L’Agentic AI consente al settore della produzione meccanica di verificare modifiche di modello tramite simulazioni o test e di presentare i risultati all’ingegnere. Questo riduce il carico di coordinazione, ma richiede artefatti di ingegneria esistenti, mentre il giudizio sul design resta all’uomo.

Il contesto dell’automazione industriale

Gli ingegneri si trovano costantemente di fronte a nuove domande durante il processo di progettazione delle macchine. Le decisioni spaziano dalla strategia di controllo alla dinamica della macchina, fino alle interazioni tra sottosistemi. Ogni scelta influisce su quali aspetti considerare successivamente. Ad esempio, una maggiore velocità di produzione di una macchina per l’imballaggio può consentire di raggiungere l’obiettivo di throughput, ma può anche portare a limiti dinamici in altre parti del sistema.

L’Agentic AI offre ai produttori di macchine la possibilità di seguire queste domande lungo l’intero flusso di sviluppo. Un agente può effettuare cambiamenti ben definiti, avviare simulazioni o test, e mettere a disposizione modelli, protocolli e risultati per la verifica. Ogni risultato può influenzare il passo successivo, accorciando il ciclo di iterazione tra decisione di progettazione, impatto sul comportamento della macchina e risposta dell’ingegnere.

Ruolo del Model‑Based Design

Una parte consistente di queste iterazioni dipende dal trasporto del contesto rilevante da un passaggio di lavoro all’altro. I team devono mantenere il controllo sulla variante di macchina pertinente e sulle assunzioni di base, mentre conducono analisi, interpretano i risultati e decidono se è necessaria un’altra iterazione.

Il Model‑Based Design rende eseguibile gran parte di questo processo iterativo. Modelli di sistemi e sottosistemi consentono ai team di esplorare alternative di design e di valutare il comportamento della macchina e del controllo prima che l’hardware completo sia disponibile. Durante lo sviluppo di configurazioni e implementazioni, gli ingegneri aggiornano i modelli e ripetono i processi di verifica, disponendo così di un artefatto di ingegneria modificabile per osservare gli effetti delle variazioni.

Come l’Agentic AI integra il workflow

L’Agentic AI crea un flusso continuo all’interno di questo ciclo di iterazione. Un workflow predefinito può verificare una modifica di modello mediante simulazioni o test, riducendo lo sforzo di coordinamento manuale per ogni iterazione. I team possono valutare più alternative mantenendo disponibili i modelli e i risultati necessari per stabilire se il comportamento della macchina è migliorato, se è necessaria un’altra iterazione o se una modifica ha rivelato una vulnerabilità.

I produttori di macchine utilizzano tali cicli per modelli di sistema e sottosistemi, controllo e meccatronica, varianti di macchine, implementazioni di controllo e verifica virtuale e hardware. Gli ingegneri definiscono gli obiettivi di sviluppo, i vincoli, i criteri di valutazione e le responsabilità di verifica. L’agente esegue la sequenza stabilita e restituisce i risultati per il controllo.

Benefici concreti e limitazioni

Una feedback loop più breve tra modifica di design e valutazione delle sue conseguenze riduce il lavoro di coordinazione delle attività routinarie. Tuttavia, questo richiede artefatti di ingegneria attuali e utilizzabili. Il semplice collegamento di file e strumenti non fornisce il contesto necessario per valutare un design.

I workflow agentici funzionano al meglio quando si basano su artefatti di ingegneria eseguibili e su criteri di valutazione chiari, fornendo risultati che gli ingegneri possono esaminare. La verifica dimostra se un’iterazione ha prodotto un risultato accettabile; il giudizio tecnico degli ingegneri determina il passo successivo nel ciclo di sviluppo.

Prospettive a breve termine

Il potenziale immediato risiede in un ciclo di sviluppo end‑to‑end che collega modelli, simulazioni, implementazione e verifica. Con gli agenti, il processo dalla modifica di design alla valutazione del comportamento della macchina diventa più sistematico. Tuttavia, le persone rimangono indispensabili: decidono quali alternative approfondire e cosa costituisce un risultato di successo. Alla fine, gli ingegneri devono ancora rispondere alla domanda cruciale: quale design vale la pena perseguire?

Applicazioni pratiche presentate da MathWorks

Alla SPS di Norimberga (hall 6, stand 215, 24‑26 novembre 2026) MathWorks mostrerà demo pratiche sull’uso dell’Agentic AI nella progettazione di macchine, con un focus anche sulla robotica. Inoltre, MathWorks collega gli agenti alla sua piattaforma MATLAB: il codice generato dagli agenti viene eseguito, gli errori vengono letti e corretti finché il risultato è verificabile.

L’efficienza della produzione moderna non nasce più dalla macchina fisica, ma dal modello. Con il Model‑Based Design l’innovazione si sposta nella fase di sviluppo virtuale, dove meccanica, elettronica e software si integrano in un sistema privo di errori.

Metodi tradizionali di sviluppo hanno raggiunto i loro limiti: sistemi complessi, nuove tecnologie e cicli di innovazione più brevi richiedono un nuovo approccio. Le piattaforme basate su modelli aiutano a identificare errori prima, migliorare la qualità e risparmiare tempo.

Il 18 settembre 2025 MathWorks ha lanciato, tramite un webinar, il nuovo “Matlab Copilot”, assistente AI integrato nell’interfaccia MATLAB per supportare la scrittura di codice, il debug e l’automazione dei test.

Le soluzioni più recenti includono:

    • Model‑Based Design Toolbox (MBDT) per Battery Management Systems, sviluppata con NXP, per semplificare la progettazione, il test e l’implementazione di algoritmi BMS su processori NXP.
    • Integrazione di MATLAB nella piattaforma NVIDIA Holoscan, che consente di riutilizzare il codice esistente per creare applicazioni AI innovative su edge.
    • Motor Control Blockset di Simulink, che offre blocchi di riferimento per la progettazione di algoritmi di controllo di motori brushless.

Le aziende devono ora gestire volumi di dati sempre più grandi; l’Edge‑AI gioca un ruolo chiave nella elaborazione e nella decisione in tempo reale.

Il software è già oggi l’elemento centrale nella meccanica e negli impianti industriali. In futuro la “Software Defined Functionality” sarà sempre più presente nella produzione.

Secondo Dr. Frank Graeber, Manager Application Engineering di MathWorks, gli sviluppatori hanno bisogno del Model‑Based Design per creare software complesso con qualità superiore in tempi più brevi.

Infine, Philipp Wallner, Industry Manager – Indus, ha contribuito con un guest post sulle tendenze che l’Industria 4.0 modellerà nei prossimi anni, sottolineando l’importanza di AI, modellazione basata su modelli e integrazione hardware‑software per mantenere competitività.