service.ai_agents()
I progetti AI industriali partono spesso da una frase: "abbiamo i dati, vogliamo usare l'AI". Il problema è che senza un use case operativo preciso, dati contestualizzati e governance chiara, l'agente resta un PoC in un notebook.
"Vogliamo un chatbot sulla documentazione" non è un use case. Lo è "l'operatore vuole trovare la procedura di manutenzione in 30 secondi invece di 10 minuti".
Senza un output atteso misurabile, qualsiasi risposta dell'agente sembra accettabile. Il valore rimane non verificabile.
Un agente LLM che legge dati grezzi da MES o historian senza semantica condivisa produce risposte plausibili ma spesso sbagliate. Il contesto industriale va codificato esplicitamente.
Senza uno strato semantico che definisce macchine, turni, ordini e KPI, l'agente non può distinguere un fermo pianificato da un guasto.
Chi corregge una risposta sbagliata dell'agente? Chi aggiorna il knowledge base quando cambia una procedura? Senza ownership chiara, l'agente degrada silenziosamente.
Un agente senza playbook di governance diventa rapidamente inaffidabile. La fiducia operativa si perde in settimane.
Mappatura delle sorgenti disponibili: MES, historian, ERP, CMMS, documentazione tecnica. Definizione dei use case ad alto impatto.
Indicizzazione di documentazione tecnica, manuali macchina, procedure operative e storico ticket in un knowledge base ricercabile semanticamente.
Orchestrazione con LangGraph di agenti che interrogano database di produzione, correlano eventi e generano output contestualizzati per l'operatore.
Ogni agente è esposto via API interna e si collega a MES, SCADA o ERP tramite i layer di integrazione esistenti. Nessuna infrastruttura separata.
Playbook di feedback operator, logging delle risposte, metriche di qualità e processo di aggiornamento del knowledge base.
Ogni ingaggio produce un agente funzionante in produzione — non un PoC isolato. La governance è parte del deliverable fin dall'inizio.
Agente deployato on-premise o cloud ibrido, esposto via API interna e connesso ai sistemi operativi esistenti con logging completo.
Chi verifica le risposte, come si segnalano errori, come si aggiorna il knowledge base e chi è responsabile del ciclo di vita dell'agente.
Use case definito, dati contestualizzati, governance in produzione: niente agenti orfani.
