La Physical AI unisce edge computing, gemelli digitali e integrazione OT/IT per portare l’intelligenza artificiale dentro i processi produttivi. In questo articolo raccontiamo la visione Revelis su come rendere operativa la Physical AI con PlugAIn, e un caso concreto – il progetto Aquila nell’ambito di AI-REGIO – in cui la Physical AI applicata al controllo qualità ha ridotto il tempo di ispezione del 60%.
La Physical AI è l’intelligenza artificiale che agisce dove si produce davvero: sulla linea, sul quadro elettrico, sul macchinario, non solo negli uffici. Per un’azienda manifatturiera significa portare l’AI vicino ai dati di fabbrica (edge), farla dialogare con un gemello digitale del prodotto o del processo, e superare l’attrito tra i sistemi OT e i sistemi IT. Ma vediamolo nel dettaglio.
Cos’è la Physical AI (e perché se ne parla solo ora)
La Physical AI è la nuova frontiera dell’intelligenza artificiale: non più sistemi che rispondono a una domanda scritta in una chat, ma sistemi che percepiscono, interpretano e agiscono nel mondo fisico, tramite telecamere, sensori, PLC e macchinari. Negli ultimi anni si è parlato molto di AI generativa e agentica applicata a testi, documenti e processi di back-office; la Physical AI sposta lo stesso principio – dare all’AI la capacità di agire, non solo di rispondere – dentro lo stabilimento produttivo, dove le decisioni si scontrano con la fisica reale: tolleranze meccaniche, vibrazioni, luce, usura dei componenti.
Per un’azienda manifatturiera, la Physical AI non è un concetto astratto: è la differenza tra un modello che riconosce un difetto in una fotografia caricata a mano e un sistema che riconosce lo stesso difetto in tempo reale, sulla linea, mentre il pezzo passa sotto una telecamera. È proprio questo spostamento, dal dato caricato al dato colto sul campo, il cuore della Physical AI.
Dal cloud al capannone: perché l’AI deve stare vicino alla macchina
Fin qui, gran parte delle applicazioni di intelligenza artificiale aziendale ha vissuto nel cloud: modelli linguistici, dashboard e strumenti di analisi raggiungibili da un browser. La Physical AI cambia le regole del gioco, perché deve rispondere entro i tempi del processo fisico che osserva – millisecondi per un braccio robotico, secondi per un’ispezione visiva – e non può permettersi la latenza di un’andata e ritorno verso un data center remoto.
A questo si aggiungono vincoli molto concreti degli ambienti industriali: la connettività in fabbrica non è sempre affidabile quanto quella di un ufficio, i dati di produzione sono spesso sensibili o soggetti a vincoli contrattuali con i clienti, e il costo di trasmettere in cloud flussi video continui da decine di telecamere è tutt’altro che trascurabile. Per questo la Physical AI, quando si applica alla fabbrica, si appoggia quasi sempre sull’edge computing: l’elaborazione avviene il più vicino possibile alla fonte del dato, mentre il cloud resta a disposizione per l’addestramento dei modelli, l’aggregazione storica e l’analisi di più impianti.
Il gemello digitale: il “linguaggio comune” tra progetto e realtà
Un secondo ingrediente indispensabile della Physical AI è il gemello digitale, o digital twin: la rappresentazione digitale di un prodotto, di un impianto o di un processo, mantenuta aggiornata e confrontabile con lo stato reale. Non si tratta solo di una simulazione statica, ma di un riferimento vivo rispetto al quale la Physical AI può misurare uno scarto: cosa doveva succedere secondo il progetto, e cosa sta succedendo davvero nella macchina, nel quadro elettrico, nell’impianto.
Revelis lavora da tempo su questo fronte: con Ei-TWIN, ad esempio, abbiamo applicato il paradigma del digital twin al settore energetico, integrando dati IoT in tempo reale per l’ottimizzazione dei consumi e dello scambio energetico in un impianto farmaceutico e in una comunità energetica. La Physical AI generalizza proprio questo principio ad altri contesti industriali: ovunque esista un progetto (un CAD, uno schema, una specifica) e una sua realizzazione fisica, il confronto automatico fra i due mondi diventa una fonte di valore.
L’integrazione OT/IT: dove nasce (e si risolve) l’attrito
Portare la Physical AI in fabbrica significa fare i conti con un problema tutt’altro che nuovo per chi si occupa di industria: il divario tra il mondo OT (Operational Technology – PLC, SCADA, sensori, telecamere di linea) e il mondo IT (ERP, data warehouse, applicazioni cloud). Sono due mondi con protocolli, tempi di vita e culture diverse, e storicamente comunicano poco e male.
La Physical AI, per funzionare, deve necessariamente fare da ponte fra questi due livelli: raccogliere ed interpretare dati OT in tempo reale, normalizzarli, e restituirli in una forma che i sistemi IT (e le persone) possano usare per decidere. Lo avevamo già affrontato, con un approccio diverso, in InCoP, dove dati ambientali e biometrici raccolti sul campo (in un panificio, nel caso di Target S.p.A.) venivano elaborati con machine learning e reasoning per ottimizzare l’assegnazione dei turni: anche lì, il valore nasceva dalla capacità di far dialogare il campo con i sistemi gestionali. Nella Physical AI applicata alla qualità e alla produzione, lo stesso principio si applica a telecamere, PLC e CAD.
MHS: uno standard emergente per collegare l’AI all’hardware fisico
Il tema dell’eterogeneità dei protocolli macchina, del resto, è così sentito che il 27 agosto 2026 Anthropic ha aperto un’anteprima di ricerca del Model Hardware Standard (MHS): una specifica pensata per collegare gli agenti AI a strumentazione fisica di laboratorio e di produzione, con l’obiettivo dichiarato di ridurre i tempi di integrazione da settimane o mesi a ore o minuti. Tecnicamente, MHS introduce un livello di driver standardizzato fra sistema operativo e dispositivo, basato su primitive semplici di lettura e scrittura (per esempio “leggi la temperatura”, “imposta la temperatura”), scoperta automatica dei dispositivi e tag in linguaggio naturale che ne documentano capacità e limiti di sicurezza; è pensato per essere indipendente dal modello e accessibile tramite protocolli standard come il Model Context Protocol (MCP), oltre che da riga di comando o via API.
I primi risultati condivisi da Anthropic insieme ai partner di ricerca danno la misura del potenziale: presso QuEra Computing, specializzata in calcolo quantistico, un agente ha ridotto il tempo di ricalibrazione di un laser da 150 a 6 secondi, alzando il tasso di successo dal 58% al 99,3%; alla Carnegie Mellon University, l’integrazione di una serie di diluizioni per tracciare curve dose-risposta è passata da settimane a circa 8 ore, con un’esecuzione tre volte più veloce.
L’anteprima coinvolge anche altri partner, con applicazioni altrettanto concrete: in Genentech un agente ha automatizzato un saggio BCA per l’analisi delle proteasi, ottimizzando in autonomia i parametri di flusso dei liquidi e identificando errori dovuti a bolle d’aria; all’Università di Washington il sistema coordina a distanza la qPCR e il monitoraggio degli strumenti da un’unica dashboard, con controllo in tempo reale delle curve di amplificazione; all’HHMI Janelia Research Campus ha unificato sette diversi programmi proprietari per la microscopia a due fotoni su zebrafish, abilitando l’analisi dei dati mentre vengono acquisiti; presso Tetsuwan Scientific ha gestito un workflow di qPCR per il monitoraggio dell’inquinamento del San Pedro Creek, con una precisione predittiva superiore del 12% rispetto alle specifiche dichiarate dal produttore dello strumento. Sono altrettante conferme che la Physical AI, quando è supportata da uno standard comune per l’hardware, può ridurre drasticamente i tempi di integrazione anche in ambiti molto diversi tra loro, dalla ricerca farmaceutica al monitoraggio ambientale.
Restano però dichiarati con altrettanta chiarezza i limiti: Claude, spiega Anthropic, non ha un’intuizione fisica affidabile – fatica cioè a prevedere collisioni, inerzie o instabilità – motivo per cui le decisioni ad alto rischio richiedono ancora l’approvazione umana, e la roadmap di sicurezza (finecorsa, arresti di emergenza, gestione degli errori) è tuttora in sviluppo prima di un eventuale rilascio open source. È lo stesso principio che guida la Physical AI secondo Revelis: l’AI accelera, ma la supervisione umana resta un livello imprescindibile. Resta un segnale utile di dove sta andando il settore: standard come MHS potrebbero diventare, in prospettiva, un livello di astrazione in più per i gateway OT che Revelis sviluppa quando integra nuovi macchinari in PlugAIn.
PlugAIn: come Revelis rende operativa la Physical AI in fabbrica
Per rendere la Physical AI concretamente utilizzabile dalle aziende manifatturiere, Revelis si affida a PlugAIn, la piattaforma proprietaria che modella i processi produttivi attraverso componenti di BPM (Business Process Management) e Big Data Analytics. L’idea di fondo è raccogliere ed elaborare i dati generati da macchinari, sensori e telecamere di linea, per renderli disponibili a chi deve decidere – un algoritmo o una persona – integrando dove serve l’elaborazione edge, e un motore di confronto fra il progetto (il gemello digitale) e la realtà osservata sul campo.
In pratica, PlugAIn combina tre livelli complementari della Physical AI secondo Revelis:
- computer vision per percepire lo stato fisico dei componenti;
- un motore di ragionamento per confrontare quello stato con il progetto atteso;
- un livello di orchestrazione che decide, in base al risultato, se procedere in automatico o coinvolgere l’operatore umano.
È la stessa impostazione, l’AI propone e la persona decide sulle attività a maggior valore, che guida anche le soluzioni agentiche di Revelis lato IT, qui applicata al mondo fisico della fabbrica.
Un caso concreto: Aquila, la Physical AI per il controllo qualità (progetto AI-REGIO)
Il modo migliore per capire cosa cambia con la Physical AI è raccontare un caso reale. Nell’ambito del progetto europeo AI-REGIO (Horizon 2020, grant agreement N. 952003), Revelis ha sviluppato Aquila, un sistema di Automatic Quality Inspection validato presso Elettrocablaggi, azienda italiana produttrice di quadri elettrici. È un esempio diretto di Physical AI: telecamere che osservano il prodotto reale, un CAD che rappresenta il progetto, e un motore che confronta i due mondi in automatico.
Prima di Aquila, il controllo qualità dei quadri elettrici era un’attività interamente manuale: un operatore confrontava visivamente ogni pannello prodotto con lo schema di progetto, impiegando in media 340 secondi per pannello, con un tasso di errore di circa 1 ogni 250 quadri controllati, numeri tipici di un processo ripetitivo, faticoso e soggetto a distrazione umana. È esattamente il tipo di attività in cui la Physical AI, applicata con criterio, fa la differenza.
La soluzione Aquila unisce due tecniche di intelligenza artificiale complementari, la stessa combinazione che caratterizza la Physical AI industriale di Revelis. Da un lato, una rete neurale di object detection (Mask R-CNN) riconosce nella fotografia del pannello reale i singoli componenti installati e la loro posizione. Dall’altro, il file CAD del progetto viene tradotto in una rappresentazione logica, di fatto il gemello digitale del quadro elettrico. Un motore di ragionamento automatico basato su Answer Set Programming (il motore DLV) confronta le due rappresentazioni a grafo, quella vista dalla telecamera e quella attesa dal progetto, e produce un report di conformità che segnala componenti mancanti, in eccesso o posizionati male.
I risultati misurati durante la sperimentazione confermano il potenziale della Physical AI applicata alla qualità: il modello di riconoscimento ha raggiunto un’area sotto la curva precision-recall di 0,947, un ottimo indicatore di affidabilità; il tempo medio di ispezione si è ridotto del 60%; e l’obiettivo tecnico era di aumentare del 30% la precisione nell’identificazione degli errori rispetto a un approccio di sola computer vision. Il sistema, partito da un TRL 4, ha raggiunto un TRL 6 al termine della sperimentazione, un passo concreto verso l’adozione in produzione.
Perché conta per le PMI manifatturiere
Il caso Aquila mostra bene perché la Physical AI non è un esercizio accademico, ma una leva di competitività per le PMI manifatturiere:
- meno tempo dedicato a un controllo ripetitivo significa più capacità produttiva a parità di personale;
- meno errori significano meno resi, meno contestazioni e meno rilavorazioni;
- un processo digitalizzato lascia una traccia, fatta di dati, immagini ed esiti, che nel tempo diventa essa stessa un patrimonio da cui imparare.
Lo stesso schema, una volta validato su un processo come il controllo qualità dei quadri elettrici, si estende naturalmente ad altri ambiti in cui esiste un confronto fra progetto e realtà: manutenzione predittiva, verifica di assemblaggio, ispezione di saldature o superfici. È qui che la Physical AI, una volta introdotta in un singolo processo, comincia a generare valore su scala.
Non è solo teoria: Revelis applica già la Physical AI al monitoraggio dei macchinari in produzione. In Target, una rete di sensori IoT collegata a PlugAIn osserva ogni fase della lavorazione in un panificio industriale, dal dosaggio degli ingredienti alla cottura, individuando i tempi morti dei macchinari utili alla manutenzione preventiva.
In un altro progetto di manutenzione predittiva seguito da Revelis, sensori installati sui feeder dei telai tessili trasmettono dati via MQTT a una rete neurale ricorrente (GRU) che anticipa le rotture del filo dell’ordito, con un’accuratezza del 70% (AUC 0,67): un preavviso che permette agli operatori di intervenire prima del fermo macchina. Due conferme concrete che la Physical AI, oltre al controllo qualità, si applica altrettanto bene al monitoraggio diretto dei macchinari.
La visione di Revelis, in sintesi
La Physical AI non è la promessa di un’ennesima piattaforma cloud: è la scelta di far incontrare l’intelligenza artificiale con la fisica del processo produttivo, attraverso l’edge computing, il gemello digitale e un’integrazione seria fra OT e IT. Con PlugAIn, Revelis mette a fattor comune l’esperienza maturata su progetti come Aquila (AI-REGIO), Target, Ei-TWIN e InCoP, per rendere la Physical AI un percorso concreto, e misurabile, anche per le aziende manifatturiere di dimensioni medio-piccole. È la nostra interpretazione, applicata questa volta al mondo fisico, del principio che guida Revelis da sempre: making AI actionable.
Mini-glossario per non addetti ai lavori
| Physical AI | Intelligenza artificiale che percepisce e agisce nel mondo fisico (tramite sensori, telecamere, macchine), non solo su testi o dati digitali. |
| Edge AI / Edge computing | Elaborazione dei dati vicino alla fonte (sulla macchina o in fabbrica), invece che in un data center remoto: riduce i tempi di risposta e la dipendenza dalla connettività. |
| Digital twin (gemello digitale) | Rappresentazione digitale di un prodotto, impianto o processo, mantenuta confrontabile con il suo stato fisico reale. |
| OT (Operational Technology) | Le tecnologie che controllano macchinari e processi fisici in fabbrica (PLC, SCADA, sensori di linea). |
| IT (Information Technology) | I sistemi informativi aziendali (ERP, data warehouse, applicazioni cloud) con cui l’OT deve dialogare. |
| Computer vision | Tecniche di intelligenza artificiale che estraggono informazioni da immagini e video. |
| Answer Set Programming (ASP) | Tecnica di intelligenza artificiale simbolica basata su regole logiche, usata per verificare la conformità di uno stato rispetto a delle regole date. |
| TRL (Technology Readiness Level) | Scala da 1 a 9 che misura il livello di maturità di una tecnologia, dalla ricerca di base alla piena adozione industriale. |
| MHS (Model Hardware Standard) | Specifica presentata da Anthropic come anteprima di ricerca (27 agosto 2026) per collegare agenti AI a strumentazione fisica di laboratorio e produzione tramite un driver standardizzato, accessibile anche via Model Context Protocol (MCP). |
| MCP (Model Context Protocol) | Protocollo aperto, sempre di Anthropic, che permette a un agente AI di collegarsi in modo standardizzato a strumenti e fonti dati esterne; MHS ne estende il principio al controllo di dispositivi fisici. |
Vuoi valutare la Physical AI nella tua azienda?
Revelis affianca le imprese manifatturiere nell’introduzione della Physical AI in fabbrica, dall’edge computing al gemello digitale, fino all’integrazione OT/IT. Scopri di più su www.revelis.eu · Scrivici a info@revelis.eu
Autori: Massimiliano Ruffolo e Achille Abritta
