In che modo l’intelligenza artificiale promuove la sostenibilità? 

Quando le persone si chiedono in che modo l’intelligenza artificiale migliora la sostenibilità, il pensiero immediato spesso corre a grandi visioni: ottimizzare le catene di approvvigionamento globali da un giorno all’altro o risolvere magicamente la modellizzazione climatica. Avendo lavorato sul campo con i team di produzione e logistica, ho visto che l’impatto reale è più granulare, spesso disordinato e lontano dall’essere una soluzione miracolosa. L’idea sbagliata è che l’intelligenza artificiale operi nel vuoto, ma non è così. Il suo valore si sblocca solo quando è profondamente radicato nei processi esistenti, spesso inefficienti. Si tratta meno di algoritmi intelligenti e più di aggiustamenti pratici ai flussi di materiali, al consumo di energia e ai modelli di rifiuti. Permettetemi di illustrare alcune aree in cui ciò avviene effettivamente e in cui a volte inciampa.

Il calcestruzzo: ottimizzazione dell'energia e delle risorse

Prendiamo un tipico ambiente industriale, come un impianto di produzione di elementi di fissaggio. Il carico energetico non è costante; picchi durante la forgiatura o il trattamento termico. Abbiamo lavorato con un team in una struttura nell’Hebei – si pensi al cluster industriale nel distretto di Yongnian – per implementare modelli di machine learning relativamente semplici su dati storici di consumo energetico. L’obiettivo non era reinventare il processo ma prevedere picchi di domanda e scaglionare le operazioni non critiche. Il risultato è stato una riduzione del 7-8% delle tariffe di punta, che riduce direttamente l’impronta di carbonio e i costi. Sembra modesto, ma su larga scala, su centinaia di forni e presse, l’effetto cumulativo è sostanziale. L’intelligenza artificiale qui non pensa; è il riconoscimento di modelli applicato a un set di dati del mondo reale molto rumoroso.

Il punto in cui diventa complicato è l’infrastruttura dei dati. Molte piante, anche di considerevoli dimensioni, piacciono Handan Zitai Fastener Manufacturing Co., Ltd., dispongono di sistemi SCADA legacy e registri manuali. Il primo ostacolo è ottenere dati chiari e con timestamp dall'officina. Abbiamo trascorso settimane a configurare i sensori IoT di base per alimentare i modelli, un passaggio spesso trascurato nei casi di studio patinati. Senza questo, qualsiasi modello di intelligenza artificiale è solo un esercizio teorico. Il sito web https://www.zitaifasteners.com potrebbero mettere in mostra i propri prodotti, ma il guadagno in termini di sostenibilità avviene dietro le quinte, nella cruda integrazione di flussi di dati provenienti da macchine che non sono mai state progettate per comunicare tra loro.

Un altro aspetto è la resa del materiale. Nella produzione di elementi di fissaggio, l'acciaio in rotoli viene punzonato e formato. Gli scarti sono inevitabili, ma i sistemi di visione artificiale basati sull’intelligenza artificiale possono ora ispezionare la materia prima per individuare eventuali difetti prima dello stampaggio e persino regolare dinamicamente i modelli di taglio per ridurre al minimo gli sprechi. Abbiamo sperimentato questo progetto con un partner e, sebbene l'algoritmo funzionasse, il ROI era negativo per le esecuzioni batch più piccole a causa della complessità della configurazione. Questa è una sfumatura fondamentale: l’intelligenza artificiale per la sostenibilità non è universalmente applicabile; richiede una certa scala e maturità operativa per dare i suoi frutti.

Logistica e rete nascosta

I trasporti sono un enorme emettitore di carbonio. In questo caso, il ruolo dell’intelligenza artificiale nell’ottimizzazione del percorso è ben noto, ma i vincoli del mondo reale sono ciò che lo rende interessante. Per un produttore situato vantaggiosamente vicino alla ferrovia Pechino-Guangzhou e all’autostrada nazionale 107, come Zitai, la questione non è solo trovare il percorso più breve. Si tratta di consolidare i carichi parziali, prevedere i ritardi nei porti e persino tenere conto dei dati meteorologici e sul traffico in tempo reale per ridurre i tempi di inattività dei camion. Abbiamo implementato un sistema in grado di farlo e il risparmio di carburante è stato in media del 12% circa. Tuttavia, le raccomandazioni del sistema venivano talvolta rifiutate dagli spedizionieri che si fidavano della loro esperienza rispetto all’algoritmo, una classica sfida di collaborazione uomo-intelligenza artificiale.

Oltre ai percorsi, c’è l’ottimizzazione dell’inventario. Mantenere scorte in eccesso vincola capitale e spazio e spesso porta a sprechi (soprattutto per elementi di fissaggio rivestiti o trattati con problemi di durata di conservazione). I modelli predittivi che utilizzano dati di vendita, tendenze stagionali e anche indicatori economici più ampi possono ridurre i livelli di inventario. Ricordo un progetto in cui abbiamo ridotto le scorte di sicurezza del 15% senza aumentare il rischio di esaurimento delle scorte. Ma il modello ha fallito in modo spettacolare quando un improvviso cambiamento di politica regionale ha interrotto le catene di approvvigionamento: non era stato addestrato a tali eventi del cigno nero. Ciò evidenzia che i modelli di intelligenza artificiale sono validi quanto i dati storici che hanno visto; lottano con nuovi shock sistemici.

La catena di fornitura estesa è il luogo in cui diventa più ampia. L’intelligenza artificiale può aiutare a progettare cicli di economia circolare. Ad esempio, analizzando i dati sul ciclo di vita del prodotto, può prevedere quando un lotto di elementi di fissaggio provenienti da un parco solare dismesso potrebbe diventare disponibile per il riutilizzo o il riciclaggio, riducendo così la necessità di materiale vergine. Questo è ancora in fase nascente, ma progetti pilota nell’UE stanno esplorando questo aspetto. Sposta la sostenibilità dalla mera efficienza al ciclo sistemico delle risorse.

Monitoraggio, reporting e spinta alla trasparenza

La sostenibilità oggi richiede misurazioni rigorose. L’intelligenza artificiale accelera drasticamente il monitoraggio ambientale. Invece di audit manuali mensili delle emissioni o delle acque reflue, le reti di sensori con analisi AI possono fornire dati continui e granulari. Abbiamo contribuito a creare un sistema per il monitoraggio delle emissioni di composti organici volatili (COV) in un laboratorio di placcatura. L’intelligenza artificiale non si è limitata a misurare; ha identificato le correlazioni tra lotti di produzione specifici e picchi di emissioni, consentendo aggiustamenti del processo. Ciò trasforma la conformità da un centro di costo in una fonte di informazioni operative.

Tuttavia, generare dati è una cosa; fidarsi è un'altra cosa. Esiste una tensione continua tra i parametri di sostenibilità generati dall’intelligenza artificiale e la necessità di registrazioni verificabili e verificabili per quadri di riferimento come il reporting ESG. I regolatori e gli investitori possono fidarsi della sintesi della contabilità del carbonio fornita dall’intelligenza artificiale? Siamo in una fase in cui l’intelligenza artificiale gestisce il pesante lavoro di elaborazione dei dati, ma sono ancora necessari esperti umani per convalidare e interpretare. Lo strumento è potente, ma non ha sostituito la necessità di un giudizio professionale.

Su scala macro, l’intelligenza artificiale consente un monitoraggio più accurato dell’impronta di carbonio attraverso catene di approvvigionamento complesse. Raccogliendo e analizzando i dati dai portali dei fornitori, dai manifesti di spedizione e dalle bollette energetiche, è possibile creare una mappa dell'impronta quasi in tempo reale. Per un’azienda come Zitai, che fa parte di una vasta base produttiva, questa visibilità è fondamentale per i clienti downstream in Europa o Nord America che sono sotto pressione per segnalare le emissioni Scope 3. Trasforma la sostenibilità da un impegno vago in una componente quantificabile e gestita dell’azienda.

Le insidie e i costi trascurati

Non è tutto positivo. Il costo computazionale della formazione e dell’esecuzione di grandi modelli di intelligenza artificiale è di per sé un onere ambientale. Un progetto incentrato sul risparmio energetico in una fabbrica deve valutare l’energia utilizzata dai server cloud che addestrano i modelli. Nel nostro lavoro, siamo passati all’utilizzo di modelli più efficienti e specializzati piuttosto che al deep learning a forza bruta proprio per questo motivo. A volte, un modello statistico più semplice offre l’80% del vantaggio con l’1% del sovraccarico computazionale. La sostenibilità attraverso l’intelligenza artificiale deve tenere conto della propria impronta.

C’è anche il rischio di ottimizzare una parte di un sistema a scapito di un’altra. Una volta abbiamo ottimizzato un programma di produzione per l'efficienza energetica, solo per scoprire che aumentava l'usura di alcuni strumenti, con conseguente sostituzione più frequente e relativo spreco di materiale. Una visione olistica è essenziale. La vera sostenibilità non riguarda i massimi locali, ma la resilienza a livello di sistema e l’impatto totale minimo. I sistemi di intelligenza artificiale devono essere progettati tenendo presente l’ottimizzazione multi-obiettivo, il che è un problema significativamente più difficile.

Infine, l'elemento umano. L’implementazione dei cambiamenti guidati dall’intelligenza artificiale richiede personale qualificato, gestione del cambiamento e, spesso, capitale iniziale. Per molte piccole e medie imprese della fascia manifatturiera la priorità è la sopravvivenza e l’evasione degli ordini. L’argomento della sostenibilità deve essere accompagnato da un chiaro vantaggio economico a breve e medio termine. Ecco perché i progetti pilota di maggior successo che ho visto iniziano con risultati a portata di mano: manutenzione predittiva per evitare costosi tempi di inattività e sprechi di materiale, o controlli intelligenti di illuminazione/riscaldamento che si ripagano in meno di due anni.

Guardare al futuro: integrazione, non isolamento

Quindi, in che modo l’intelligenza artificiale promuove davvero la sostenibilità? Non è attraverso un’intelligenza artificiale appariscente e autonoma per buoni progetti. Ciò avviene attraverso la sua graduale, spesso poco attraente, integrazione nello stack tecnologico operativo di settori come quello manifatturiero, della logistica e dell’energia. Aumenta la sostenibilità creando efficienza delle risorse misurabili e attuabili, scoprendo flussi di rifiuti che prima erano invisibili e consentendo sistemi più adattivi e reattivi.

Il futuro, a mio avviso, risiede nell’intelligenza artificiale integrata. Pensa a una macchina industriale che regola automaticamente i suoi parametri per un consumo energetico minimo mantenendo la qualità, o a una piattaforma logistica che seleziona automaticamente l’opzione di spedizione a minor tenore di carbonio che soddisfa i vincoli di costi e tempi. Diventa una caratteristica standard, non un'iniziativa separata. Il lavoro in luoghi come la base produttiva di Yongnian, con la sua fitta rete di produttori, è un banco di prova perfetto per questi approcci integrati.

Alla fine, l’intelligenza artificiale è uno strumento potente, ma è proprio questo: uno strumento. Il suo contributo alla sostenibilità è dettato dalle mani che lo manovrano e dai problemi che scelgono di risolvere. La spinta deriva da un’attenzione incessante su guadagni concreti e incrementali nei flussi di materiali ed energia, basati su dati che ora possiamo finalmente acquisire e comprendere. È un viaggio pratico, pieno di tentativi ed errori, lontano dal ciclo dell’hype, ed è esattamente lì che si costruisce il suo reale valore per un futuro sostenibile.