membrane e sistemi impermeabilizzanti per l’edilizia da Ponzano Veneto, in provincia di Treviso, dal 1976. Non è un laboratorio di ricerca, non è una multinazionale dell’automotive: è una PMI da circa 27 milioni di euro di fatturato e poco più di un centinaio di dipendenti, in un settore (l’edilizia) che raramente finisce nelle cronache dell’intelligenza artificiale. Ed è proprio per questo che il suo caso vale la pena raccontarlo: mostra cosa succede quando l’AI entra in una linea di produzione continua reale, non in una demo.

Il problema: troppi sensori, poca lettura

Come molte aziende manifatturiere che hanno investito in Industria 4.0 negli anni scorsi, Volteco aveva già centinaia di sensori lungo la linea di produzione delle sue membrane: temperatura, pressione, parametri chimici e meccanici delle materie prime. Il problema non era la mancanza di dati, ma il contrario: troppi segnali, nessuna correlazione chiara con la qualità del prodotto finito. Un sensore che segnala un’anomalia di processo non dice, da solo, se quel lotto di membrana avrà un difetto visibile o meno.

Cosa hanno installato, esattamente

Il system integrator beanTech, con sede a Udine, ha sviluppato per Volteco una piattaforma di analisi chiamata ADA (Amphibia Digital Analysis). L’idea alla base è semplice da spiegare e complicata da costruire: mettere in relazione, in tempo reale, i segnali di processo con le immagini raccolte dalle telecamere di linea, così da capire non solo che la macchina sta facendo qualcosa di anomalo, ma come quell’anomalia si traduce sul prodotto. beanTech descrive la filosofia del progetto come “controllare il prodotto, non solo la macchina”, uno spostamento di prospettiva rispetto al monitoraggio industriale tradizionale, che si ferma quasi sempre al macchinario.

Sopra la correlazione dati-immagini, la piattaforma aggiunge un livello di anomaly detection basato su machine learning, usato per la manutenzione predittiva: il sistema impara il comportamento “normale” della linea e segnala gli scostamenti prima che diventino un fermo macchina non pianificato.

Quali numeri ha prodotto il progetto

I numeri che seguono sono quelli diffusi da beanTech e Volteco, ripresi da due testate di settore indipendenti (Industria Italiana e Il Nord Est) a distanza di diversi mesi l’una dall’altra, con dati sostanzialmente coerenti tra loro.

Scarti−37%

Qualità+30%

Resa94%

Il dato più citato, e più interessante, è che la riduzione degli scarti del 37% si è verificata mentre la produzione raddoppiava nello stesso periodo: non un risultato ottenuto rallentando la linea per essere più precisi, ma un miglioramento di qualità che ha retto (anzi accompagnato) un forte aumento dei volumi. A questo si aggiungono una resa produttiva al 94% e fermi macchina dimezzati, questi ultimi attribuiti in particolare al modulo di manutenzione predittiva.

Un dato organizzativo, spesso trascurato in questo tipo di racconti, è che il team dedicato al progetto è cresciuto da 5 a 14 persone. Non è un dettaglio marginale: è un’indicazione che l’introduzione dell’AI, in questo caso, non ha ridotto il personale coinvolto nel controllo qualità, ma lo ha ampliato, spostando probabilmente competenze da un controllo manuale e reattivo a un presidio più analitico del processo.

Il valore di un progetto come questo non sta nell’algoritmo in sé, ma nella qualità e nella continuità dei dati che gli vengono dati in pasto: correlare segnali di processo e immagini di linea richiede una disciplina sui dati che la maggior parte delle fabbriche italiane non ha ancora, indipendentemente dalla tecnologia scelta. La lezione del caso, in una frase

Cosa non sappiamo, ed è giusto dirlo

Un caso reale non è una brochure, e va raccontato con gli stessi limiti con cui è documentato. Nessuna delle fonti disponibili riporta l’investimento economico sostenuto da Volteco né il tempo di rientro del progetto: due dati che, in qualsiasi valutazione seria fatta da un titolare o da un responsabile di produzione, contano quanto le percentuali di miglioramento. Chi legge questo caso per decidere se un progetto simile ha senso nella propria azienda deve saperlo: qui si può replicare l’approccio, non calcolare il conto economico, perché quel conto beanTech e Volteco non l’hanno reso pubblico.

Va segnalato anche un secondo limite, più generale: i numeri (−37%, +30%, 94%) sono dichiarati da fornitore e cliente, non misurati o certificati da un soggetto terzo indipendente. Questo non li rende falsi (sono comunque coerenti tra le due fonti giornalistiche che li riportano a distanza di mesi), ma li colloca in una categoria diversa da un dato di bilancio certificato, ed è corretto trattarli con questa cautela.

Un secondo caso, per contesto: SBE-VARVIT

beanTech ha realizzato un progetto concettualmente simile anche per SBE-VARVIT (gruppo Vescovini), produttore di elementi di fissaggio a Reggio Emilia, con cinque stabilimenti in Italia e uno in Serbia. Qui però parliamo di un gruppo industriale, non di una PMI. Il sistema installato è un controllo qualità ottico con rete neurale embedded, che ispeziona il 100% della produzione di rondelle, riconosce automaticamente l’articolo in lavorazione e si riconfigura da solo, senza intervento dell’operatore, senza integrazione con l’MES aziendale e senza fermare la linea per l’installazione. Questo secondo caso è documentato sia da beanTech sia, in modo indipendente, da un report applicativo del produttore delle telecamere usate (Baumer), ma senza numeri percentuali di miglioramento, solo la descrizione tecnica del funzionamento.

Il denominatore comune tra i due casi non è tanto beanTech come fornitore, quanto l’approccio: strumentare una linea esistente con visione artificiale e correlazione dati, invece di sostituire il macchinario o promettere un’automazione totale.

Cosa può portarsi a casa una PMI da questo caso

Per un titolare o un responsabile di produzione che legge questo articolo cercando un motivo pratico per approfondire, i punti che contano sono questi: il progetto è partito da sensori e telecamere che l’azienda in parte aveva già, non da un investimento da zero in hardware; il miglioramento non ha richiesto di rallentare la produzione, anzi ha retto un raddoppio dei volumi; e il progetto ha richiesto persone, non solo software (il team è quasi triplicato nel tempo). Chi valuta un percorso simile dovrebbe partire dalla stessa domanda che si è posta Volteco: non “che algoritmo compro”, ma che dato ho già, e chi in azienda saprà leggerlo quando la piattaforma inizierà a restituirlo.