Molti clienti di Erre Quadro ci hanno richiesto un approfondimento sui punti chiave sottolineati da Satya Nadella durante il World Economic Forum 2026. Il concetto centrale espresso dal CEO di Microsoft riguarda la sovranità tecnologica aziendale in un’era in cui i modelli di intelligenza artificiale si stanno trasformando in “commodity”.
Una delle parole chiave identificate è Context Engineering (Ingegneria del Contesto). Sebbene il termine possa sembrare nuovo, Nadella lo utilizza per descrivere l’evoluzione di concetti che in passato abbiamo conosciuto come:
- Knowledge Graph (Grafi di conoscenza)
- Ontologie (termine oggi riutilizzato massicciamente da Palantir per promuovere la sua piattaforma Foundry).
Ma cosa sono le ontologie o i knowledge graph e come il controllo dei dati e l’ingegnerizzazione del contesto possono diventare i nuovi pilastri della competitività?
Trasformare la Complessità in Conoscenza
L’ingegneria di prodotto e di processo si confronta ancora oggi con una sfida cruciale: la complessità delle informazioni e le loro interconnessioni. Specifiche tecniche, report di test, disegni CAD e simulazioni contengono dati preziosi, ma spesso rimangono isolati o difficili da interpretare nel loro complesso. Questa criticità è ancora più evidente quando si lavora con sistemi tecnologicamente complessi, come macchinari industriali, dispositivi elettronici o prodotti digitali che interagiscono con componenti fisiche e software. Comprendere le relazioni tra requisiti, parametri di progetto e vincoli fisici diventa quindi fondamentale per evitare errori, ottimizzare il design e garantire sicurezza e affidabilità.
In questo contesto emerge il ruolo dell’ontologia per l’ingegneria, che consente di strutturare la conoscenza tecnica in modo esplicito e verificabile.
I progettisti non devono più limitarsi a raccogliere dati, ma devono poterli interrogare come un sistema coerente: quali componenti contribuiscono a una funzione? Quali vincoli possono generare un failure? Come si collegano materiali, geometria e prestazioni attese?
Perché gli LLM non funzionano in ingegneria
I Large Language Models hanno reso il linguaggio più facile da interrogare e sintetizzare, ma mostrano forti limiti quando vengono usati in ambiti tecnici. Non comprendono davvero ciò che producono: funzionano per correlazioni statistiche, un po’ come uno studente che ha studiato a memoria senza capire. Questo porta alle allucinazioni, cioè risposte convincenti ma prive di basi solide, un rischio inaccettabile in contesti ingegneristici. L’ingegneria, infatti, non fa leva su un’ampia base statistica ma si basa su funzioni, vincoli, norme di dominio e relazioni causali, elementi che questi modelli non riescono a interpretare. Le risposte possono variare senza una logica ricostruibile e i segnali più deboli, spesso strategici, vengono facilmente persi. A tutto questo si aggiunge il tema dei costi: sviluppare e mantenere sistemi avanzati basati su LLM è oneroso e i benefici economici non sono sempre chiari, rendendo molti progetti difficili da sostenere nel tempo… e, infatti, spesso falliscono.
AI deterministica per l’ingegneria
La soluzione risiede nell’insegnare all’intelligenza artificiale le logiche che regolano l’ingegneria. Per affrontare questa sfida, Erre Quadro ha sviluppato un motore ontologico addestrato per popolare un’ontologia multi-dominio capace di trasformare specifiche tecniche, report di test e disegni CAD (ma anche tabelle di un MES o di un CMMS) in un grafo di conoscenza azionabile. Questo motore non si limita a ragionare su base statistica, ma individua entità semantiche profonde tipiche dell’ingegneria, come requisiti funzionali, effetti fisici, proprietà, meccanismi di failure e parametri di stato. Le entità vengono poi collegate attraverso relazioni logiche, assiomatiche (usando come base l’axiomatic Design di Nam Suh) e topologiche (dove si trovano le varie componenti nello spazio e come si interfacciano tra loro), creando un grafo della conoscenza ingegneristica che permette di capire non solo di cosa tratta il documento, ma come le varie entità estratte interagiscono e quali implicazioni hanno sul funzionamento complessivo.
Scopri come i nostri software basati su Intelligenza Artificiale possono aiutarti nella Ricerca Brevettuale.
Come è fatta un’ontologia ingegneristica
L’ontologia è costruita con lo scopo di coprire l’intero ciclo di vita del design, ma si estende poi anche alla produzione, al service e all’eventuale fine vita del prodotto. Alcuni esempi di entità che la compongono sono: le entità di intento che comprendono obiettivi e requisiti di progetto, quelle di comportamento che descrivono funzioni ed effetti fisici, le entità di realizzazione che rappresentano componenti, strutture e proprietà materiali, e le entità di risk management che identificano cause di guasto, vincoli normativi e criticità progettuali.
In termini di relazioni, il motore va ben oltre la semplice gerarchia linguistica (iperonimia/iponimia). Per fare alcuni esempi, tra i più rilevanti, è possibile individuare:
- Relazioni Assiomatiche: Il legame diretto tra Functional Requirements (FR) e Design Parameters (DP), permettendo di verificare se il design è accoppiato o ridondante secondo l’equazione [FR] = [A][DP], dove [A] è la matrice assiomatica di Nam Suh.
- Relazioni di Meronimia: La scomposizione gerarchica “essere parte di” (es. [vite] \subset [gruppo fissaggio] \subset [carter]) o quelle di meronimia materiale (ovvero il [vetro] della finestra, il [bronzo] della bronzina, ecc..).
- Relazioni Causali: La catena che lega un Effetto Fisico a un Behavior e, infine, a un possibile Failure Mode.
Entità e relazioni cooperano per rendere esplicite le dipendenze progettuali e per valutare in modo strutturato completezza, coerenza, accoppiamento e rischi potenziali lungo l’intero ciclo di vita del prodotto e attraverso tutte le funzioni aziendali.
Trasformare i Dati Tecnici in Conoscenza Progettuale
Un aspetto centrale del nostro motore è la capacità di operare direttamente su documenti tecnici: poco importa che siano tabelle del MES, interventi manutentivi descritti nel CCMS, dati riguardanti gli acquisti da parte di un certo cliente descritto nel CRM, pdf di norme tecniche o disegni CAD. Il sistema è in grado di identificare entità geometriche (assi di simmetria, centri di massa, punti di tangenza e piani di riferimento), ricostruire relazioni topologiche e vincoli come coassialità o interfacce di contatto, e riconoscere proprietà quantitative e qualitative come rugosità superficiale e planarità. Se le informazioni sono presenti in un CAD è in grado di collegarle con i cicli di lavoro con i test e le misure da effettuare sul componente e alle FMECA presenti nei repositori del reparto qualità.
Collegando geometria, funzione e performance, è possibile individuare criticità progettuali e prevenire problemi prima che si traducano in costosi errori in produzione o manutenzione. È questo il caso in cui le evidenze del campo vengono catturate in produzione e ritornano automaticamente nel reparto R&D o in progettazione. Ma facciamo un esempio.
Consideriamo la progettazione di una pompa idraulica. Un sistema tradizionale potrebbe limitarsi a rilevare la parola “albero” senza distinguere il contesto tecnico. Il motore ontologico, invece, identifica l’entità specifica “Albero motore” [struttura], la collega alla funzione di trasmissione di coppia, rileva vincoli come il gioco con la bronzina e segnala un possibile surriscaldamento [failure] se la rugosità superficiale non rispetta le specifiche. Questo approccio consente di anticipare criticità, trasformando il dato tecnico in uno strumento realmente utile per il processo decisionale.
I vantaggi di un motore ontologico
Il motore ontologico di Erre Quadro è progettato per essere snello, veloce e deterministico. A differenza dei modelli generativi, non richiede grandi risorse computazionali e produce risultati affidabili e consistenti su larga scala. Utilizza il contesto tecnico per disambiguare termini, è deployabile direttamente presso il cliente e può adattarsi rapidamente a nuovi progetti o settori diversi. In questo modo, offre informazioni precise e utilizzabili in tempi rapidi, integrandosi con i workflow aziendali senza aggiungere complessità, trasformando dati sparsi e frammentati in conoscenza azionabile.
Da non trascurare è anche la capacità di adattarsi in breve periodo alla conoscenza tecnica propria dell’impresa ovvero di assorbire nelle sue logiche di funzionamento anche il Context Engineering, il vero fulcro della sovranità tecnologica aziendale di cui parlava Saty Nadella al World Economic Forum 2026.
Richiedi una demo dei nostri tools AI.
