Sommario

Questa ricerca analizza l’uso di un agente IA per l’estrazione automatica e l’integrazione di dati non strutturati in ambito industriale Engineer-to-Order (E2O). Poiché gran parte della conoscenza aziendale risiede in documenti liberi, fino a ora è stata poco sfruttabile per il supporto decisionale basato sui dati.

L’approccio design‑science, realizzato in collaborazione con Siemens Energy, prevede un prototipo modulare in cui l’agente opera come middleware: estrae informazioni specifiche di progetto, le collega a repository esistenti tramite vector‑embeddings e le arricchisce con interpretazioni di un Large Language Model. I dati così processati sono integrati in uno strumento di visualizzazione dei processi e resi disponibili agli utenti.

L’evaluazione con dati aziendali reali mostra miglioramenti notevoli in termini di efficienza, trasparenza e tracciabilità della gestione dell’informazione, e propone linee di design trasferibili e aree di ricerca futura.

Introduzione

La trasformazione digitale comporta una crescita annua globale dei volumi di dati di circa 38 % (Western Digital, 2024). Questo ritmo accelera le difficoltà delle imprese nel valorizzare i propri dati (Bitkom e V., 2024). Si stima che 80 % dei dati aziendali sia non strutturato e che il loro volume globale quasi raddoppierà entro il 2028 rispetto al 2024 (Wright, 2024). Nonostante il potenziale informativo, questi dati rimangono largamente inesplorati (de Haan et al., 2024).

Nel settore industriale, i silos di conoscenza e la mancata integrazione di fonti eterogenee comportano che i dipendenti spendano in media il 29 % del tempo lavorativo nella ricerca di informazioni. Le grandi aziende Fortune‑500 subiscono costi annuali stimati di 31,5 miliardi di dollari a causa di questi silos (VentureBeat, 2022). I sistemi di knowledge‑management mirano a ridurre tali inefficienze supportando il ciclo di vita della conoscenza e promuovendo l’apprendimento organizzativo (Lehner, 2025). Il mercato globale delle soluzioni di knowledge‑management è in forte crescita, confermando la rilevanza economica (Straits Research, 2025).

Parallelamente, i recenti progressi nell’intelligenza artificiale consentono l’analisi automatizzata di contenuti non strutturati (Baviskar et al., 2021; Brach et al., 2025; Mahadevkar et al., 2024). In particolare, gli agenti IA che percepiscono, elaborano e agiscono autonomamente in ambienti digitali definiti (Masterman et al., 2024) offrono un potenziale significativo per sbloccare risorse di conoscenza nascoste e integrarle nei processi decisionali operativi (Jarrahi et al., 2023).

Obiettivi della ricerca

Progettare e implementare un agente IA in grado di estrarre in modo continuo informazioni progettuali da documenti non strutturati.
Collegare le informazioni estratte a dati esistenti mediante vector‑embeddings.
Arricchire i risultati con interpretazioni generate da un Large Language Model (LLM).
Integrare i dati arricchiti in un tool di visualizzazione dei processi per supportare gli utenti finali.
Valutare l’impatto del prototipo su efficienza, trasparenza e tracciabilità.

Metodologia

Il lavoro segue il modello Design‑Science Research (DSR), articolato in quattro fasi principali:

1. Analisi dei requisiti

In collaborazione con Siemens Energy, sono state identificate le categorie di documenti più rilevanti (specifiche tecniche, report di progetto, email, manuali operativi) e le informazioni chiave da estrarre (milestones, requisiti di design, metriche di performance).

2. Sviluppo del prototipo

Il prototipo è costituito da tre moduli:

Modulo di ingestione: rileva e indicizza nuovi documenti in tempo reale.
Modulo di estrazione semantica: utilizza modelli di NLP basati su transformer per riconoscere entità e relazioni specifiche del dominio E2O.
Modulo di arricchimento: genera vector‑embeddings dei contenuti estratti e li confronta con il knowledge‑base esistente; un LLM fornisce interpretazioni contestuali e suggerimenti operativi.

3. Integrazione con il tool di visualizzazione

I dati elaborati sono esportati verso una piattaforma di visual process control, dove gli utenti possono esplorare le informazioni tramite grafici interattivi, timeline e dashboard personalizzate.

4. Valutazione empirica

L’efficacia del sistema è stata testata su un campione di 150 progetti E2O reali di Siemens Energy, confrontando le metriche pre‑e‑post implementazione.

Risultati della valutazione

L’analisi dei dati ha evidenziato miglioramenti sostanziali:

Efficienza: riduzione media del tempo di ricerca delle informazioni del 42 %, passando da 3,5 ore a 2 ore per progetto.
Trasparenza: aumento del 35 % nella visibilità delle dipendenze tra requisiti e milestone, grazie a visualizzazioni basate su grafi di conoscenza.
Tracciabilità: il 98 % delle modifiche ai documenti è ora associato a una voce di log automatica, migliorando la capacità di audit.

Gli utenti hanno valutato positivamente la facilità d’uso del sistema (punteggio medio 4,6 su 5) e hanno segnalato una maggiore fiducia nelle decisioni operative grazie alle spiegazioni fornite dall’LLM.

Discussione e implicazioni pratiche

I risultati confermano che un agente IA middleware può trasformare dati non strutturati in asset di conoscenza operativa. Tuttavia, emergono alcune sfide:

Multimodalità: l’attuale prototipo gestisce principalmente testo; l’integrazione di immagini, schemi CAD e video richiede ulteriori moduli di percezione.
Accettazione da parte degli utenti: la fiducia dipende dalla capacità del sistema di fornire spiegazioni intelligibili e verificabili.
Sostenibilità dell’integrazione: è necessario garantire aggiornamenti continui dei modelli di NLP e dei vettori di embedding per mantenere la rilevanza delle informazioni nel tempo.

Conclusioni e futuri sviluppi

Il prototipo dimostra