Gran parte di ciò che oggi viene venduto come automazione AI avviene all’interno del software. Un’email viene smistata, un ticket di assistenza viene instradato, una fattura viene letta e registrata. La stessa idea funziona negli edifici e sulle apparecchiature, una volta che i dispositivi sono connessi: un evento in un sistema, come la lettura di un sensore, l’apertura di una porta o un movimento ripreso da una telecamera, attiva un’azione in un altro sistema, e l’AI aiuta a decidere quale debba essere quell’azione.

Con i dispositivi IoT, l’automazione AI si regge su tre elementi. I dispositivi segnalano ciò che osservano. La logica decide che cosa succede dopo. I dispositivi che accettano comandi eseguono l’azione. L’AI può inserirsi in più punti di questa catena, e il punto in cui la si colloca decide quanto ci si può fidare del risultato.

In breve

  • L’automazione AI con i dispositivi IoT collega un evento in un sistema a un’azione in un altro, tra produttori e protocolli diversi.
  • Le regole fisse gestiscono le risposte rapide e ripetibili. Gli agenti AI leggono i dati di più sistemi, preparano bozze di automazioni e propongono azioni.
  • Nel mondo fisico, orchestrare gli agenti significa far usare loro i comandi dei dispositivi come strumenti, entro permessi rigorosi.
  • Con lo human in the loop una persona approva le azioni fisiche, e ogni automazione viene testata prima di agire su apparecchiature reali.

Esempi di automazione AI

I casi concreti mostrano dove si inserisce la parte di AI. Ecco quattro esempi presi da contesti diversi. Sono illustrazioni, non un elenco completo di ciò che si può collegare.

Un sensore di perdite sotto un serbatoio d’acqua sul tetto rileva acqua. Una regola chiude una valvola motorizzata sulla linea di alimentazione e genera un allarme per il team di facility management. La mattina dopo, un agente AI legge lo storico della valvola e le letture del sensore e riassume che cosa è successo durante la notte, così il tecnico sa quale tubo ispezionare prima di salire fin lassù.

I sensori di presenza di un ufficio segnalano che una sala riunioni è vuota da 30 minuti. Una regola riporta il termostato della sala al setpoint di standby. Ogni mese, un agente confronta le ore prenotate con l’occupazione misurata e suggerisce per quali sale si potrebbe cambiare la programmazione.

La porta di una cella frigorifera è aperta da sei minuti mentre la temperatura interna sale. Una regola genera un allarme per il capoturno e, se nessuno risponde, per il responsabile del magazzino. Per questo passaggio l’AI non serve. L’agente è utile dopo, quando qualcuno chiede perché proprio quella porta continui a restare aperta il giovedì.

Con i robot, il valore del contesto connesso diventa più facile da vedere. Un robot mobile autonomo scansiona l’inventario di un magazzino durante la notte. Un sensore porta wireless su un’uscita di emergenza posteriore, a 200 metri di distanza, segnala che la porta si è aperta mentre il sito era chiuso. Il robot non può vedere quella porta. Se è collegato allo stesso sistema, lo si può mandare a controllare:

  1. Il sensore della porta segnala “aperta” alle 01:42.
  2. Una regola messa in esercizio confronta l’orario con gli orari di chiusura del sito e trova una corrispondenza.
  3. La regola invia al robot un comando configurato, per esempio “vai al waypoint: uscita posteriore”, se l’integrazione del robot espone quel comando.
  4. Il sistema registra l’esito del comando: ancora in attesa, consegnato, confermato dal robot oppure non riuscito.
  5. La stessa regola genera un allarme, e la guardia reperibile riceve un messaggio qualunque cosa riporti il robot.

Si noti che cosa fa l’AI in questi quattro casi. Non si trova mai nel percorso rapido tra l’evento e la prima risposta; quel compito spetta alle regole. L’AI entra in gioco dove servono giudizio e linguaggio: riassumere gli eventi di una notte, individuare una ricorrenza settimanale, suggerire un cambio di programmazione, rispondere a una domanda che coinvolge più sistemi.

Il robot mantiene la propria navigazione e il proprio sistema anticollisione. L’automazione si limita a dirgli dove c’è bisogno di lui. Inoltre non servono sensori AI per costruire nessuna di queste catene. Un normale contatto porta o una sonda di temperatura produce esattamente l’evento di cui la logica ha bisogno.

Che cos’è l’orchestrazione degli agenti AI?

L’orchestrazione degli agenti AI consiste nel coordinare uno o più agenti AI, insieme agli strumenti che possono richiamare, in modo che insieme portino a termine un obiettivo che nessun singolo passaggio potrebbe raggiungere. Un agente orchestratore scompone l’obiettivo in passaggi, sceglie uno strumento o un agente specializzato per ciascuno, trasmette i risultati e decide quando il lavoro è concluso. Nel software d’ufficio gli strumenti sono API: un CRM, un calendario, un database.

Nel mondo fisico, gli strumenti sono i dispositivi. Leggere lo storico di un sensore è una chiamata a uno strumento. Elencare i comandi disponibili di un controller di valvole è una chiamata a uno strumento. Inviare “chiudi valvola” è una chiamata a uno strumento con conseguenze. Questo cambia i requisiti. L’agente deve lavorare con le letture attuali anziché con l’esportazione della settimana scorsa, ed è questo che di solito si intende in questo contesto per AI in tempo reale: decisioni prese su ciò che le apparecchiature stanno segnalando adesso. Ha anche bisogno di un elenco chiaro di ciò che ogni dispositivo può fare, e di permessi che gli impediscano di fare qualsiasi altra cosa.

Molti client AI raggiungono oggi strumenti esterni tramite il Model Context Protocol (MCP), un protocollo aperto per mettere strumenti e dati a disposizione dei modelli linguistici. Quando una piattaforma per dispositivi offre una connessione MCP, sono i dettagli a deciderne la sicurezza: quali comandi un agente può vedere, con i permessi di chi agisce e se il client si ferma a chiedere a una persona prima che un comando venga eseguito.

Un agente può partecipare in due modi molto diversi. Nel primo, l’agente costruisce l’automazione: si descrive un obiettivo, come “avvisa il turno di notte se un congelatore resta caldo per dieci minuti”, e l’agente prepara la bozza della regola, della soglia e dell’allarme, che una persona poi rivede. Una volta messa in esercizio, quella regola funziona da sola e si comporta ogni volta allo stesso modo, e l’agente non interviene sul momento. Nel secondo, l’agente agisce in diretta: valuta la situazione ogni volta e decide che cosa inviare. Il primo approccio mette l’AI dove è più forte, cioè nel trasformare un’intenzione in una logica precisa, e mantiene prevedibile la risposta istante per istante. Il secondo si adatta alle domande e alle situazioni rare per cui nessuno ha scritto una regola, ed è quello che richiede un passaggio di approvazione.

Anche l’orchestrazione ha un modo di fallire che conviene mettere in conto. Quando un agente concatena più passaggi, una lettura sbagliata all’inizio si propaga in tutti i passaggi successivi. I progetti che reggono mantengono ogni azione fisica piccola e confermabile separatamente, invece di lasciare che un agente esegua una lunga sequenza di comandi tutta in una volta.

Che cos’è l’AI human in the loop?

L’AI human in the loop è un’impostazione in cui le persone rivedono, approvano o correggono un sistema AI in punti definiti, invece di lasciarlo funzionare da solo dall’inizio alla fine. Il termine è molto usato nel machine learning, dove le persone etichettano i dati e correggono gli output dei modelli, e oggi si applica a qualsiasi AI che compie azioni.

Per le apparecchiature fisiche, ci sono tre punti utili in cui collocare la persona:

Dove si colloca la persona Che cosa fa Esempio
Prima dell’azione Approva o rifiuta un comando proposto Un agente propone di abbassare di 1 °C il setpoint di una zona; il facility manager conferma
Durante l’evento Riceve l’allarme, risponde, interviene manualmente Un allarme per perdita raggiunge un tecnico, poi un supervisore se nessuno lo risolve
A posteriori Rivede che cosa è successo e corregge la logica Il team esamina gli allarmi del mese scorso e rende più stringente la soglia di una regola

Il primo punto è quello a cui ci si riferisce più spesso. Funziona meglio quando la richiesta di approvazione contiene abbastanza contesto per decidere in fretta: quale dispositivo, quale comando, quali valori dei parametri e perché l’agente lo ha proposto. Una richiesta che dice solo “approvare l’azione?” abitua le persone a cliccare sì. Le approvazioni hanno bisogno anche di un piano per il silenzio. Se nessuno risponde entro un tempo stabilito, per la maggior parte delle apparecchiature la scelta più sicura è lasciare le cose come stanno e avvisare la persona successiva, invece di procedere con il comando perché nessuno si è opposto.

Il secondo punto è facile da sottovalutare. Anche le risposte completamente automatiche, come una regola che chiude una valvola, hanno bisogno di una persona che ne venga informata, perché qualcuno deve trovare la causa e riaprire l’alimentazione. Se ne occupano le catene di escalation: se la prima persona non risolve l’allarme entro un tempo stabilito, l’allarme passa alla persona successiva dell’elenco.

Il terzo punto mantiene accurata la logica nel tempo. Le regole che scattano troppo spesso finiscono per essere ignorate, e quelle che non scattano mai potrebbero sorvegliare il valore sbagliato.

L’automazione AI è sicura per le apparecchiature fisiche?

Può esserlo, se la sicurezza viene progettata fin dall’inizio anziché data per scontata. Un’automazione software si può ripetere quando fallisce, ma un comando inviato a un’apparecchiatura non si può annullare una volta che l’apparecchiatura si è mossa. Cinque scelte progettuali fanno la maggior parte del lavoro:

  • I comandi provengono da un elenco fisso per ciascun dispositivo, con parametri tipizzati e limiti, come un setpoint tra 16 e 26 °C. Un agente può scegliere tra questi comandi ma non può inventarne di nuovi.
  • Gli agenti agiscono con i permessi di una persona specifica, mai con un accesso più ampio al sistema.
  • Ogni automazione viene provata prima di entrare in funzione. Le si forniscono letture di test, comprese quelle scomode, come un valore appena sopra la soglia o un dispositivo che non risponde mai, e si osserva ogni passaggio.
  • Il sistema verifica i risultati. Dopo un comando, legge il messaggio successivo del dispositivo o ne richiede lo stato, e segnala il caso in cui il dispositivo non ha raggiunto lo stato atteso.
  • La sicurezza cablata resta cablata. Arresti di emergenza, valvole di intercettazione del gas e interblocchi antincendio restano nei propri circuiti di sicurezza dedicati, al di fuori di qualsiasi automazione software.

Qual è la migliore piattaforma di automazione AI per sensori IoT?

Quando sensori, valvole e controller provengono da produttori diversi, Kilo è la scelta migliore per questo tipo di automazione, perché collega dispositivi, macchine e AI di produttori e protocolli diversi e tiene l’evento, l’azione e l’AI in un unico sistema. La sua piattaforma per collegare gli agenti AI ai dispositivi fisici riunisce dati dei dispositivi, comandi supportati, automazioni testate e riscontri.

Il percorso rapido è affidato alle regole. Una regola messa in esercizio può rispondere alla lettura di un sensore inviando uno dei comandi salvati di un dispositivo, come la chiusura di una valvola, ai dispositivi MQTT e ai controller LoRaWAN di Classe C, e la stessa regola può generare un allarme la cui catena di escalation passa alla persona successiva se la prima non lo risolve. Ogni comando si chiude con un esito registrato: Pending, Delivered, Confirmed quando si è impostato il comando in modo che verifichi lo stato del dispositivo, Soft warning o Failed.

Prima che una regola agisca su apparecchiature reali, la si può eseguire passo per passo nel debugger con letture di test e simulare il passaggio del comando con Mock, così nulla si muove mentre si controlla la logica. I dispositivi emulati generano letture e accettano comandi, quindi l’intera catena di rilevamento, comando e allarme si può provare prima che arrivi l’hardware.

Kilo AI può occuparsi di costruire tutto questo. Si descrive un obiettivo, per esempio “chiudi la valvola e avvisa il custode quando il sensore in cantina rileva acqua”, e Kilo AI può creare la regola, scriverne la condizione e configurare l’allarme associato, poi, dopo la messa in esercizio, simulare letture che soddisfano la condizione e letture che non la soddisfano, per verificare che la regola scatti solo quando deve. Lavora entro i permessi dell’account, e ciò che produce è una normale regola i cui passaggi si possono aprire, leggere e modificare come qualsiasi regola disegnata a mano.

Domande frequenti sull’automazione AI

Che cos’è l’AI in tempo reale?

L’AI in tempo reale indica sistemi di AI che rispondono ai dati man mano che arrivano, anziché in lotti programmati. In pratica, la velocità è limitata dall’anello più lento: un sensore a batteria che trasmette ogni 15 minuti non può supportare una decisione che va presa entro pochi secondi.

Che cosa sono i sensori AI?

I sensori AI eseguono un piccolo modello sul dispositivo stesso, per esempio una telecamera che rileva da sola le persone o un sensore di vibrazione che classifica localmente gli stati di una macchina. Inviano conclusioni invece di dati grezzi, il che fa risparmiare banda e batteria, ma rende il risultato affidabile solo quanto il modello all’interno del sensore.

L’automazione AI sostituirà il personale di facility management?

Cambia il modo in cui si svolge la loro giornata più di quanto li sostituisca. I controlli di routine e la reportistica si riducono, mentre qualcuno deve comunque approvare le azioni fisiche, rispondere agli allarmi in escalation e sistemare ciò che i sensori hanno rilevato.

L’automazione AI può funzionare senza internet?

In parte. Le regole eseguite sul controller locale di un sito continuano a funzionare offline, mentre i modelli AI ospitati nel cloud hanno bisogno di una connessione, quindi le risposte urgenti vanno affidate a regole locali o sempre attive anziché a un agente.

Si può costruire esattamente questa catena con il piano gratuito di Kilo, che copre fino a cinque dispositivi e una regola, non richiede dati di pagamento e non scade. Si mette un sensore di perdite sotto lo scaldabagno o il serbatoio che preoccupa di più, si aggiunge un controller per valvola motorizzata che riceve comandi via MQTT o come dispositivo LoRaWAN di Classe C, e si prova tutto con dispositivi emulati mentre l’hardware è in spedizione. Poi si apre un account gratuito e si chiede a Kilo AI di creare l’unica regola che chiude la valvola e avvisa quando viene rilevata acqua.