Per anni, in molte fabbriche, il controllo qualità è dipeso da verifiche a campione eseguite dagli operatori secondo procedure definite. L’introduzione dei sistemi di visione ha automatizzato parte di queste attività, senza eliminare però la necessità di una valutazione umana.
Tutto ciò sta cambiando: sensori, machine vision e intelligenza artificiale riconoscono da soli anomalie e difetti mai visti prima, stabiliscono se un pezzo è conforme e riescono ad intervenire sul processo per correggerlo prima che produca scarti. Quello che prima faceva un essere umano lo si sta demandando ad un algoritmo. E la domanda che sorge spontanea è: chi controlla il controllore?
Indice degli argomenti
Dalla segnalazione alla decisione: come l’IA governa la qualità
Un sistema di visione tradizionale confronta l’immagine con parametri valutati e impostati da un tecnico: funziona finché il difetto lo si può prevedere e il prodotto non cambia. Un modello di intelligenza artificiale, addestrato su migliaia di esempi, generalizza il contesto: riconosce una crepa o una saldatura incompleta anche in forme mai viste. Le tecniche di anomaly detection riescono ad andare oltre ai sistemi in uso precedentemente: imparano com’è fatto un pezzo integro e segnalano ciò che se ne discosta, senza bisogno di un catalogo esaustivo dei difetti.
Il passo successivo è un’evoluzione nell’intero sistema di gestione. Il sistema può individuare la causa probabile del difetto e agisce a monte: modifica la velocità di una linea, corregge un parametro di stampaggio, propone la sostituzione di uno strumento usurato. La qualità non viene più verificata a valle ma governata in tempo reale.
I vantaggi di questo cambiamento sono facilmente riscontrabili: monitoraggio totale invece che a campione, una quantità inferiore di scarti e di conseguenza meno richiami.
In questo modo l’affidabilità dell’intero sistema di controllo qualità dipenderà dal modello di intelligenza artificiale, ma un modello non ha una taratura fissa; infatti, dipende dai dati di addestramento e le sue performance possono degradarsi senza nessun avviso quando cambiano le condizioni reali.
Regole e standard per l’intelligenza artificiale nel controllo qualità industriale
L’introduzione dell’intelligenza artificiale nei processi industriali richiede di distinguere la gestione dei rischi dalla verifica delle prestazioni. La ISO/IEC 42001 definisce i requisiti per un sistema di gestione dell’IA, aiutando le organizzazioni a governarne l’utilizzo, le responsabilità e i rischi. Non certifica, di per sé, la correttezza dei risultati di un singolo modello.
Sul piano tecnico, la ISO/IEC TS 42119-2:2025, pubblicata nel novembre 2025, fornisce indicazioni per il testing dei sistemi di IA secondo un approccio basato sul rischio, integrando i principi della serie ISO/IEC/IEEE 29119. La ISO/IEC TS 42119-3 (ad oggi in pubblicazione), dedicata alla verifica e validazione dei sistemi di IA, approfondisce metodi e processi applicabili lungo il ciclo di vita del sistema.
Il quadro comprende anche il Regolamento europeo sull’intelligenza artificiale (AI Act), modificato dal pacchetto AI Omnibus entrato in vigore il 27 luglio 2026. Le disposizioni sui sistemi ad alto rischio dell’allegato III si applicheranno dal 2 dicembre 2027, mentre quelle relative ai sistemi integrati nei prodotti disciplinati dall’allegato I si applicheranno dal 2 agosto 2028.
La classificazione dipende dalla funzione e dall’ambito d’impiego: non tutti i sistemi di IA utilizzati in fabbrica sono automaticamente ad alto rischio. Per le macchine rileva inoltre il Regolamento (UE) 2023/1230, la cui applicazione generale è prevista dal 20 gennaio 2027.
Il principio è che gli standard di gestione organizzano responsabilità e controlli, quelli tecnici aiutano a verificare il comportamento del sistema e la normativa definisce gli obblighi applicabili. Per le aziende manifatturiere la sfida è tradurre questi riferimenti in prove documentate, criteri di accettazione e monitoraggi che dimostrino nel tempo l’affidabilità del controllore.
Validare i modelli di IA applicati al controllo qualità
Per validare un sistema di IA non basta applicare le procedure utilizzate per gli strumenti tradizionali, come gli studi di ripetibilità e riproducibilità, l’analisi dei sistemi di misura e la taratura su un campione di riferimento. Queste verifiche restano utili, ma devono essere integrate con controlli specifici sul comportamento del modello. La validazione deve considerare almeno quattro aspetti.
Dati di addestramento e prove indipendenti
Il primo riguarda i dati di addestramento e di prova. Devono rappresentare la variabilità reale dei prodotti e delle condizioni di produzione, con etichette corrette e un insieme di test indipendente da quello utilizzato per addestrare il modello. Un errore frequente è valutare il sistema su immagini molto simili a quelle già viste durante l’addestramento. In questo caso le prestazioni possono apparire eccellenti in ambiente controllato, per poi peggiorare quando il modello viene messo alla prova sulla linea produttiva.
Metriche, falsi negativi e soglie basate sul rischio
Il secondo aspetto riguarda le metriche e le soglie di accettazione. Non è sufficiente misurare l’accuratezza complessiva: occorre verificare quali errori commette il sistema e quanto siano rilevanti per il processo. I falsi negativi, cioè i difetti classificati come conformi, possono avere conseguenze molto diverse a seconda del prodotto e del tipo di anomalia. Le soglie di accettazione devono quindi essere definite in relazione al rischio, seguendo un’impostazione coerente con l’approccio descritto dalla ISO/IEC TS 42119-2.
Robustezza nelle condizioni operative reali
Il terzo riguarda la robustezza in condizioni operative variabili. Un modello può funzionare correttamente durante i test e incontrare difficoltà quando cambiano l’illuminazione, la posizione del pezzo o lo stato delle ottiche. Anche difetti mai incontrati in precedenza possono mettere in evidenza limiti che le prove ordinarie non avevano rilevato. Simulazioni, variazioni controllate delle immagini e dati perturbati aiutano a capire quanto il sistema sia sensibile a queste condizioni e dove sia necessario intervenire.
Stabilità, aggiornamenti e ciclo di vita
Il quarto aspetto è la stabilità nel tempo. Uno strumento di misura tradizionale, una volta tarato, viene utilizzato entro condizioni definite e sottoposto a verifiche periodiche. Un modello di IA può perdere efficacia quando cambiano i prodotti, i materiali o le condizioni di produzione. Inoltre, quando il modello viene riaddestrato o aggiornato, le sue prestazioni possono cambiare.
Ogni modifica sostanziale richiede quindi una nuova valutazione, con verifiche proporzionate al cambiamento introdotto. La validazione non può essere considerata un’attività conclusa per sempre, ma deve accompagnare l’intero ciclo di vita del sistema.
Continuous assurance per il controllo qualità basato sull’IA
Il monitoraggio continuo potrebbe affiancare gli audit periodici, fornendo evidenze aggiornate sul comportamento del sistema tra una verifica e l’altra. La misura in cui sostituirà o integrerà le procedure esistenti dipenderà dai requisiti applicabili e dagli schemi di valutazione adottati.
Monitoraggio continuo, drift e test di regressione
Il controllore registra decisioni, livelli di confidenza e distribuzione dei dati in ingresso. Una quota di pezzi viene ricontrollata da ispettori o metodi di riferimento per stimare in continuo gli errori reali; indicatori di drift segnalano quando i dati si allontanano da quelli di validazione; ogni modifica al modello passa test di regressione prima della produzione, secondo le logiche MLOps. Ne nasce un flusso di evidenze sempre aggiornato al posto della fotografia statica dell’audit.
La verifica indipendente diventa supervisione continua
Cambierà così il ruolo della verifica indipendente. L’ente terzo non potrà più limitarsi a esaminare documenti e campioni in una visita programmata, ma dovrà accertarsi che il monitoraggio sia adeguato, le metriche significative e i dati di riferimento indipendenti e che le soglie siano collegate ad azioni concrete, tutto ciò potrebbe avvenire anche accedendo direttamente ai pannelli di controllo del sistema. L’audit diventerà supervisione della supervisione continua.
Soglie, indipendenza e costi per le PMI
Restano diverse questioni aperte, come ad esempio: chi fissa le soglie per ciascun settore, come garantire indipendenza se i dati li produce il fabbricante, come proteggere modelli e dati industriali, quanto costerà tutto questo alle PMI, che reggono il manifatturiero italiano.
Le norme ISO offrono una base comune da cui partire, ma i sistemi implementativi sono in larga parte da costruire.
Affidabilità dell’IA e futuro del controllo qualità industriale
L’introduzione dell’IA nel controllo qualità non elimina la necessità di verificare i risultati, ma richiede di estendere i controlli al sistema che li produce. Non basta sapere quanto un modello sia accurato al momento della sua validazione: occorre verificare che continui a funzionare correttamente anche quando cambiano i prodotti, i materiali o le condizioni di produzione.
Per le aziende manifatturiere questo significa investire nella qualità dei dati, definire metriche coerenti con i rischi del processo e predisporre procedure per individuare e gestire eventuali cali di prestazione. Un sistema che riconosce correttamente i difetti durante i test può infatti comportarsi diversamente in produzione. Se questi cambiamenti non vengono rilevati tempestivamente, il rischio è che pezzi non conformi superino i controlli senza che l’azienda se ne accorga.
Anche gli organismi di verifica dovranno ampliare le proprie competenze, affiancando alla conoscenza dei processi industriali quelle relative alla data science e all’ingegneria del software. Il loro compito sarà valutare non soltanto i risultati ottenuti in fase di prova, ma anche l’efficacia dei controlli adottati durante l’esercizio del sistema.
L’affidabilità dell’IA, quindi, non può essere considerata una proprietà acquisita una volta per tutte. Deve essere sostenuta da evidenze verificabili, aggiornate nel tempo e proporzionate ai rischi dell’applicazione. È su questa capacità di dimostrare che il sistema continua a fare ciò per cui è stato progettato che si giocherà una parte importante del futuro del controllo qualità industriale.




























Partecipa alla community