L’AI del Sole, un’autostrada per l’industria del XXI secolo

Primavera 2026. Sulla Highway 101, tra San Francisco e San Jose, molti cartelloni pubblicizzano aziende e soluzioni di intelligenza artificiale, con immagini e messaggi per addetti ai lavori: “Own your inference; Agents. At your command”. Da un lato, il mercato dell’infrastruttura su cui i modelli di AI lavorano; dall’altro, il mercato degli agenti software che ridisegnano il lavoro e i processi nelle imprese. In aprile, l’edizione 2026 della grande fiera Hannover Messe si concentra su Industrial AI, con Siemens, SAP e Bosch in prima fila. L’AI entra in fabbrica, nei macchinari e nei sistemi, e viene presentata come fattore di sopravvivenza competitiva per la manifattura tedesca.

Nelle stesse settimane, in Italia, l’intelligenza artificiale viene rappresentata come un oggetto magico che tutto può risolvere e il dibattito pubblico è dominato da domande come “l’AI ha un’anima?”, “Sostituirà o affiancherà l’uomo?”. Interrogativi e lessico lontani dalla trasformazione industriale. Ad Hannover, come sulla 101, l’AI è discussa per ciò che è: una piattaforma ingegneristica di hardware, software, modelli, dati, reti, organizzazione del lavoro.

Al cuore di questa piattaforma integrata, hardware e software si co-progettano. L’esecuzione di un modello generativo è dominata da moltiplicazioni di matrici e trasferimenti di memoria. Quando cambia l’architettura che ospita il modello, cambia anche ciò che lo rende efficiente: memorie, processori, collegamenti, formati numerici, compilatori, librerie. Le GPU di ultima generazione integrano, accanto al processore di calcolo, memorie ad altissima banda a moduli sovrapposti, capaci di trasferire oltre un terabyte di dati al secondo. Le connessioni che tengono sincronizzati gli acceleratori, come NVLink fra GPU e InfiniBand fra server, pesano ormai in modo rilevante sul costo e sul consumo dell’impianto. Da questa catena e dagli ambienti di programmazione proprietari che la sfruttano, come CUDA, nascono standard, costi di switching e concentrazione di mercato.

Lo stesso vale per l’addestramento dei modelli di frontiera, che richiedono impianti da centinaia di megawatt, decine di migliaia di acceleratori coordinati come un’unica macchina, sistemi di raffreddamento, con investimenti che, nei grandi centri di calcolo, possono arrivare a decine di miliardi. Le barriere all’entrata, fatte di capitale paziente, accesso ai chip migliori, energia stabile, talenti, selezionano un gruppo ristretto di operatori globali. Sotto questo strato di altissima concentrazione industriale, l’AI si differenzia in funzione degli usi, con nuove opportunità per chi sa valorizzarla e incorporarla nei sistemi e nei processi. Ed è in questo spazio, decisivo per la produttività, che l’industria italiana deve trovare una propria posizione competitiva.

L’adattamento dei modelli ai contesti d’impresa si alimenta di informazioni ricavate dai manuali di manutenzione, dalle ricette, dal lessico di reparto. Gli strumenti sono fine tuning, etichettatura, validazione, storage protetto, data engineering e controllo degli accessi. Una pressa che anticipa un intervento di manutenzione, una linea di confezionamento farmaceutico che verifica un cambio formato in pochi minuti: il modello entra nel processo, apprende la lingua dello stabilimento, diventa difficilmente replicabile. Quando il modello entra in produzione, l’inferenza, l’esecuzione del modello su nuovi dati, diventa una voce ricorrente nei bilanci delle imprese: server, acceleratori efficienti, modelli compressi, monitoraggio, cybersecurity.

Entro fine decennio, secondo diversi analisti, l’inferenza supererà l’addestramento come carico dominante nei data center AI. Una parte resterà negli hub; un’altra si avvicinerà al dato, verso l’edge, dove il modello gira su processori collocati vicino ai sensori o incorporati in dispositivi, veicoli, robot e macchine industriali. Servono latenza ridotta, resilienza in caso di disconnessione, prossimità al dato, che non sempre può uscire dallo stabilimento. Qui lavorano telecamere, sensori di vibrazione, lidar, attuatori, PLC, chip a basso consumo. Filiere su cui pesano le economie di scala asiatiche nell’elettronica e, per motori elettrici e magneti permanenti, la concentrazione cinese nelle terre rare. La simulazione tiene insieme tutti questi passaggi: gemelli digitali, motori fisici e dati sintetici permettono di provare una modifica di linea, una traiettoria robotica o una condizione rara prima di intervenire nel mondo reale.

A fronte di questa stratificazione delle infrastrutture dell’AI, Berlino, Tokyo e Seul stanno combinando intervento pubblico e capitale privato su energia, chip, reti e capacità di calcolo. Per l’Italia, la partita si gioca su due fronti. Il primo richiede strategia e presa di rischio da parte dei grandi gruppi industriali del paese, oltre al rafforzamento dell’accesso al calcolo di frontiera in EuroHPC. Qui i costi fissi, gli orizzonti di rientro e le esternalità di rete richiedono di combinare risorse europee, risorse nazionali e capitale privato. Il secondo, altrettanto decisivo, è il livello applicativo. Gli esempi non mancano: Brembo lo presidia con ALCHEMIX, dove il sapere sviluppato sui materiali frenanti viene codificato in piattaforma di formulazione assistita da AI; SEA Vision, del Gruppo Marchesini, ha portato la visione artificiale nel line clearance farmaceutico, riducendo tempi di cambio linea e rischio di errore.

Su questo terreno, il primo vincolo è il capitale umano. Nel 2024 l’Italia ha diplomato 38 mila laureati triennali in area ingegneristica e 31 mila magistrali, numeri troppo bassi rispetto alla domanda da manifattura avanzata, automazione, software industriale e sicurezza del dato. Senza un’espansione della formazione tecnica, con lauree, dottorati industriali, ITS, retribuzioni competitive, attrazione di giovani dall’estero, la capacità di adattare i modelli resterà concentrata in poche imprese e non diventerà infrastruttura diffusa.

C’è poi un nodo contabile. L’AI nei processi assorbe spese correnti come licenze, cloud, manutenzione e costi di sviluppo per basi dati, modelli e integrazione di sistemi. Una parte può soddisfare i criteri contabili ed essere capitalizzata; un’altra resta a conto economico perché riguarda esercizio ordinario, sperimentazione o attività non separabili. Dalla Tremonti del 1994 a Industria 4.0, la fiscalità ha sostenuto beni strumentali, formazione, macchine interconnesse. La nuova frontiera richiede strumenti capaci di riconoscere come investimenti produttivi, quando ne ricorrono i presupposti, lo sviluppo di basi di dati, modelli e integrazione di sistemi.

Negli anni del miracolo economico, l’Autostrada del Sole rese visibile un disegno di paese, perché mise in rete mercati, imprese, lavoro e credito. Quella dorsale aiutò un sistema diffuso, fatto di officine, tecnici, banche. La nuova infrastruttura dell’AI è meno visibile, ma segue la stessa logica: una spina dorsale di data center, reti ed energia, a sostenere officine d’intelligenza nei distretti e lungo le filiere. È qui che la conoscenza industriale può diventare imprenditorialità diffusa, capitale, produttività, crescita.