Mini-Mes (Gestionale MES + AI)

Il contesto era quello di un'azienda manifatturiera che produce utensili personalizzati in acciaio, con un parco macchine esteso oltre le cinquanta unita'. L'ottimizzazione del processo produttivo dipendeva da troppe variabili simultanee: disponibilita' reale delle macchine, competenze specifiche richieste dai vari operatori, tempi di lavorazione accurati per ogni lavorazione, priorita' commerciali degli ordini. La pianificazione avveniva in larga parte a mano, con fogli di calcolo e aggiustamenti tra capo reparto e operatori. Il sistema reggeva per flussi lineari, ma iniziava a scricchiolare nei giorni con ordini complessi, personalizzazioni multiple o fermi macchina imprevisti. Il risultato era una serie di inefficienze ripetute: macchine in pausa mentre altre erano sature, operatori con competenze sottoutilizzate, tempi morti tra un setup e l'altro. Senza dati in tempo reale dalle macchine e senza un motore in grado di ribilanciare il piano in continuo, l'ottimizzazione restava un'aspirazione invece che una pratica.

Abbiamo sviluppato un sistema di Manufacturing Execution pensato per officine di medie dimensioni. Al cuore del prodotto c'e' un motore di intelligenza artificiale che analizza i dati storici di produzione (tempi reali per tipologia di lavorazione, performance degli operatori, occupazione delle macchine) e propone un'assegnazione dinamica delle attivita'. La pianificazione non e' piu' una fotografia statica del mattino, ma un piano vivo che si aggiorna quando arrivano nuovi ordini, quando una macchina rallenta o quando si libera una risorsa. Per chiudere il loop sui dati abbiamo progettato schede IoT su misura, integrate con i macchinari esistenti, che raccolgono lo stato in tempo reale e lo trasmettono al sistema centrale senza richiedere la sostituzione del parco macchine. L'interfaccia distribuisce istruzioni mirate a ogni operatore, mostra lo stato del turno e consente al capo reparto di intervenire sui casi critici. Un modulo di reportistica analizza a posteriori le performance, evidenzia i colli di bottiglia e alimenta il motore di ottimizzazione futuro. Lo stack combina backend applicativo, modelli di AI per la schedulazione, firmware embedded per le schede IoT, MQTT per la comunicazione con i macchinari e una dashboard web reattiva.

I tempi morti tra una lavorazione e la successiva si sono ridotti in modo tangibile, perche' il motore di ottimizzazione bilancia in continuo l'utilizzo delle macchine invece di subire l'inerzia di una pianificazione mattutina. Gli operatori ricevono istruzioni precise e coerenti con le loro competenze, senza dover contrattare ogni volta l'assegnazione con il capo reparto. La capacita' produttiva dell'impianto e' piu' vicina al suo potenziale reale, soprattutto nei giorni con ordini complessi o personalizzati. Il controllo operativo e' diventato piu' efficace: il management vede in tempo reale cosa sta succedendo in officina e ha a disposizione dati oggettivi per decidere dove investire. Le inefficienze strutturali si sono ridotte e la capacita' di soddisfare commesse complesse e' salita, passando da un processo a spinta a un processo governato.