Il sistema economico ed energetico europeo ed italiano si trova di fronte a una duplice sfida: da un lato sfruttare il potenziale dell’Intelligenza Artificiale (Artificial Intelligence, AI) per migliorare efficienza, competitività e sostenibilità; dall’altro gestire l’impatto energetico crescente delle infrastrutture digitali che ne rendono possibile lo sviluppo. Il Rapporto “Digitalization & Decarbonization”, prodotto dal Politecnico di Milano, analizza, tra le altre cose, il livello di adozione dell’intelligenza artificiale nelle imprese italiane, con un focus sul settore energetico e manifatturiero. Le evidenze raccolte mostrano un mercato già attivo, in cui molte aziende hanno implementato numerose applicazioni AI, soprattutto per la previsione di consumi e prezzi, l’ottimizzazione degli asset e la manutenzione predittiva e con risultati perlopiù positivi. Tuttavia, gli investimenti restano ancora limitati rispetto al potenziale, frenati soprattutto dalle incertezze sul ritorno economico. Allo stesso tempo, emerge una forte aspettativa di crescita nel prossimo futuro, in particolare legata allo sviluppo dell’AI generativa, percepita come una tecnologia in grado di trasformare profondamente modelli operativi e di business.

AI Continent Action Plan

Da un punto di vista normativo, l’Unione europea è impegnata e determinata a diventare un leader mondiale nell’intelligenza artificiale, un continente leader nell’AI. Con l’AI Continent Action Plan si vuole concretizzare tale intento a livello europeo. Il piano si sviluppa attorno a cinque pilastri principali. Il primo si concentra sul potenziamento dell’infrastruttura computazionale europea, creando centri avanzati per sostenere lo sviluppo di modelli di AI all’avanguardia. Il secondo pilastro si occupa di garantire l’accesso a dati di alta qualità, essenziali per alimentare l’innovazione nell’intelligenza artificiale. Il terzo pilastro promuove l’adozione dell’AI in settori strategici come la sanità, l’industria e i servizi pubblici. Il quarto mira a rafforzare le competenze e attrarre talenti, formando una forza lavoro qualificata. Infine, il quinto pilastro si concentra sulla semplificazione della compliance normativa, creando un ambiente regolato che favorisca l’innovazione in sicurezza.

Caso di studio del settore alimentare

Il Rapporto cita un interessante caso di studio proprio riferito al settore alimentare (salumi), in un contesto altamente energivoro, caratterizzato da processi intensivi sia in termini di consumo elettrico sia di gas, dovuti alle fasi di cottura e ai lunghi cicli di raffreddamento e stoccaggio. In un’ottica di sostenibilità e miglioramento continuo, l’azienda ha intrapreso un articolato percorso di digitalizzazione finalizzato all’efficienza energetica e alla modernizzazione del sistema di asset management. Il percorso ha preso avvio con l’ottenimento della certificazione ISO 50001, che ha introdotto un approccio strutturato alla misurazione e al controllo dei consumi. Attraverso un assesment preliminare dei processi, la mappatura delle fasi più energivore e l’installazione di sensoristica dedicata, sono stati digitalizzati i dati di consumo di energia elettrica e gas, integrandoli in una piattaforma di energy management dotata di dashboard avanzate.

La raccolta continuativa dei dati, monitorati e ritarati nei primi sei mesi, ha reso possibile l’analisi puntuale dei flussi energetici e l’identificazione di inefficienze, supportando sia interventi correttivi mirati (ad esempio la riduzione delle perdite nei circuiti di aria compressa e nella centrale termica) sia valutazioni strategiche sulle fonti di approvvigionamento, sulla fattibilità di tecnologie alternative (geotermia, upgrade della cogenerazione) e sulla pianificazione degli investimenti.  Parallelamente, la digitalizzazione dei dati relativi allo stato di salute degli impianti ha permesso di sviluppare un sistema integrato di asset management, che correla le condizioni operative degli asset con i loro consumi energetici. Questa integrazione ha abilitato un approccio predittivo alla manutenzione, supportando interventi tempestivi (come la riduzione delle perdite di aria compressa o vapore) e consentendo di valutare l’impatto energetico delle attività manutentive. La costruzione di uno storico dati affidabile ha inoltre evidenziato la necessità di interventi strutturali di modernizzazione, soprattutto su asset obsoleti, guidando la definizione di una roadmap pluriennale che combina digitalizzazione, revamping tecnologico e introduzione progressiva di soluzioni basate su AI. Il progetto ha generato benefici operativi e strategici misurabili: tra gli impatti più rilevanti, una riduzione del 20% dei consumi dei circuiti ad aria compressa e un miglioramento del 7% dei consumi di gas tramite interventi sulla centrale termica. A livello decisionale, la maggiore consapevolezza sui consumi e sulla performance degli asset ha consentito una valutazione più oggettiva degli investimenti energetici e delle opzioni tecnologiche, favorendo un approccio strutturato alla transizione energetica. Il percorso, supportato da una governance dedicata, con l’introduzione della figura dell’Energy Specialist e un forte coinvolgimento delle funzioni interne, ha richiesto 18 mesi e costituisce oggi un modello replicabile di digitalizzazione integrata, capace di combinare efficienza, sostenibilità e innovazione dei processi produttivi.

Sensori e componentistica

Un altro caso significativo riguarda una startup italiana che nasce con una forte verticalizzazione sull’hardware: progetta e realizza internamente sensori e componentistica elettronica specializzata, che consente di raccogliere dati granulari (ovvero al livello più dettagliato e non elaborato di informazioni disponibili) affidabili e in tempo reale su variabili ambientali, carichi elettrici e condizioni operative dei macchinari. Sulla base dei dati raccolti dai sensori, sono stati creati algoritmi di machine learning per l’ottimizzazione della gestione energetica degli edifici e per la manutenzione predittiva di macchinari industriali.

Per quanto riguarda la gestione energetica degli edifici, i sensori e attuatori installati permettono di mappare dati dettagliati sulle condizioni ambientali (temperatura, umidità, …). Attraverso algoritmi di machine learning, vengono controllati direttamente i circuiti elettrici, attivando o disattivando macchinari in base a logiche di efficienza energetica e condizioni ambientali. Gli algoritmi si basano su modelli ad albero decisionali, efficaci nell’interpretare relazioni tra variabili di contesto e consumi. Inoltre, è stato sviluppato un modello di regressione lineare capace di stimare il consumo “di riferimento”, cioè quello che si sarebbe verificato in assenza degli interventi automatizzati. Questo approccio permette una riduzione dei consumi energetici del 15-20%, dimostrando attivamente in che modo l’AI può aiutare a raggiungere una maggiore efficienza energetica.

Accanto alla gestione energetica, l’applicazione di sensori e l’utilizzo di AI ha permesso di sviluppare algoritmi di manutenzione predittiva, destinati soprattutto al settore industriale. Sensori di vibrazione e dispositivi che monitorano parametri elettrici e meccanici analizzano in modo continuo lo stato di salute dei macchinari, identificando pattern anomali che possono anticipare guasti o malfunzionamenti. Il software impiegato si basa in realtà su due modelli di intelligenza artificiale che operano in modo sincrono: da un lato reti che consentono di distinguere automaticamente tra condizioni di funzionamento normali (ad esempio motore acceso o spento) e stati intermedi potenzialmente sospetti; dall’altro un modello utilizzato per misurare la deriva del sistema nel tempo. Quest’ultimo confronta il comportamento corrente del macchinario con il suo stato iniziale di funzionamento corretto, analizzando serie temporali di dati per valutare come le prestazioni evolvano nel ciclo di vita dell’asset. Quando i dati si discostano dalle configurazioni attese o mostrano una deriva significativa, il sistema segnala un’anomalia, consentendo interventi manutentivi mirati e una maggiore consapevolezza sullo stato di salute e sulla vita utile dei macchinari.

Complessivamente, questi due casi rappresentano un esempio concreto di come l’integrazione di sensori fisici, tecnologie IoT, algoritmi di AI e automazione possa aiutare a ridurre i consumi e rendere diverse industrie più efficienti, sostenibili e intelligenti.