AI ed economia circolare: tre casi per capire dove si crea valore

Un tessuto di cui non conosciamo la composizione. Un monitor da smontare diverso da quello precedente. Uno scarto industriale di cui perdiamo visibilità dopo il conferimento.

Sono problemi diversi, ma hanno qualcosa in comune: per recuperare valore dai materiali bisogna sapere che cosa abbiamo davanti e che cosa possiamo farne. Quando questa informazione manca, arriva tardi o costa troppo raccoglierla, anche una soluzione tecnicamente possibile può diventare difficile da realizzare.

È qui che il rapporto tra intelligenza artificiale ed economia circolare diventa concreto. Non perché un algoritmo renda automaticamente sostenibile un processo, ma perché può aiutare a riconoscere materiali, ricostruire flussi e guidare operazioni.

Tre esempi mostrano applicazioni differenti e suggeriscono una domanda utile per le imprese: quale decisione potremmo prendere meglio, se avessimo informazioni più affidabili?

A2A Materia: seguire il percorso degli scarti industriali

Nel maggio 2026 A2A ha presentato Materia, una piattaforma per la tracciabilità dei rifiuti industriali sviluppata con Amazon Web Services e il contributo del Senseable City Lab del MIT. Al momento dell’annuncio risultava operativa in via sperimentale in nove impianti di A2A Ambiente.

Secondo A2A, la piattaforma utilizza machine learning e visione artificiale per classificare i rifiuti in ingresso e ricostruirne il percorso di trattamento e valorizzazione. L’obiettivo è rendere disponibili informazioni su composizione, quantità, qualità e destinazione dei materiali. Fonte: presentazione di Materia, A2A.

La prospettiva interessante è andare oltre la registrazione del conferimento: collegare ciò che entra in un impianto a ciò che accade dopo. Per un’impresa, questo potrebbe aiutare a individuare dove migliorare la gestione dei propri scarti.

Il punto da verificare resta la qualità dell’informazione: quali dati sono misurati, quali stimati e come vengono controllati? La sperimentazione documenta un’applicazione concreta, non dimostra da sola un aumento del recupero o un ritorno economico.

Refiberd: riconoscere le fibre prima di scegliere come riciclarle

Nel tessile, conoscere la composizione di un materiale è un passaggio importante per valutarne la destinazione. Refiberd affronta questo problema combinando immagini iperspettrali e machine learning.

Il sistema osserva come il tessuto interagisce con la luce. Un modello elabora questi dati e produce una previsione della composizione. L’azienda descrive una tecnologia destinata a identificare fibre e contaminanti, anche in tessuti misti o stratificati. Fonte: tecnologia Refiberd.

Qui il contributo dell’AI è specifico: interpretare i dati del sensore. Non è il modello a riciclare il tessuto, ma l’informazione prodotta può aiutare a selezionarlo per un processo compatibile.

La distinzione conta anche nella valutazione del progetto. La pagina tecnica descrive il funzionamento della soluzione, ma non offre da sola un bilancio economico verificabile per un impianto cliente. Prima di adottarla, occorrerebbe testarla sui propri flussi: quali miscele riconosce, quali errori commette e a quale costo?

La domanda industriale non è soltanto «quanto è accurato il modello?», ma «la selezione ottenuta soddisfa le specifiche di chi utilizzerà il materiale?».

Hiro Robotics e Iren: aiutare i robot a gestire prodotti diversi

Il terzo caso riguarda lo smontaggio di televisori e monitor a schermo piatto. In un approfondimento pubblicato nel 2022, Iren racconta la collaborazione con Hiro Robotics e una linea che combina persone, robot e intelligenza artificiale.

La difficoltà è la variabilità: i prodotti da trattare non sono tutti uguali e possono essere usurati o danneggiati. La visione artificiale e l’AI aiutano a gestire queste differenze, mentre alcune operazioni richiedono ancora destrezza e adattamento umani. Fonte: Hiro Robotics e Iren.

Questo esempio mette in discussione l’idea che innovare significhi necessariamente eliminare l’intervento delle persone. Il risultato dipende dall’integrazione tra riconoscimento, azione meccanica e competenze degli operatori.

Per valutare una soluzione simile, servirebbe osservare l’intero processo: tempi di trattamento, interventi manuali, materiali effettivamente recuperati, sicurezza e costi di manutenzione. La velocità di una singola operazione non basta a dimostrare la convenienza della linea.

Dall’applicazione tecnologica al progetto d’impresa

I tre esempi non sono equivalenti per maturità e risultati pubblicamente documentati. Mostrano però un collegamento utile: riconoscere meglio un materiale o un prodotto può permettere di decidere meglio come gestirlo.

Per Tondo, è da questo collegamento che dovrebbe partire un progetto AI per l’economia circolare. Non dalla scelta del software, ma da un problema preciso e da un risultato da verificare.

Prima di investire, proponiamo cinque domande:

1. Dove perdiamo valore? Nella selezione, nello smontaggio, nella mancata tracciabilità o nella difficoltà di trovare uno sbocco per il materiale?
2. Quale decisione cambierà? Un’informazione in più è utile se qualcuno può usarla per intervenire sul processo.
3. Abbiamo dati adatti e il diritto di usarli? Servono dati rappresentativi dei flussi reali, non soltanto esempi facili da classificare.
4. Che cosa succede quando il sistema sbaglia? Occorre stabilire controlli, responsabilità e casi da affidare a una persona.
5. Come misureremo il risultato? Il confronto deve includere qualità e quantità recuperate, costi complessivi e destinazione effettiva dei materiali, rispetto alla situazione iniziale.

Un primo test circoscritto può aiutare a rispondere prima di estendere l’investimento. E se una soluzione più semplice raggiunge lo stesso obiettivo, l’AI potrebbe non essere necessaria.

Il recupero è solo una parte dell’economia circolare

Questi casi riguardano soprattutto il trattamento dei materiali a fine utilizzo. Non esauriscono l’economia circolare, che comprende anche progettazione, durata dei prodotti, manutenzione, riparazione e riuso.

La nostra proposta è valutare l’AI anche rispetto a queste possibilità: non soltanto come trattare meglio uno scarto, ma come evitare che un prodotto perda valore troppo presto. Sono opportunità da verificare, non benefici automatici.

Il criterio resta lo stesso: una previsione più precisa o un processo più veloce hanno valore circolare quando contribuiscono a un risultato concreto. E il beneficio ambientale va valutato considerando anche risorse, energia e infrastrutture necessarie alla soluzione.

Per approfondire le decisioni prima del riciclo, leggi anche Riparare, riutilizzare o riciclare? Come scegliere e dove può aiutare l’AI.

Approfondire e passare alla pratica