continuous assurance

Chi controlla l’IA in fabbrica? La nuova sfida della qualità industriale


Indirizzo copiato

L’intelligenza artificiale sta trasformando il controllo qualità industriale, passando dalla rilevazione dei difetti alle decisioni sul processo. La maggiore autonomia dei modelli impone però nuove regole di validazione, monitoraggio continuo e verifica indipendente per dimostrarne affidabilità, robustezza e stabilità nel tempo

Pubblicato il 17 nov 2026

Andrea Zaffonato

coordinatore del Gruppo di Lavoro Intelligenza Artificiale di Conforma



AI Questions Icon
Chiedi all'AI
Riassumi questo articolo
Approfondisci con altre fonti
ChatGPT Image 8 nov 2026, 12_31_52




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?

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

guest

0 Commenti
Più recenti
Più votati
Inline Feedback
Vedi tutti i commenti

People&Change

Tutti
CARRIERE
AI E LAVORO
COMPETENZE
Produttività e AI
AI IN AZIENDA
SCENARI
FORMAZIONE
CULTURA AZIENDALE
AI in azienda
Carriera
AI leadership
Leggi l'articolo Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
competenze
Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
Leggi l'articolo AI e lavoro, chi beneficerà davvero del tempo risparmiato?
scenari
AI e lavoro, chi beneficerà davvero del tempo risparmiato?
Leggi l'articolo Industria 5.0, chi difende le competenze quando decide l’AI
scenario
Industria 5.0, chi difende le competenze quando decide l’AI
Leggi l'articolo AI e lavoro in Italia: perché la formazione non può aspettare
l'analisi
AI e lavoro in Italia: perché la formazione non può aspettare
Leggi l'articolo Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
lo studio
Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
Leggi l'articolo Shadow AI in azienda: come governare rischi, dati e sicurezza
policy
Shadow AI in azienda: come governare rischi, dati e sicurezza
Leggi l'articolo AI e lavoro: i rischi di adottarla senza riprogettare i processi
collaborazione uomo-ai
AI e lavoro: i rischi di adottarla senza riprogettare i processi
Leggi l'articolo Diritto a un call center umano: banco di prova per il futuro con l’AI
la sentenza
Diritto a un call center umano: banco di prova per il futuro con l’AI
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership
Leggi l'articolo Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
competenze
Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
Leggi l'articolo AI e lavoro, chi beneficerà davvero del tempo risparmiato?
scenari
AI e lavoro, chi beneficerà davvero del tempo risparmiato?
Leggi l'articolo Industria 5.0, chi difende le competenze quando decide l’AI
scenario
Industria 5.0, chi difende le competenze quando decide l’AI
Leggi l'articolo AI e lavoro in Italia: perché la formazione non può aspettare
l'analisi
AI e lavoro in Italia: perché la formazione non può aspettare
Leggi l'articolo Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
lo studio
Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
Leggi l'articolo Shadow AI in azienda: come governare rischi, dati e sicurezza
policy
Shadow AI in azienda: come governare rischi, dati e sicurezza
Leggi l'articolo AI e lavoro: i rischi di adottarla senza riprogettare i processi
collaborazione uomo-ai
AI e lavoro: i rischi di adottarla senza riprogettare i processi
Leggi l'articolo Diritto a un call center umano: banco di prova per il futuro con l’AI
la sentenza
Diritto a un call center umano: banco di prova per il futuro con l’AI
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership
0
Lascia un commento, la tua opinione conta.x