AI ed Economia Circolare: dai dati sui prodotti a un progetto concreto
Come collegare informazioni su prodotti, materiali e manutenzione per costruire un progetto utile e verificabile.
Un produttore di arredi ritira sedute usate da un cliente. Per prepararle a una seconda vita deve capire quali rivestimenti sostituire, quali componenti conservare e quali materiali separare. Le informazioni sono distribuite tra schede tecniche, ordini, fotografie e note dei manutentori. Alcune riguardano il modello originale; altre descrivono modifiche avvenute nel tempo.
In questo scenario illustrativo, l’intelligenza artificiale potrebbe aiutare a leggere i documenti e collegare le informazioni. Il primo risultato utile sarebbe una scheda verificabile per ogni seduta: cosa sappiamo, cosa manca e quale intervento possiamo valutare. Per costruirla occorre stabilire a quale oggetto si riferiscono le fonti e quanto siano aggiornate.
Nel precedente articolo abbiamo spiegato come scegliere il primo caso d’uso AI nell’Economia Circolare. Il passo successivo è costruire una base informativa adeguata al lavoro da svolgere. Questo articolo propone un metodo pratico, applicabile anche quando i dati sono incompleti.
Partire dall’attività, poi scegliere le informazioni
La domanda «quali dati abbiamo?» può produrre un inventario molto ampio. Conviene affiancarla a una domanda più precisa: quali informazioni servono per svolgere questa attività in modo affidabile?
Per ricondizionare una seduta possono servire la versione del prodotto, i materiali effettivamente presenti, le condizioni dei componenti e i tempi di intervento. Per trovare uno sbocco a uno scarto di produzione potrebbero contare composizione, contaminanti, quantità disponibili e specifiche richieste da chi lo riceve.
Il collegamento fra dati e azione va esplicitato. Sapere che un rivestimento contiene determinate fibre è utile se questa informazione consente di scegliere un trattamento compatibile o di confrontarsi con un recuperatore. Anche disponibilità, logistica e accettazione del materiale devono essere verificate.
Quattro gruppi di dati da collegare
Per una prima ricognizione suggeriamo quattro gruppi. Sono una proposta operativa: ogni progetto deve adattarli al proprio contesto.
Identità e composizione. Codice del prodotto o del lotto, versione, componenti, materiali, eventuali sostituzioni. Un identificativo condiviso permette di collegare le fonti senza confondere oggetti simili.
Condizioni e storia d’uso. Ispezioni, fotografie, manutenzioni, guasti e modifiche. Una scheda di produzione descrive come nasce il prodotto; una verifica aggiornata aiuta a capire cosa si può fare oggi.
Percorsi disponibili. Ricambi, capacità di riparazione, utilizzatori potenziali, requisiti dei recuperatori, costi e vincoli logistici. Le possibilità tecniche vanno confrontate con destinazioni effettivamente praticabili.
Esiti degli interventi. Tempo e costo reali, componenti sostituiti, risultato dei controlli, destinazione finale e, quando disponibile, durata dell’uso successivo. Queste informazioni consentono di verificare se le indicazioni iniziali erano utili.
Nell’esempio degli arredi, una fotografia da sola difficilmente chiarisce composizione e trattamenti del tessuto. Collegarla alla distinta materiali corretta e a un’ispezione rende l’informazione più utilizzabile. Se la distinta è superata, il limite deve restare visibile.
Dove può intervenire l’AI
Un sistema di AI può essere impiegato per estrarre campi da documenti, rendere ricercabili le note di manutenzione o suggerire collegamenti tra descrizioni e codici. Modelli di visione possono supportare compiti specifici di ispezione, purché siano valutati sulle condizioni in cui verranno utilizzati.
Queste applicazioni richiedono controlli diversi. Un assistente che riassume una scheda dovrebbe permettere di risalire al documento e al passaggio originale. Un modello che segnala un difetto deve essere confrontato con una valutazione tecnica di riferimento. L’assenza di una segnalazione non dimostra che il componente sia sicuro.
È importante separare informazioni documentate, misure e stime del modello. Se la composizione manca, un’ipotesi dell’AI va registrata come tale. La destinazione a un processo di recupero può richiedere ulteriori verifiche o prove.
Provare anche i casi difficili
Un test iniziale dovrebbe includere prodotti nelle condizioni che il team incontra davvero: etichette mancanti, varianti poco frequenti, fotografie di qualità diversa, documenti datati e interventi non registrati.
Il NIST AI Risk Management Framework 1.0 richiama l’importanza di valutare l’accuratezza con test realistici, rappresentativi delle condizioni d’uso previste, documentando il metodo. Questo principio è particolarmente rilevante quando una classificazione influenza il destino di un prodotto o di un materiale.
Conviene distinguere gli errori. Scartare un componente recuperabile può far perdere valore; approvare un componente non idoneo può avere conseguenze sulla qualità e sulla sicurezza. Il processo deve prevedere quando chiedere una verifica umana e quando sospendere la valutazione per mancanza di informazioni.
Un esempio: la distinta materiali descrive ancora la seduta?
Immaginiamo che la distinta originale indichi un rivestimento in poliestere, mentre una nota di manutenzione riporti una sostituzione successiva senza specificare il nuovo tessuto. Un assistente AI potrebbe estrarre entrambe le informazioni e segnalare il conflitto, collegando ogni campo al documento di origine.
La scheda dovrebbe riportare «composizione attuale da verificare». Il responsabile può cercare l’ordine del ricambio o richiedere una verifica adeguata al trattamento previsto. Dopo il controllo, registra il materiale effettivo e aggiorna la scheda. Se il dato resta incerto, la destinazione che richiede una composizione nota rimane sospesa.
Qui il contributo dell’AI è circoscritto e verificabile: trovare informazioni, individuare incoerenze e ridurre il lavoro di ricostruzione. La conferma tecnica resta un passaggio distinto. Lo stesso schema si può applicare a un componente sostituito, a un trattamento superficiale o a una versione di prodotto diversa da quella registrata.
Una scheda minima per il primo test
Per una famiglia di prodotti si può iniziare con una scheda che contenga:
- identificativo e versione del prodotto;
- fonte e data delle informazioni sui materiali;
- condizioni osservate e metodo di controllo;
- informazioni mancanti o incerte;
- percorso proposto e verifiche necessarie;
- responsabile dell’approvazione;
- intervento effettuato, costo ed esito.
Il numero di oggetti da esaminare dipende dalla variabilità del flusso e dal rischio degli errori. Il campione deve consentire un confronto credibile tra il lavoro attuale e quello supportato dall’AI. Registrare soltanto i casi riusciti darebbe una rappresentazione distorta del risultato.
Vanno inoltre definiti gli accessi alle informazioni, le condizioni d’uso dei servizi scelti e le responsabilità di aggiornamento. Documenti tecnici e fotografie possono contenere informazioni riservate: l’impiego di uno strumento va valutato anche su questo piano.
Misurare il risultato lungo il processo
Tra gli indicatori utili possono esserci il tempo necessario per ricostruire una scheda, le correzioni richieste, la quota di casi sospesi e il costo della verifica. A questi vanno affiancati gli esiti circolari pertinenti: prodotti effettivamente rimessi in uso, componenti recuperati e accettati, materiali destinati a uno sbocco verificato.
Un beneficio ambientale richiede una valutazione coerente con il caso: trasporti, trattamenti, durata dell’uso successivo e alternativa sostituita possono influenzare il risultato. La quantità identificata da un modello, da sola, non dimostra una riduzione dell’impatto.
Al termine del test, il team dovrebbe poter rispondere a tre domande: le informazioni sono più affidabili? Il lavoro complessivo, incluse le verifiche, è sostenibile? Le schede hanno consentito interventi circolari effettivamente realizzati?
Se il collo di bottiglia resta la mancanza di ricambi o di uno sbocco, occorre intervenire su quel punto prima di estendere lo strumento. Se invece la ricostruzione dei dati assorbe gran parte del lavoro e l’AI la migliora in modo verificabile, esiste una base più solida per ampliare il progetto.
Approfondire e applicare il metodo
L’AI & Circular Economy Lab per Manager, sviluppato con Federmanager Academy, è un’occasione per approfondire il collegamento tra applicazioni AI e opportunità circolari.
Per lavorare su una sfida aziendale specifica, Tondo Lab può essere il punto di partenza per discutere il processo, le informazioni disponibili e un possibile percorso di sperimentazione. Arrivare con una famiglia di prodotti, qualche documento e una domanda operativa concreta permette di impostare un confronto più utile.
