Indice degli argomenti
Nel precedente articolo avevo descritto la physical AI come il passaggio dall’intelligenza artificiale che interpreta il mondo all’intelligenza artificiale che interagisce con il mondo fisico. Per e-Novia questo si traduce nell’integrazione di percezione sensoriale avanzata, modelli di ragionamento automi e controllo in tempo reale, affinché i sistemi si adattino e reagiscono al contesto in cui sono inseriti.
Cos’è l’AIoT
L’AIoT nasce, invece, dall’integrazione tra internet of things e intelligenza artificiale, ma non deve essere ridotta alla formula “sensori più algoritmo”. IoT si esemplifica con flotte di sensori che inviano i loro dati a una piattaforma cloud. Questo è sicuramente utile, ma non è ancora intelligenza.
Il passaggio successivo è introdurre algoritmi che elaborano questi dati in cloud per estrarne nuove informazioni: rilevando anomalie, cercando correlazioni e prevedendo comportamenti il cloud non è solo un bacino di raccolta di dati, ma è lo spazio dove trovano applicazione svariate tipologie di algoritmi IA, dai più semplici ai più evoluti, fino ad arrivare ad algoritmi di gen AI.
È qui che l’IoT cambia funzione. Da infrastruttura di raccolta dati diventa una base per l’inferenza, cioè per dedurre uno stato o stimare un evento futuro. Non sempre questo porta a un’azione automatica. A volte produce un alert, una raccomandazione, una priorità di manutenzione. In ogni caso il dato smette di essere solo telemetria, cioè misura remota di un fenomeno fisico, e diventa input per una decisione.
E cosa succede se la piattaforma restituisce le informazioni estratte ai sensori stessi per permettere loro non solo di avere percezione del contesto in cui sono inseriti, ma di reagire sulla base di informazioni derivate da dati relativi all’intera flotta? Ecco che arriviamo all’unione tra physical AI e AIoT: dispositivi intelligenti che reagiscono e permettono ad altri dispositivi della flotta di adattare il proprio comportamento e prendere decisioni migliori sulla base delle informazioni condivise.
Immaginate dei macchinari che raccolgono dati, li elaborano tenendo conto del loro contesto e quindi inviano questi dati a una piattaforma cloud. La piattaforma, a sua volta, li elabora attraverso algoritmi AI e restituisce informazioni a tutta la flotta. Tutto ciò permette, ad esempio, ad un macchinario di anticipare un guasto in una condizione che, individualmente, non aveva mai affrontato.
Se la physical AI da intelligenza al singolo dispositivo, la physical AI unita all’AIoT permette la condivisione di esperienza tra dispositivi intelligenti andandone ad arricchire il bagaglio di competenza del singolo.
IoT nel 2026, dalla connettività all’inferenza distribuita
La prima stagione dell’IoT è stata guidata dalla connettività. Il problema era portare online oggetti che prima non comunicavano. Macchine industriali, prodotti consumer, veicoli e impianti sono diventati sorgenti di dati.
Nel 2026 la sfida è diversa. Molte aziende hanno già sensori, piattaforme e dati. La domanda è come usare quei dati in modo utile e per generare valore.
Qui entra in gioco l’inferenza distribuita. Con questo termine si indica la capacità di eseguire modelli di IA non solo nel cloud, ma anche vicino al punto in cui il dato viene generato. Può avvenire su gateway industriali, microcontrollori evoluti, dispositivi edge o sistemi embedded, cioè sistemi elettronici integrati direttamente nel prodotto o nella macchina ed è qui che la physical AI si unisce all’AIoT.
Il cloud resta essenziale per addestrare modelli, aggregare informazioni e gestire flotte di dispositivi. Non tutte le decisioni però possono aspettare il cloud. In ambito industriale alcune analisi devono avvenire localmente per ragioni di latenza, continuità operativa o sicurezza.
Questa è una delle differenze più importanti tra IA applicata a dati digitali e IA applicata a sistemi fisici. Nel primo caso il tempo di risposta può essere di secondi. Nel secondo deve essere compatibile con il processo.
Dalla piattaforma IoT all’architettura AI-ready
In e-Novia abbiamo iniziato a lavorare su questi temi anni fa, molto prima che il termine AIoT diventasse diffuso. All’epoca si parlava soprattutto di IoT, piattaforme cloud e device management, cioè gestione remota dei dispositivi connessi.
Il problema era già molto concreto. Una piattaforma IoT non doveva limitarsi a raccogliere dati dai dispositivi, ma predisporre un’infrastruttura utile all’evoluzione successiva. Già allora era chiaro che il valore non sarebbe stato nella sola connessione dell’oggetto. Il punto era usare quei dati per abilitare automazione, diagnostica e nuovi servizi.
Pensiamo a un’applicazione industriale di manutenzione predittiva su macchine distribuite in più stabilimenti. In questo ambito esistono molte piattaforme IoT, diverse per architettura, funzioni e livello di specializzazione. Think.Link, la piattaforma che il mio team ha sviluppato, è un esempio utile per spiegare il ruolo di questo strato tecnologico. Serve a raccogliere dati da dispositivi e sensori, gestire l’identità degli oggetti connessi, normalizzare i flussi informativi e integrare quei dati con applicazioni esterne tramite API.
In uno scenario di questo tipo, la piattaforma non è il valore finale. È lo strato che rende possibile il passaggio successivo. Se i dati arrivano senza criterio, in formati diversi, con campionamenti errati, anche il modello di AI più evoluto non produrrà quanto atteso. Se invece l’architettura è pensata correttamente, l’AI può essere inserita nel processo con più affidabilità.
Dal punto di vista tecnico, una piattaforma IoT deve quindi gestire sicurezza delle comunicazioni, aggiornamenti software, qualità del dato, integrazione con i sistemi esistenti e, soprattutto, essere predisposta a permettere l’esecuzione di qualsiasi tipo di algoritmo IA. Senza questi elementi, l’IA non potrà scaricare a terra tutta la sua potenza. Può essere anche molto sofisticata ma lavora su dati fragili, incompleti o semplicemente non trova un’architettura che ne permette una esecuzione corretta.
Negli ultimi dieci anni in e-Novia, guidando decine di progetti IoT, ho visto ripetersi spesso lo stesso schema per cui raramente il costraint principale è stato il modello di AI. Molto più spesso il problema da risolvere è a monte, nella qualità del dato, nella compatibilità con i sistemi esistenti o nella difficoltà di portare un prototipo dentro un processo reale.
Dati, interoperabilità e sistemi legacy
Nei contesti industriali l’AIoT mostra subito la sua natura architetturale. La sfida non è solo acquisire un segnale dal mondo fisico, ma inserirlo in una catena dati compatibile con sistemi di automazione, piattaforme gestionali e processi che spesso esistono da anni.
Una fabbrica non è un ambiente astratto. È composta di macchine installate in momenti diversi, PLC, sistemi SCADA, MES, ERP, database locali, procedure operative e conoscenza tacita degli operatori. Il PLC, Programmable Logic Controller, è il controllore che governa molte automazioni industriali. SCADA indica i sistemi di supervisione e controllo. MES ed ERP gestiscono rispettivamente produzione e processi aziendali.
Questi sistemi raramente sono nati per dialogare in modo fluido con modelli di IA. L’interoperabilità diventa quindi un requisito progettuale, non una fase accessoria.
Integrare AIoT significa costruire una pipeline dati robusta. Il dato va acquisito, pulito, contestualizzato, filtrato, archiviato e reso disponibile agli algoritmi o agli operatori. Ogni passaggio può introdurre errori. Un modello predittivo addestrato su dati non rappresentativi produrrà indicazioni poco affidabili anche se l’algoritmo è corretto: gli algoritimi IA sono quasi sempre sistemi garbage-in garbage-out.
Per questo l’AIoT non può essere trattata come un layer applicativo da aggiungere a fine progetto. Nei progetti che seguo in e-Novia lo vediamo spesso. Se dati, software, hardware e vincoli operativi non vengono pensati insieme fin dall’inizio, anche il modello di AI migliore non è in grado di creare valore.
AIoT nei prodotti e nei processi industriali
Nei nostri progetti di innovazione sia all’interno del venture studio sia insieme ad altre aziende, abbiamo sempre riscontrato che il maggiore valore nasce quando il dato fisico viene collegato a un bisogno operativo preciso. Il punto non è solo misurare. È rendere quella misura utilizzabile per manutenzione predittiva, alert e nuovi servizi.
Uno dei progetti divulgabili a cui abbiamo lavorato e con un caso coerente ad una logica AIoT è Enyring, venture di Yamaha legata alla mobilità urbana elettrica e alla gestione di flotte di batterie per servizi di battery swapping. In questo contesto la sfida non era semplicemente raccogliere dati da batterie e veicoli. Era costruire un sistema cloud-to-vehicle capace di monitorare disponibilità, stato operativo e cicli di utilizzo.
Questo ragionamento vale anche per applicazioni meno visibili ma molto frequenti nell’industria. Controllo qualità con computer vision, monitoraggio energetico, diagnostica su macchine distribuite, ottimizzazione della manutenzione. L’AIoT non è una categoria unica di prodotto. È un modo di progettare sistemi connessi che devono generare intelligenza operativa.
Cosa cambia per startup e imprese
Per una startup, l’AIoT è un campo promettente ma molto più complesso del software puro. Non basta avere un buon algoritmo. Servono competenze di elettronica, firmware, cloud, AI engineering e integrazione industriale. Il prototipo deve funzionare in un ambiente reale, con rumore nei dati, vincoli fisici e connettività non sempre perfetta.
Per un’impresa, invece, l’AIoT è un modo concreto per evolvere prodotti e processi già esistenti. Spesso si parte da una domanda semplice, come posso ridurre un fermo macchina? Come posso capire meglio l’uso reale di un prodotto? Come posso trasformare un asset in un servizio?
La risposta non è mai solo tecnologica. È architetturale. Serve capire quali dati sono disponibili, quali mancano, dove conviene elaborarli, quali sistemi devono essere integrati e quale decisione vogliamo migliorare.
In questo senso l’AIoT non sostituisce il concetto di physical AI, ma lo rende più concreto in molti casi industriali. La physical AI descrive la direzione con sistemi capaci di percepire e interagire con il mondo fisico. L’AIoT descrive uno degli strati che rendono possibile questa direzione, quello in cui oggetti connessi, sensori e algoritmi iniziano a produrre intelligenza utile per prodotti e processi.
È una transizione che negli ultimi anni in e-Novia abbiamo visto emergere in molteplici progetti, anche prima che il mercato le desse un nome. Oggi quel nome esiste. La sfida resta progettare sistemi che non si limitino a raccogliere dati, ma li rendano affidabili, interoperabili e utilizzabili per decidere meglio.
References
- World Economic Forum, Technology Convergence: The New Logic for Competitive Advantage
- AIoT: Artificial Intelligence of Things
- Commissione europea, quadro normativo sull’AI Act
- Osservatori Digital Innovation del Politecnico di Milano, AI Act: cos’è il Regolamento europeo sull’Intelligenza Artificiale
- L’Ecosistema Digitale per le Batterie in Abbonamento di Enyring
Nota per il lettore: l’autore è co-fondatore e CTO di e-Novia.
© RIPRODUZIONE RISERVATA
