AI in produzione: dal - Lo So A Memoria - al - Lo So Dal Dato -

In quasi ogni PMI manifatturiera italiana c'è "quella persona". Quella che sa tutto a memoria. Conosce i tempi di lavorazione di ogni codice. Sa quali fornitori ritardano in estate. Ricorda perché un certo materiale è stato ordinato sei mesi fa e da chi era stato richiesto. È il punto di riferimento di tutti, la memoria operativa dell'azienda. Una colonna portante che, per anni, ti dà la sensazione di avere tutto sotto controllo.

Poi un giorno ti accorgi di una cosa scomoda: quella persona, in un certo senso, sta guidando l'azienda. Non perché lo voglia, e nemmeno perché tu glielo abbia chiesto: semplicemente, ha così tante informazioni in testa che, di fatto, è lei che decide. Su quali codici tenere a magazzino. Su quanto tempo serve per una certa lavorazione. Su quali clienti meritano priorità. E tu — imprenditore, direttore — finisci a ratificare scelte già fatte, perché contestarle significherebbe rimettere in discussione cose che solo lei conosce davvero.

Questo articolo nasce da quella scomoda consapevolezza, che è anche, in larga parte, la ragione per cui MAITIME è nato. Non per sostituire le persone in produzione — al contrario: per dare a chi guida l'azienda gli strumenti per guidare davvero, con il dato visibile a tutti invece che chiuso in qualche testa.

La conoscenza tacita: la ricchezza nascosta delle PMI manifatturiere

Il filosofo Michael Polanyi, a metà del Novecento, ha coniato un'espressione che descrive perfettamente quello di cui sto parlando: "conoscenza tacita". È quel sapere che le persone esperte possiedono ma non sanno descrivere completamente — sta nelle loro mani, nei loro occhi allenati, nel loro istinto. "Sappiamo più di quanto siamo capaci di dire", scriveva Polanyi. E nelle PMI manifatturiere italiane questa frase non è teoria: è la descrizione esatta di come, in pratica, funziona la produzione.

Questa conoscenza tacita è una ricchezza enorme, e non a caso è uno degli ingredienti che rendono il manufacturing italiano competitivo nel mondo. Ma è anche, vista da imprenditore, un'arma a doppio taglio. Tre limiti strutturali la rendono problematica:

L'AI in produzione, ben fatta, non sostituisce la conoscenza tacita — non potrebbe nemmeno se volesse: vent'anni di esperienza non si codificano in un algoritmo. Quello che fa è qualcosa di più sottile e più utile: la rende visibile. La mette in chiaro. La trasforma da patrimonio individuale a patrimonio aziendale. Vediamo come, attraverso tre casi che ogni imprenditore manifatturiero riconoscerà.

Caso #1 — Il magazzino "ricordato" vs il magazzino vero

Comincio da quello che mi ha più sorpreso quando abbiamo cominciato a usare MAITIME in Giardini. Abbiamo poco più di mille codici a magazzino — non un numero gigantesco, ma sufficiente perché nessuno possa avere il quadro completo a memoria. Il magazzino veniva gestito come si gestisce in tutte le PMI: ognuno "sapeva" qualcosa. Il capo-magazzino aveva un'idea di cosa girasse, il commerciale ricordava quali codici avesse promesso a quali clienti, l'amministrazione conosceva il valore complessivo dello stock. Pezzi di informazione sparsi, mai unificati.

Quando MAITIME ha cominciato a leggere quei dati, è venuta fuori una verità scomoda: circa il 12% dei nostri codici era fermo da molto tempo. Alcuni da anni. Codici che "pensavamo" girassero regolarmente — e qui sta il punto — in realtà non li toccavamo da oltre dodici mesi. Articoli che avevamo in mente come "strategici" perché un certo cliente, qualche anno prima, li aveva richiesti. Materiali ordinati per progetti che poi si erano evoluti diversamente. Pigmenti acquistati in scorta per cogliere un buon prezzo, e poi finiti fuori scadenza prima di essere usati.

È esattamente il caso che Polanyi descriveva, applicato a uno stock di prodotti: ognuno "sapeva" una parte, ma insieme nessuno conosceva. L'AI ha messo per iscritto quello che fino a quel momento era distribuito a memoria tra più persone. Ha quantificato. Ha distinto: dead stock (codici fermi da oltre un anno), slow stock (rotazione molto lenta), stock attivo, stock strategico verificato. Per la prima volta avevamo davanti il magazzino vero, non quello ricordato. E avevamo anche, finalmente, la base per decisioni operative: cosa liquidare, cosa ridurre, cosa mantenere, cosa eliminare proprio.

Per chi lavora con materie prime con scadenza — come noi, che gestiamo solventi, pigmenti, prodotti chimici — c'è un livello in più. L'AI tiene traccia delle date, ti segnala quello che sta per scadere, ti aiuta a pianificare l'utilizzo prima del deterioramento. Cose che teoricamente potresti fare anche tu, manualmente, con uno sforzo enorme. Praticamente non le fa quasi nessuno in PMI, e si finisce — come è capitato a noi — a buttare valore vero.

Caso #2 — I tempi di produzione: dal preventivo "stimato" al tempo reale

Questo è un tema sotto-trattato e ad altissimo impatto economico. In quasi tutte le PMI che fanno produzione, i tempi di lavorazione vengono trattati come informazione "che si ha in testa". Quando arriva la richiesta di un preventivo, il commerciale chiama il responsabile produzione, che dice "questo prodotto lo facciamo in tot ore". E lì finisce. Il preventivo viene formulato su quella stima, l'ordine viene accettato, e nessuno tornerà mai a verificare se quel tempo era davvero quello reale.

In Giardini abbiamo fatto produzione per anni così: senza un MES, senza un sistema strutturato di rilevazione tempi. C'era "un'idea chiara" di quanto durasse ciascuna lavorazione, e quell'idea era ragionevole — derivava da anni di esperienza, era stata raffinata mille volte. Però era pur sempre un'idea, non un dato verificato sistematicamente. E nel mondo dei tempi produttivi, la differenza tra "idea ragionevole" e "dato verificato" è dove vivono i margini.

Quando MAITIME ha cominciato a raccogliere i tempi reali — partendo da quello che il gestionale registra, dai calendari di produzione, dalla sequenza delle lavorazioni — sono emerse cose interessanti. Lavorazioni che ritenevamo "veloci" e che richiedevano sistematicamente più ore di quelle preventivate. Lavorazioni viceversa più rapide del previsto, che avremmo potuto preventivare con margini più aggressivi. Pattern di lavoro che variavano per stagione, per cliente, per dimensione del lotto — variabilità che a memoria nessuno poteva governare, e che diventavano improvvisamente visibili nei dati.

Il risultato pratico è doppio. Da un lato, preventivi più accurati: i tempi che proponiamo ai clienti sono basati sul tempo reale, non su una stima ottimistica. Dall'altro, la consapevolezza di quali ordini stessero davvero erodendo la marginalità — perché alcune lavorazioni, fatte ai prezzi storici ma con i tempi reali, non erano più redditizie come sembravano. Scoperta scomoda, ma utile: meglio saperlo e correggere, che continuare a perdere senza rendersene conto.

Caso #3 — Le anomalie che l'AI vede prima delle persone

Questo è il caso più interessante in prospettiva, anche se è quello su cui siamo ancora all'inizio. In produzione, ci sono micro-segnali che precedono i problemi: una resa leggermente più bassa del normale per un certo prodotto, uno scarto fuori pattern, un consumo di materia prima superiore al previsto per quel codice. Sono tutte deviazioni piccole, che un capo-reparto esperto a volte "sente" prima ancora di poterle quantificare. Ma molto più spesso passano inosservate, semplicemente perché nessuno guarda quel dato in continuo.

L'AI guarda quel dato sempre. Costruisce — in modo progressivo, settimana dopo settimana — il pattern normale di ciascuna lavorazione. Sa qual è la resa abituale, il consumo standard, lo scarto fisiologico. E quando uno di questi indicatori comincia a deviare in modo sistematico, lo segnala. Non aspetta che il problema diventi visibile a occhio nudo, non aspetta che qualcuno se ne accorga "per caso". L'allarme arriva nella fase in cui c'è ancora tempo di intervenire — capire cosa sta succedendo, parlarne con chi lavora su quella linea, eventualmente fare un controllo prima che il danno cresca.

È la trasposizione esatta, in chiave produttiva, di quello che il capo-reparto migliore fa quando c'è: cogliere il segnale debole prima che diventi forte. Solo che lo fa per qualunque linea, qualunque codice, qualunque turno — anche di notte, anche in ferie, anche quando le persone esperte non sono presenti. Non sostituisce l'intuizione del capo-reparto: la rende continua.

Il vero punto: non sostituire le persone, ridare il controllo a chi guida

Adesso posso tornare al punto da cui sono partito. Quando dicevo che MAITIME è nato anche per questo motivo, intendevo proprio questo. Il problema, in una PMI, raramente è che le persone in produzione non sanno cosa fanno. Quasi sempre sanno benissimo. Il problema è che il loro sapere resta confinato in una testa, e questo significa, di fatto, che l'azienda non è guidata da chi dovrebbe guidarla — è guidata da chi ha più informazioni in memoria.

Non è un problema di lealtà o di volontà delle persone. È un problema strutturale: quando i dati non sono visibili a tutti, chi li tiene in testa diventa inevitabilmente il decisore. E quando uno solo decide, anche con le migliori intenzioni, può sbagliare senza che nessuno possa fermarlo o correggerlo. Per un imprenditore, è una situazione frustrante: vorresti dare direzione strategica, e ti accorgi che le tue indicazioni vengono filtrate, reinterpretate, talvolta semplicemente ignorate — non per cattiveria, ma perché chi opera ha già "le sue idee" su come farlo, e quelle idee sono inattaccabili perché basate su un sapere che tu non possiedi.

Da quando MAITIME è entrato in produzione, una cosa è cambiata sopra ogni altra. Ho del tempo che prima non avevo. Non il tempo di "lavorare di meno" — ce ne fosse — ma il tempo per pensare a nuove strategie, esplorare nuove opportunità, vedere prospettive che prima erano coperte dall'operatività quotidiana. È il vero ritorno sull'investimento, quello che non si vede nei numeri di un primo report ma che cambia la traiettoria dell'azienda nel medio periodo.