Fondata nel 2019, Diskover sviluppa soluzioni avanzate di intelligenza artificiale applicate al manifatturiero e ai processi aziendali. Dalla manutenzione predittiva alla piattaforma generativa SMeCo, il CEO Riccardo Di Nisio delinea un modello che integra dati, automazione e capitale umano nel quadro evolutivo dell’Industria 5.0.
Dott. Di Nisio, Diskover nasce nel 2019 con una missione molto chiara: portare l’intelligenza artificiale nelle aziende. Cosa significava concretamente, allora, e cosa significa oggi?
Nel 2019 parlare di intelligenza artificiale in azienda significava, nella maggior parte dei casi, muoversi su un piano ancora teorico o sperimentale. La nostra ambizione, invece, era estremamente concreta: volevamo inserire l’AI nei processi operativi quotidiani, rendendola uno strumento decisionale e non un mero esercizio accademico. Oggi questo approccio si è evoluto. Non si tratta più solo di introdurre algoritmi, ma di costruire vere e proprie architetture intelligenti che connettono dati, persone e processi. L’intelligenza artificiale diventa così un’infrastruttura invisibile ma centrale, che guida le scelte aziendali in modo continuo.
Avete scelto il manifatturiero come primo ambito di applicazione. Qual è stata la logica strategica dietro questa scelta?
Il manifatturiero è il luogo dove il dato diventa immediatamente valore economico. Ogni inefficienza si traduce in costi, ogni miglioramento in margine. Questo ci ha permesso di dimostrare rapidamente l’impatto delle nostre soluzioni. Inoltre, è un settore caratterizzato da grande complessità operativa: macchinari, cicli produttivi, variabili ambientali. Un contesto ideale per applicare modelli predittivi e generare vantaggi competitivi tangibili.
Entrando nel merito, cosa fanno esattamente i vostri sistemi di manutenzione predittiva e predictive quality?
Operiamo su due livelli. Da un lato monitoriamo lo stato degli impianti attraverso sensori e sistemi di acquisizione dati ad alta frequenza; dall’altro utilizziamo algoritmi di machine learning per interpretare questi dati e individuare pattern anomali. Questo ci consente di prevedere con anticipo potenziali guasti o derive qualitative nel processo produttivo. In pratica, l’azienda non reagisce più al problema, ma lo anticipa. Il risultato è una riduzione significativa dei fermi macchina, una maggiore stabilità della produzione e un abbattimento degli scarti.
Avete sviluppato anche soluzioni proprietarie e brevettate. Quanto pesa la ricerca in questo percorso?
La ricerca è fondamentale. Le nostre soluzioni, come la tecnologia Rewind, nascono proprio dall’esigenza di adattare modelli teorici a contesti industriali reali, spesso molto complessi.
Non si tratta semplicemente di applicare algoritmi esistenti, ma di costruire framework capaci di funzionare in ambienti produttivi eterogenei, con dati imperfetti e variabili difficili da controllare.
Il fatto di aver lavorato con player di rilievo, sia nazionali che internazionali, ci ha consentito di raffinare queste tecnologie e renderle scalabili.
Molte PMI continuano a percepire la manutenzione predittiva come un costo. Perché?
È una questione culturale. Spesso si tende a ragionare in termini di costo immediato, senza considerare il rischio e il costo opportunità. Un fermo macchina non pianificato può avere un impatto economico enorme, ma viene percepito come un evento sporadico. La manutenzione predittiva, invece, è un investimento che riduce drasticamente questa incertezza. Serve quindi un cambio di mentalità: passare da una logica reattiva a una logica preventiva e strategica.
Nel 2023 avete integrato la generative AI. Cosa ha reso possibile questo passaggio?
La disponibilità di una base dati strutturata. Senza dati organizzati e affidabili, la generative AI rischia di produrre risultati poco utili. Noi partivamo già da un’infrastruttura consolidata nel mondo predittivo. L’introduzione della generativa ci ha permesso di fare un salto: non solo prevedere, ma anche generare contenuti, automatizzare processi e supportare direttamente le attività operative.
SMeCo è il risultato di questa evoluzione. In cosa consiste esattamente?
SMeCo è una piattaforma che integra AI predittiva e generativa con un obiettivo preciso: orchestrare la complessità informativa delle aziende. Oggi le imprese utilizzano molteplici sistemi – ERP, CRM, gestionali – che producono dati frammentati. Questo comporta un enorme lavoro manuale per raccogliere, elaborare e interpretare le informazioni. SMeCo si inserisce tra questi sistemi e li rende coerenti, automatizzando i flussi e restituendo informazioni già strutturate.
Lei parla di “orchestratore” più che di software. Perché questa distinzione è importante?
Perché non aggiungiamo un ulteriore livello di complessità, ma riduciamo quella esistente. Non chiediamo alle aziende di cambiare i propri sistemi, ma li mettiamo in dialogo tra loro.
In questo senso, SMeCo diventa un punto di sintesi che semplifica l’accesso ai dati e li trasforma in azioni.
Il modello human-in-the-loop è centrale. Come si traduce nella pratica quotidiana?
Durante le ore notturne il sistema esegue una serie di attività: analizza dati, genera report, prepara documenti, supporta attività commerciali e amministrative. Quando l’operatore arriva in azienda, trova una dashboard con attività già elaborate e validate preliminarmente dal sistema. Il suo compito è verificare, rifinire e approvare. Questo consente di spostare il lavoro umano da attività ripetitive a compiti a maggiore valore cognitivo.
C’è anche un tema di conoscenza aziendale. In che modo SMeCo interviene su questo fronte?
Uno dei problemi principali delle aziende è che il know-how è spesso implicito, distribuito nelle persone e difficilmente trasferibile. SMeCo consente di strutturare questa conoscenza: ogni interazione, ogni validazione, ogni documento contribuisce ad arricchire una base dati condivisa.
In questo modo, il sapere individuale diventa patrimonio collettivo, riducendo la dipendenza da singole figure e aumentando la resilienza organizzativa.
Possiamo dire che questo approccio anticipa l’Industria 5.0?
Sì, perché mette al centro la collaborazione tra uomo e macchina. Non si tratta più solo di automazione, ma di integrazione intelligente. Tuttavia, la tecnologia da sola non basta. È necessario sviluppare una cultura di governance dell’intelligenza artificiale: sapere quando usarla, come usarla e con quali obiettivi.
Qual è oggi la sfida principale per le aziende italiane?
La consapevolezza. Molte aziende hanno accesso a tecnologie avanzate, ma non hanno ancora sviluppato una visione strategica su come utilizzarle. Per questo lavoriamo molto anche sulla formazione: aiutare le persone a comprendere il valore del dato e a utilizzarlo in modo efficace.
In definitiva, qual è il contributo distintivo di Diskover?
Il nostro valore sta nell’approccio pragmatico. Non portiamo tecnologia fine a se stessa, ma soluzioni costruite sui dati reali delle aziende. Il nostro obiettivo è accompagnare un cambiamento profondo: trasformare i dati in decisioni, le decisioni in processi e i processi in vantaggio competitivo duraturo.
