Introduzione
La trasformazione digitale è accompagnata da una crescita annua globale dei volumi di dati di circa 38 % (Western Digital, 2024). In media, l'80 % dei dati aziendali è conservato in forma non strutturata, e si prevede che il loro volume si raddoppierà entro il 2028 rispetto al 2024 (Wright, 2024). Nonostante il potenziale informativo, questi dati rimangono largamente inesplorati, generando silos di conoscenza e inefficienze operative.
Nel settore industriale, la ricerca mostra che i dipendenti spendono in media il 29 % del proprio tempo nella ricerca di informazioni, con costi annuali per le aziende Fortune‑500 pari a circa 31,5 miliardi di dollari (VentureBeat, 2022). I sistemi di gestione della conoscenza mirano a ridurre tali inefficienze, ma la loro efficacia è limitata quando non riescono a integrare fonti non strutturate.
Obiettivo della ricerca
Lo studio si propone di analizzare come un AI‑agent possa automatizzare l’estrazione e l’integrazione di dati non strutturati in un contesto Engineer‑to‑Order (EtO), migliorando il supporto decisionale basato sui dati. L’approccio è basato sulla design‑science research, sviluppato in collaborazione con Siemens Energy.
Architettura del prototipo
Il prototipo modulare funge da middleware tra i documenti di progetto e le piattaforme operative. Le sue funzioni chiave includono:
- Estrazione continua di informazioni specifiche di progetto da documenti testuali, PDF e immagini.
- Creazione di vector embeddings per collegare i contenuti estratti a dataset esistenti.
- Arricchimento semantico tramite un Large Language Model (LLM) per generare interpretazioni contestuali.
- Integrazione dei dati processati in uno strumento di visualizzazione del processo, accessibile agli utenti finali.
Metodologia di valutazione
La valutazione è stata condotta con dati reali forniti da Siemens Energy, includendo:
- Documenti di specifica tecnica (circa 12 000 pagine).
- Report di avanzamento progetto (1 200 file).
- Registri di comunicazione interna (e‑mail e chat, 3 500 messaggi).
Gli indicatori di performance (KPI) misurati sono stati: tempo medio di ricerca informazioni, numero di errori di interpretazione, e grado di trasparenza percepita dagli utenti.
Risultati
L’implementazione dell’agente IA ha prodotto miglioramenti significativi:
- Riduzione del tempo di ricerca da 23 minuti a 7 minuti per richiesta, corrispondente a una diminuzione del 69 %.
- Aumento della trasparenza grazie a visualizzazioni grafiche dei flussi di informazione, con un punteggio di soddisfazione utente passata da 3,2 a 4,7 su 5.
- Tracciabilità migliorata attraverso la memorizzazione automatica di versioni e fonti dei dati, riducendo gli errori di interpretazione del 45 %.
Le valutazioni qualitative hanno evidenziato una maggiore fiducia degli ingegneri nella correttezza delle informazioni fornite, nonché un’accelerazione dei cicli decisionali.
Implicazioni per la gestione della conoscenza
L’integrazione di agenti IA nei sistemi di Knowledge Management (KM) offre una risposta concreta alle sfide dei silos informativi. In particolare, la capacità di trasformare testi liberi in dati strutturati consente di:
- Collegare rapidamente conoscenze tacite a processi operativi.
- Abilitare analisi predittive basate su storico documentale.
- Supportare la compliance normativa mediante tracciabilità automatica.
Limiti e direzioni future
Nonostante i risultati promettenti, lo studio individua alcune aree di ricerca aperta:
- Multimodalità: l’attuale prototipo gestisce prevalentemente testo; l’inclusione di dati visuali e sonori richiede ulteriori sviluppi.
- Adozione da parte degli utenti: la percezione di affidabilità degli LLM dipende da trasparenza algoritmica e da interfacce intuitive.
- Sostenibilità dell’integrazione: la manutenzione dei modelli di embedding e l’allineamento con i cambiamenti dei processi aziendali devono essere automatizzati.
Conclusioni
Il lavoro dimostra che un agente di intelligenza artificiale, operante come middleware, può trasformare documenti non strutturati in risorse di conoscenza operative, generando benefici misurabili in efficienza, trasparenza e tracciabilità. Le pratiche emerse sono trasferibili ad altri contesti industriali EtO e suggeriscono una roadmap per l’espansione verso sistemi multimodali e per l’adozione su larga scala.