In due righe
- L'AI nel controllo qualità non è solo visione artificiale: lavora anche su non conformità, reclami e dati di processo.
- Il primo passo che ripaga è l'AI sui dati che già hai, non una telecamera in linea.
- La visione artificiale conviene solo con volumi alti, difetto costoso e compito visivo ripetitivo.
- Prima di comprare qualsiasi cosa, calcola quanto ti costa un difetto e controlla la qualità dei tuoi dati.
L'intelligenza artificiale nel controllo qualità conviene a una PMI quando il difetto ha un costo misurabile e il controllo è ripetitivo. La maggior parte delle PMI però parte dal lato sbagliato: punta subito sulla visione artificiale in linea, l'opzione più costosa e rischiosa. Il primo passo che ripaga è l'AI sui dati di qualità che l'azienda già produce: non conformità, reclami, controlli in accettazione, misure di processo. La visione sulla linea arriva dopo, solo con volumi alti, difetto costoso, compito visivo ripetitivo e ambiente stabile.
Per capire come funziona l'intelligenza artificiale in una PMI, parti da come funziona l'intelligenza artificiale nelle PMI. Qui ci concentriamo sul controllo qualità.
Che cosa può controllare l'AI, oltre alla visione artificiale
"Controllo qualità con AI" è un contenitore, non un prodotto. Dentro ci stanno quattro famiglie di casi d'uso, con logiche e costi diversi.
La prima è la visione artificiale (computer vision), cioè la branca dell'AI che permette a un software di interpretare il contenuto di immagini e video. È quella che vedi nelle foto delle fabbriche 4.0: una telecamera sulla linea, un algoritmo che segnala il pezzo difettoso. Funziona, ma è solo un pezzo del quadro.
La seconda è l'AI su documenti, specifiche e non conformità. Una non conformità è un prodotto o servizio che non rispetta una specifica stabilita in partenza. In molte aziende queste informazioni stanno in fogli Excel o nel gestionale, sparse e non usate. Un modello di linguaggio può leggerle, classificarle e trovare le cause ricorrenti.
La terza è l'AI sui dati di processo, con il controllo statistico di processo (SPC). L'SPC è il metodo che monitora le misure di un processo per accorgersi in anticipo quando sta per produrre difetti. I dati arrivano da sensori, macchine, MES o anche da rilevazioni manuali periodiche. Il machine learning, cioè l'insieme di tecniche con cui un modello impara a riconoscere pattern dai dati, può individuare anomalie prima che diventino scarti.
La quarta è l'AI su reclami e resi. I reclami dei clienti sono testo: email, note del servizio clienti, moduli resi. L'AI li raggruppa per tema e segnala i problemi più frequenti. In un'azienda con molti reclami, questo lavoro fatto a mano richiede ore e spesso finisce in un cassetto.
Il numero che decide tutto: quanto ti costa un difetto
Prima di guardare qualsiasi tecnologia, serve un numero: quanto costa un difetto. L'American Society for Quality (ASQ) stima il costo della qualità attorno al 15-20% del fatturato, e fino al 40% in alcune organizzazioni. Per capire se un investimento in controllo qualità con l'AI ha senso, devi stimare il costo dei difetti nella tua azienda con tre voci.
La prima voce è lo scarto interno: il materiale e il lavoro già spesi per un pezzo che non puoi vendere. La seconda è la rilavorazione: il tempo per riparare, smontare, ricontrollare. La terza è il reso e la reputazione: un difetto che arriva al cliente genera un reso, un reclamo, a volte la perdita di un cliente.
Facciamo un conto su un'azienda tipo: un'officina meccanica con 12 dipendenti e 1,8 milioni di euro di fatturato. Mettiamo che resi e rilavorazioni valgano il 3% del fatturato: sono 54.000 euro l'anno. Non è un dato reale, è un'ipotesi per capire il metodo. Se quel 3% si concentra su un difetto particolare, per esempio un errore di filettatura su una famiglia di pezzi, hai già un bersaglio. Se invece il 3% è distribuito su mille micro-cause diverse, l'AI serve a classificare le cause, non a fotografare i pezzi.
Il metodo completo per calcolare il costo della non qualità sta in come calcolare il costo della non qualità. Senza quel numero, qualunque investimento in AI è una scommessa.
La tabella: quale controllo AI conviene alla tua situazione
Non esiste un controllo AI che convenga a tutti. La tabella qui sotto mette in fila le quattro famiglie di casi d'uso, con costi indicativi e le condizioni per cui ciascuna ha senso.
| Tipo di controllo AI |
Costo indicativo |
Quando conviene |
Quando NON conviene |
| Visione artificiale sulla linea |
30.000-80.000 € a postazione (o <1.000 € in prototipo open source) |
Volumi alti, difetto costoso, controllo visivo ripetitivo, ambiente stabile |
Lotti piccoli, illuminazione variabile, difetti rari e poco documentati |
| AI su documenti e non conformità |
Da poche centinaia di €/mese (strumenti SaaS) |
Hai già dati di qualità su Excel o gestionale e vuoi capire le cause ricorrenti |
Dati sporchi o assenti: prima va sistemato il dato |
| AI sui dati di processo (SPC e anomalie) |
Software statistico o modulo gestionale, centinaia di €/anno |
Produzione continua con misure raccolte in automatico |
Produzione a lotti piccoli senza sensori né rilevazioni |
| AI su reclami e resi |
Strumenti di text analysis, da poche centinaia di €/mese |
Molti reclami o resi da classificare e raggruppare |
Pochi reclami, analizzabili a mano in un pomeriggio |
La riga più importante non è quella con il costo più basso: è la colonna "Quando NON conviene". Leggerla prima di parlare con un fornitore evita di comprare una telecamera per lotti piccoli o un software di text analysis per tre reclami al mese. Leggi la tabella partendo dalla tua situazione, non dal prodotto che ti hanno proposto.
Visione artificiale: quando ha senso davvero, e quando no
La visione artificiale in linea conviene solo se sono vere quattro condizioni insieme. Volumi alti, per ammortizzare il costo della postazione. Difetto costoso, perché riconoscere un difetto da due centesimi non ripaga una postazione da 50.000 euro. Compito visivo ripetitivo, cioè un controllo che un operatore fa centinaia di volte al giorno e che può sbagliare per stanchezza. Ambiente e illuminazione stabili, perché un modello di visione si rompe quando cambiano luce, posizione o materiale.
C'è un costo nascosto che quasi nessun venditore mette in preventivo: il falso scarto. Un falso scarto è un pezzo conforme che il sistema classifica per errore come difettoso, mandandolo allo scarto. Facciamo un conto su una linea che produce 100.000 pezzi al giorno. Un tasso di falsi scarti dello 0,2% significa 200 pezzi buoni buttati ogni giorno. Se ogni pezzo vale 15 euro, sono 3.000 euro al giorno. Questo esempio riprende un caso pubblicato da AI4Business, adattato con numeri ipotetici: il punto non è il numero esatto, è che un errore piccolo su volumi grandi costa moltissimo.
C'è anche il problema dell'ispezione umana che l'AI dovrebbe risolvere. Lo studio di Drury & Fox, ripreso dai Sandia National Laboratories, stima che le ispezioni visive umane complesse abbiano tassi di errore del 20-30%, con i mancati rilevamenti più frequenti dei falsi allarmi. L'AI può migliorare quei numeri su compiti ripetitivi, ma non è infallibile e va progettata.
La posizione netta è questa: non comprare la telecamera se manca anche una sola delle quattro condizioni. Parti dai dati che hai già, oppure fai una prova a basso costo. La visione artificiale è l'ultimo passo, non il primo.
Lo strumento
Delera Agent AI costruisce agenti su misura sui processi che oggi ti portano via ore ogni settimana.
Scopri Delera Agent AI
Da dove partire senza spendere 50.000 euro
Ci sono tre passi sensati per una PMI, in quest'ordine.
Il primo è la prova di fattibilità a basso costo. La tesi di Giacomo Piva dell'Università di Ferrara descrive un prototipo di ispezione visiva con una webcam e software open source come OpenCV e scikit-learn, per un costo sotto i 100 euro, con un'accuratezza del 91% su un prodotto semplice. Non è una soluzione di linea, è un test per capire se il difetto è riconoscibile. Costa due ordini di grandezza meno di una postazione industriale da decine di migliaia di euro, e ti dice in pochi giorni se vale la pena continuare. Usa questo approccio per verificare la fattibilità tecnica prima di firmare qualunque contratto.
Il secondo è l'AI sui dati di qualità che già hai. Non conformità, reclami, controlli in accettazione, misure di processo: se li registri già, puoi applicare strumenti di analisi a costi contenuti. Questo passo non richiede telecamere né sensori nuovi, e ripaga quasi subito perché insegna a misurare i difetti.
Il terzo è lo schema human-in-the-loop. È il modo di lavorare in cui l'AI esamina i volumi e le persone gestiscono i casi dubbi e le eccezioni. Non è un compromesso: è la configurazione che funziona meglio, perché riduce gli errori senza eliminare l'esperienza umana sui casi rari.
Il requisito vero prima di comprare qualsiasi cosa: i dati
L'Osservatorio Artificial Intelligence del Politecnico di Milano, edizione 2024, dice che solo il 7% delle piccole imprese e il 15% delle medie ha avviato progetti di AI. Il limite principale dichiarato non è il costo: è l'immaturità nella gestione dei dati. Questo vale anche per il controllo qualità. L'AI non crea ordine dal disordine: lavora bene solo se i dati sono almeno decenti.
Prima di parlare con un fornitore, fai questa checklist minima sui tuoi dati di qualità.
- Hai un elenco delle non conformità e dei difetti registrati in modo coerente negli ultimi dodici mesi?
- I reclami e i resi sono classificati con parole uniformi, oppure ognuno scrive come gli pare?
- Le misure di processo sono raccolte con una frequenza regolare o solo quando c'è un problema?
- Le immagini dei difetti sono archiviate e associate al prodotto, al lotto e alla causa?
- Sai qual è il costo dei difetti per tipo, o puoi calcolarlo in una giornata?
Se la risposta a più di due domande è no, prima di pensare all'AI devi sistemare il dato. È il lavoro meno affascinante e più utile. Per capire quanti dati servono davvero, leggi quanti dati servono per usare l'AI.
Il passo più piccolo per domani mattina è questo: prendi il registro delle non conformità o dei resi degli ultimi tre mesi, e classificali per tipo di difetto. Bastano due ore. Se scopri che l'80% dei difetti viene da due cause, hai appena trovato il bersaglio per il tuo primo progetto di controllo qualità con AI, e lo hai fatto senza spendere niente.
Domande frequenti
Il controllo qualità con l’AI sostituisce gli operatori?
No. Nei casi che funzionano, l’AI fa i controlli ripetitivi e uniformi, mentre le persone gestiscono i casi dubbi e le eccezioni. Questo schema si chiama human-in-the-loop: l’algoritmo esamina i volumi, l’ispettore decide sui casi incerti e con la sua esperienza alimenta gli aggiornamenti del modello. Eliminare del tutto l’intervento umano, specie sui difetti rari, di solito peggiora il risultato.
Quanto costa un sistema di visione artificiale per il controllo qualità?
Una postazione industriale con telecamere, illuminazione dedicata e software proprietario costa in genere decine di migliaia di euro, con cifre intorno ai 50.000 euro per postazione. Esistono però prototipi dimostrativi basati su webcam e software open source sotto i 100 euro, utili per verificare se il difetto è riconoscibile prima di investire. Il costo vero, spesso trascurato, sta nella manutenzione del modello quando cambiano prodotto, luce o materiali.
Servono tanti dati per iniziare con il controllo qualità AI?
Dipende dal tipo di controllo. Per l’AI su documenti, non conformità e reclami bastano i dati che l’azienda già registra, purché ordinati. Per la visione artificiale serve un archivio di immagini, ma i difetti gravi sono rari proprio nelle aziende ben gestite: si parte dai difetti documentati e si aggiungono dati sintetici. La regola è misurare prima la qualità dei dati che hai, non aspettare la raccolta perfetta.
Per una PMI conviene partire dalla visione artificiale in linea?
Di solito no. La visione artificiale conviene con volumi alti, difetto costoso e compito visivo ripetitivo; per molte PMI queste condizioni non ci sono, e l’investimento è il più alto e rischioso. Conviene partire dall’AI sui dati di qualità già presenti, che costa poco e insegna a misurare i difetti. Poi, se i numeri lo giustificano, si valuta la telecamera in linea.
L’AI Act o il GDPR riguardano il controllo qualità con l’AI?
Dipende da cosa controlli. Le immagini di prodotti in linea, senza persone, sono in genere a basso rischio e l’AI Act non le classifica come ad alto rischio. Cambia tutto se il sistema riprende o identifica persone, o se i dati escono dallo stabilimento: lì contano GDPR, AI Act e la riservatezza del processo produttivo, che spinge molte aziende a preferire l’elaborazione locale.
Delera CRM
Delera Agent AI
UmanValue
PMI Speed Test