L'Intelligenza Artificiale nell'Agroalimentare e Manifatturiero: controllo qualità in linea di produzione

Nel 2023 il 13,3% del cibo prodotto nel mondo è andato perso dopo il raccolto e prima di arrivare al punto vendita, secondo il portale dati SDG della FAO. Una parte di quella perdita si genera dentro lo stabilimento. Una telecamera collegata a un modello di intelligenza artificiale guarda ogni singolo pezzo che passa sul nastro e decide in millisecondi se va bene. Ecco cosa riesce a vedere, dove produce valore, e a quali condizioni funziona.

Punti chiave

• Nel 2023 le perdite alimentari prima della vendita hanno raggiunto il 13,3% a livello globale, con il 25,4% su frutta e verdura (FAO).
• Un sistema di visione artificiale controlla il 100% della produzione, invece di una campionatura.
• Il dato "+90% di difetti rilevati" che compare in ogni presentazione commerciale arriva da un report McKinsey del 2017.
• In Italia il 71% delle grandi imprese ha almeno un progetto AI attivo, contro l'8% delle PMI (Osservatorio Politecnico di Milano, febbraio 2026).

Che cosa vede un sistema di intelligenza artificiale

Il modello impara guardando esempi. Gli si mostrano migliaia di immagini di prodotto buono e di prodotto difettoso, e da lì ricava da solo il criterio per distinguerli. Per questo riconosce una crepa irregolare in una crosta di pane o un graffio su una superficie verniciata, cioè difetti che nessuno saprebbe descrivere in anticipo con una formula.

Il salto vero riguarda la copertura. Una linea che produce 200.000 pezzi al mese e ne controlla uno ogni cinquecento ne guarda 400. Se lo 0,2% della produzione è difettoso, in quel mese ci sono 400 pezzi da fermare e la campionatura ne intercetta in media meno di uno. Con un sistema di visione artificiale la percentuale controllata passa da una frazione al 100%, e il giudizio resta identico alla prima unità e alla centomillesima.

Dove serve nell'agroalimentare

L'industria alimentare italiana ha chiuso il 2025 con oltre 200 miliardi di euro di fatturato e 59 miliardi di export (Federalimentare, Rapporto 2026). Su volumi di quella scala, mezzo punto di scarto evitato diventa una voce di bilancio. Le applicazioni con un ritorno leggibile oggi sono quattro.

Selezione per qualità. Il modello valuta calibro, colore e grado di maturazione pezzo per pezzo, e la linea manda ogni prodotto al canale di destinazione giusto. Un lotto disomogeneo si divide invece di essere declassato interamente.

Corpi estranei e prodotto compromesso. Frammenti, residui di lavorazione, prodotto rotto o schiacciato. Sono i difetti che generano richiami, e un richiamo costa molto più della linea di ispezione che lo avrebbe evitato.

Confezionamento. Sigilli, saldature, livelli di riempimento, tappi mancanti. Il modello ferma la confezione difettosa prima che entri nel pallet, quindi prima che diventi un reso dalla distribuzione.

Etichetta. Lotto, scadenza, corrispondenza tra etichetta e contenuto. Gli allergeni non dichiarati restano tra le non conformità più ricorrenti in Europa, e nascono spesso da uno scambio di etichetta in linea.

Dove serve nel manifatturiero

Lo stesso meccanismo cambia oggetto e resta identico nel funzionamento. Quattro applicazioni ricorrenti.

Difetti di superficie. Graffi, ammaccature, colature di vernice, difformità di finitura. Sono difetti estetici che sui prodotti di fascia alta pesano quanto quelli funzionali.

Verifica di assemblaggio. Presenza, posizione e orientamento dei componenti. Il modello riconosce il pezzo montato al contrario o il componente assente prima che il prodotto prosegua lungo la linea.

Giunzioni e saldature. Continuità del cordone, porosità, disallineamenti. Difetti che diventano rotture in campo, con costi di garanzia molto superiori al valore del pezzo.

Tracciabilità visiva. Ogni unità prodotta lascia un'immagine archiviata. Quando arriva una contestazione, esiste la prova di come quel pezzo è uscito dallo stabilimento.

Il numero che tutti citano arriva dal 2017

In quasi ogni presentazione commerciale compare la stessa cifra: la visione artificiale aumenta i difetti rilevati fino al 90% rispetto al controllo umano. La fonte esiste ed è autorevole. È un report McKinsey sull'industria tedesca pubblicato nell'aprile 2017.

Il punto è la data. Quel documento ha nove anni e stimava il potenziale di tecnologie precedenti a quelle di oggi. Resta un ordine di grandezza plausibile, da trattare come tale quando si scrive un capitolato. Chi lo presenta come garanzia di risultato, e chi lo accetta come tale, corre lo stesso rischio.

Intanto l'adozione reale procede lentamente. Secondo i dati McKinsey ripresi da Quality Magazine nel giugno 2025, solo il 5% delle funzioni produttive aveva adottato l'AI al 2024, e quasi tre aziende su quattro faticano a estendere il valore ottenuto dai primi progetti.

La scelta che determina il risultato

La riuscita di un progetto dipende da una decisione che sembra tecnica ed è economica: quanto rendere severo il sistema. Alzare la severità intercetta più difetti e scarta anche prodotto buono. Abbassarla riduce lo scarto e lascia passare qualche pezzo dubbio. Il punto giusto dipende dal rapporto tra quanto costa un richiamo e quanto costa un pallet scartato senza motivo, e quel rapporto cambia da azienda ad azienda. È una decisione da prendere in direzione, con produzione e qualità nella stessa stanza.

Le altre condizioni sono pratiche. Il sistema va addestrato su esempi di difetti veri, che essendo rari richiedono mesi di raccolta. La risposta deve arrivare prima che il pezzo sia passato oltre. Quando cambia il fornitore della materia prima o cambia il formato, il modello va ritarato. Un impianto di ispezione si mantiene come qualsiasi altro impianto.

Che cosa dice l'AI Act

Dal 27 luglio 2026 è in vigore il Regolamento (UE) 2026/1744, che ha spostato in avanti le scadenze più pesanti dell'AI Act. Gli obblighi per i sistemi ad alto rischio autonomi partono dal 2 dicembre 2027, quelli per i sistemi integrati nei prodotti dal 2 agosto 2028.

Un sistema che valuta la qualità commerciale di un prodotto e un sistema che protegge un operatore ricadono in perimetri normativi differenti, quindi la classificazione va fatta caso per caso. Il rinvio non è una sospensione: le analisi legali del provvedimento stimano tra 8 e 14 mesi il tempo medio per completare un percorso di conformità. Questo articolo descrive un quadro generale e va verificato con il proprio consulente legale.

Da dove partire

Quattro passaggi, in ordine.

1. Misurare il difetto. Quanti pezzi non conformi escono oggi e quanto costa ciascuno. Senza questo numero il business case resta un'intuizione.
2. Scegliere il difetto più costoso tra quelli che una telecamera vede bene. Il primo progetto serve a produrre una prova. La copertura completa viene dopo.
3. Raccogliere immagini prima di sviluppare. Sei o otto settimane di acquisizione in condizioni reali, con la classificazione fatta da chi conosce il prodotto.
4. Decidere la severità in direzione. Il compromesso tra scarto e rischio è una scelta di business.

Dopamine Studio lavora sull'integrazione dell'AI nei processi aziendali e ha portato in produzione sistemi conversazionali per il settore alimentare. L'AI Opportunity Audit è il punto di ingresso: una valutazione dei processi dove l'intelligenza artificiale riduce costi o aumenta capacità, con una stima di ritorno prima di qualunque sviluppo. Per parlarne, scrivere a [email protected].

Vedi anche il nostro Audit delle Opportunità AI.