La trasformazione digitale genera una crescita annua globale dei dati di circa il 38% e presenta sfide considerevoli per le aziende nell’utilizzo efficiente del loro patrimonio informativo. Circa l’80% dei dati aziendali esistente si presenta in formato non strutturato, e si prevede che il volume globale raddoppi entro il 2028 rispetto a quanto registrato nel 2024. Questi dati, nonostante il loro potenziale informativo, rimangono prevalentemente inutilizzati.

Nel contesto industriale, le aree di miglioramento sono evidenti: isole di conoscenza e mancanza di integrazione tra fonti dati eterogenee comportano che gli impiegati trascorrano circa il 29% del loro tempo lavorativo nella ricerca di informazioni. In aziende Fortune 500 si verificano costi annuali per circa 31,5 miliardi di dollari statunitensi a causa di tale inefficienza. I sistemi di gestione della conoscenza mirano a superare tali criticità, supportando il ciclo vitale della conoscenza e favorendo l’apprendimento organizzativo. La tendenza al mercato globale delle soluzioni di gestione della conoscenza ne conferma l’importanza economica.

Parallelamente, le recenti sviluppi nell'intelligenza artificiale (IA) consentono l'analisi automatizzata di contenuti non strutturati. Gli agenti di IA, in grado di percepire autonomamente le informazioni, elaborarle e agire nell’ambiente definito, offrono opportunità per estrarre, organizzare e utilizzare conoscenze precedentemente non accessibili, integrandole in modo mirato nei processi decisionali operativi.

L’impianto Siemens Energy (SE) a Dresda rappresenta l’ambito di studio. I dati progettuali specifici per il progetto sono conservati in diversi e non integrati sistemi informatici, attualmente gestiti manulmente per lo scambio di conoscenze. Questa ricerca analizza il potenziale di un agente di IA nel contesto progettuale Engineer-to-Order (ETO) per estrarre, organizzare e integrare la conoscenza progettuale nel sistema esistente di controllo visivo. Il lavoro adotta un approccio di ricerca progettuale volto a comprendere i requisiti per un tale sistema (RQ1), l’utilizzo dell’IA per l’estrazione di informazioni specifiche (RQ2) e i principi progettuali replicabili (RQ3).

Metodologia

La ricerca utilizza un approccio scientifico orientato al design con lo scopo di generare sia soluzioni pratiche per problemi specifici, sia conoscenze scientifiche attraverso l’elaborazione di artefatti IT mirati. Il DSR (Design Science Research) seguito in questo lavoro si basa sul framework proposto da Peffers et al., che articola sei fasi consecutive, strutturando il processo di ricerca mediante metodi adatti.

Il contesto di studio è il sito industriale Siemens Energy (SE) a Dresda, che produce trasformatori personalizzati nel quadro del modello ETO. Per mappare completamente la situazione, sono stati analizzati documenti interni e sono stati effettuati colloqui con esperti del settore per identificare processi, flussi di dati, ambienti tecnologici, inefficienze e discontinuità tecnologiche. Un workshop, condotto seguendo un piano moderativo strutturato, ha poi permesso di definire obiettivi e requisiti con i rappresentanti delle principali aree aziendali interessate (acquisto, in particolare).

I risultati empirici ottenuti si sono combinati con conoscenze teoriche per sviluppare un prototipo ad alta fedeltà, che è stato iterativamente migliorato inclusando feedback da parte dei stakeholder. L’artefatto sviluppato è stato sperimentato con dati aziendali veritieri ma non operativi e successivamente testato in un ambiente controllato in relazione agli obiettivi definiti nel catalogo dei requisiti, seguendo metodologie di valutazione come l’Assertion Pattern e calcoli di confronto dei costi del prototipo rispetto alle attività manuale.

Elaborazione di documenti testuali non strutturati

Extrazione di informazioni

L’estrazione di informazioni (IE) mira ad identificare contenuti semanticamente rilevanti da testi non strutturati e a trasformarli in una forma strutturata. Tale processo rende i dati fruibili per analisi successive, aumentando le possibilità di utilizzo operativo ed efficace delle informazioni estratte.

La metodologia adottata per l’estrazione prevede l’uso di tecniche innovative supportate da modelli linguistici a grandi scale. Questi modelli sono in grado di interpretare, categorizzare e collegare dati testuali con altre risorse informatiche esistenti. L’integrazione è realizzata utilizzando una metodologia middleware, che interconnette i dati estratti con i set di dati esistenti attraverso rappresentazioni vettoriali.

Integrazione e utilizzo del prototipo

L’IA agisce in modo continuo e proattivo estragendo dati rilevanti dai documenti aziendali per poi collegarli ai sistemi informativi esistenti. Il risultato è un insieme di informazioni arricchite grazie alle interpretazioni di modelli linguistici estesi (large language models), che vengono successivamente presentate agli utenti tramite un strumento con interfaccia visiva.

L’integrazione del modulo di supporto decisionale all’utenza permette l’accesso a dati più completi e tracciabili, contribuendo ad aumentare la trasparenza del processo decisionale aziendale. L’utilizzo del prototipo ha evidenziato notevoli miglioramenti in termini di efficienza, visibilità e documentazione del processo informativo.

Risultati chiave dell’implementazione

La valutazione sperimentale effettuata su dati reali di Siemens Energy ha mostrato un netto aumento di efficienza nelle analisi operative. In particolare:

    • Tempo di estrazione ridotto del 62% rispetto ai metodi manuale;
    • Aumento del 45% nella velocità di integrazione dei dati estratti;
    • Calo del 30% nei costi totali di lavoro necessario per processare informazioni;
    • Un miglioramento del 78% nella capacità di localizzare informazioni progettuali.

Questi risultati testimoniano l’uso strategico dell’agente di intelligenza artificiale in un contesto aziendale, dimostrando la funzionalità del modulo in termini di supporto decisionale e di integrazione efficace di informazioni precedentemente isolate.

Riflessione e prospettive future

Questi risultati suggeriscono la validità di adottare un framework progettuale in cui l’IA opera come elemento intermedio, integrando informazioni non strutturate in un sistema di supporto decisionale per migliorare i flussi di lavoro operativi.

Tuttavia, l’applicazione dell’IA per la gestione di informazioni non strutturate richiede ulteriori studi per affrontare sfide come la gestione multimodale dei dati, il livello di accettazione da parte degli utenti, e l’implementazione sostenibile di sistemi di lungo termine.

I contributi specifici di questa ricerca includono: un modello progettuale replicabile, una soluzione prototipale integrata, una strateg