AI ed economia circolare: applicazioni, casi e limiti

AI ed economia circolare: quale relazione?

L’intelligenza artificiale può aiutare a mantenere prodotti, componenti e materiali in uso più a lungo. Analizzando immagini, documenti e dati operativi, può rendere visibili sprechi e opportunità che un’organizzazione fatica a individuare o gestire. Ma usare AI non rende automaticamente circolare un processo: conta ciò che cambia nel mondo fisico, dalla prevenzione degli scarti alla riparazione, dal riuso al recupero di materiali.

La domanda di partenza non è quindi “quale modello adottare?”, ma “quale perdita di valore vogliamo ridurre?”. Una migliore previsione può evitare sovrapproduzione; una diagnosi può consentire di riparare un componente invece di sostituirlo. Se però il risultato resta in un report, senza modificare acquisti, progettazione o operazioni, il beneficio rimane potenziale.

Questa prospettiva collega le tecnologie digitali ai principi dell’economia circolare. Il lavoro della Ellen MacArthur Foundation su AI e circolarità offre un riferimento per esplorare questa relazione.

Applicazioni lungo il ciclo di vita

Progettazione e materiali. L’AI può supportare il confronto tra alternative, cercare informazioni tecniche e suggerire configurazioni. Le proposte devono comunque rispettare requisiti di sicurezza, durabilità, riparabilità e disponibilità dei materiali, verificati da persone competenti.

Produzione e approvvigionamenti. Modelli previsionali possono aiutare a individuare anomalie, ridurre difetti e gestire scorte. Una previsione più accurata è utile alla circolarità solo se riduce effettivamente consumi, eccedenze o prodotti invenduti, non soltanto se aumenta la produzione.

Uso, manutenzione e riuso. Dati su condizioni e guasti possono orientare manutenzione e riparazione. Sistemi di ricerca possono facilitare l’incontro tra componenti disponibili e nuovi utilizzatori. Compatibilità, qualità, garanzie e logistica restano condizioni decisive: trovare un possibile acquirente non equivale a completare un riuso.

Fine utilizzo e recupero. Visione artificiale e sensori possono riconoscere materiali o guidare alcune operazioni di separazione. La qualità dei flussi in uscita e la presenza di sbocchi industriali determinano se il materiale recuperato sostituirà davvero risorse vergini. Il riciclo è una parte del quadro, non l’unica applicazione possibile.

Tecnologie e dati: non esiste una sola AI

La computer vision interpreta immagini; i modelli predittivi stimano quantità, condizioni o rischi; l’AI generativa può aiutare a consultare documenti, organizzare informazioni e formulare ipotesi. Non sono strumenti intercambiabili. Un assistente testuale non sostituisce un sensore, una prova di laboratorio o un controllo qualità.

Prima di scegliere la tecnologia occorre verificare quali dati esistono, chi ne ha i diritti, quanto sono rappresentativi e come vengono aggiornati. Codici prodotto incoerenti, composizioni mancanti e registrazioni incomplete possono essere un limite più importante della scelta del modello. Anche i risultati vanno collegati al prodotto, al lotto e alla decisione a cui si riferiscono.

Un passaporto digitale di prodotto può strutturare informazioni utili, ma non è di per sé un’applicazione di AI. Analogamente, un processo automatizzato può funzionare con regole semplici. Quando si impiegano agenti capaci di eseguire azioni, vanno definiti autorizzazioni, soglie di approvazione e registri delle operazioni: ordini, classificazioni critiche e decisioni di sicurezza non dovrebbero dipendere da risposte non verificate.

Tre casi pubblici da cui partire

Greyparrot descrive un sistema di telecamere e AI per analizzare i materiali sui nastri degli impianti di selezione. Il punto è trasformare l’osservazione dei flussi in informazioni operative, non limitarsi a riconoscere oggetti.

Refiberd combina immagini iperspettrali e machine learning per stimare la composizione dei tessuti. È un esempio di come la disponibilità di informazioni sui materiali possa supportare la selezione dei flussi tessili.

Hiro Robotics e Iren: un approfondimento pubblicato da Iren nel 2022 descrive l’impiego di visione artificiale e robotica collaborativa nello smontaggio di monitor e televisori a schermo piatto.

Sono casi documentati dai rispettivi operatori, non una dimostrazione che la stessa soluzione convenga in ogni impianto. Prestazioni, costi e benefici vanno verificati nel contesto di applicazione. Nel nostro approfondimento sui tre casi discutiamo le domande da porre prima di trasferire queste esperienze.

Come impostare un progetto pilota

1. Definire la decisione. Individuare un problema circoscritto, un responsabile operativo e il cambiamento atteso. “Ridurre gli scarti di una linea” è un punto di partenza più verificabile di “rendere l’azienda sostenibile con AI”.

2. Costruire una base di confronto. Misurare il processo attuale e confrontare l’ipotesi AI con alternative più semplici: nuove procedure, migliore raccolta dati, regole automatiche o interventi di progettazione. Il confronto deve usare condizioni comparabili.

3. Testare su dati e flussi rappresentativi. Includere casi difficili, eccezioni e variazioni stagionali. Stabilire in anticipo quali errori sono accettabili, quando interviene una persona e quali risultati consentono di proseguire, correggere o interrompere il progetto.

4. Collegare il test all’operatività. Stimare integrazione, formazione, manutenzione e costo totale. Un pilota riuscito deve poter essere utilizzato dalle persone che gestiscono il processo, non solo dal gruppo che ha sviluppato il modello.

Misurare risultati e limiti

La precisione del modello è solo un indicatore tecnico. Per valutare la circolarità servono misure come materiali evitati, prodotti effettivamente riparati, vita utile aggiuntiva, qualità del recupero e destinazione dei flussi. Vanno affiancate a costi, tempi, consumi e affidabilità. La misurazione della circolarità aiuta a definire perimetro, unità e confronto nel tempo.

Occorre considerare anche l’impronta delle infrastrutture digitali e gli effetti indiretti. Maggiore efficienza può incentivare più consumo e annullare parte del vantaggio. Il rapporto Energy and AI dell’IEA analizza il rapporto tra AI e sistemi energetici: i benefici non vanno valutati separatamente dalle risorse necessarie per ottenerli.

Altri rischi riguardano informazioni inesatte, dati riservati, dipendenza dal fornitore e perdita di competenze. Per documenti tecnici e dichiarazioni ambientali servono fonti rintracciabili e revisione umana. È utile distinguere sempre tra beneficio atteso, risultato del test e impatto effettivamente misurato.

Dalle opportunità a un’iniziativa concreta

Per un’impresa, il primo passo è selezionare poche opportunità coerenti con i propri flussi di materiali, prodotti e competenze. Una scheda di progetto dovrebbe indicare problema, dati disponibili, soluzione alternativa, partner necessari, indicatori e condizioni per il test. Solo dopo ha senso decidere se sviluppare, acquistare o collaborare con una startup.

Tondo Lab lavora su strategia, innovazione e sviluppo di iniziative circolari. L’incontro con l’AI apre possibilità da valutare con rigore, collegando fattibilità tecnica, sostenibilità economica e impatti misurabili. Per approfondire le competenze manageriali è disponibile anche il percorso AI & Circular Economy Lab.