Un modello di valutazione ibrido per la manifattura intelligente sotto incertezze integrando sistemi uomo-macchina e strategie di automazione

Perché le fabbriche più intelligenti richiedono scelte più intelligenti

Con l’ingresso in fabbrica di robot, sensori e intelligenza artificiale, i responsabili si trovano di fronte a una domanda apparentemente semplice: quanto dovremmo automatizzare e quanto dovremmo ancora fare affidamento sulle persone? La risposta raramente è netta. Le linee di produzione reali sono ambienti rumorosi e imprevedibili dove fiducia umana, sicurezza e carico di lavoro contano tanto quanto velocità e costo. Questo articolo introduce un nuovo modo di valutare diverse configurazioni di automazione che tiene conto di questa realtà disordinata, aiutando i decisori a scegliere configurazioni efficienti, resilienti e veramente centrate sull’essere umano.

La sfida di giudicare il lavoro di squadra uomo–macchina

I moderni sistemi di “manifattura intelligente” integrano persone, robot e strumenti digitali. Valutare tali sistemi è difficile perché molti dei fattori più importanti—fiducia dell’operatore, percezione di sicurezza, facilità di collaborazione—sono soggettivi e cambiano nel tempo. Allo stesso tempo, le fabbriche producono oceani di dati da sensori e sistemi ciber‑fisici che possono essere incompleti o rumorosi. Gli approcci tradizionali si appoggiano a liste rigide, dipendono fortemente dall’opinione di esperti o guardano solo alle prestazioni numeriche. Nessuno riesce a cogliere simultaneamente le percezioni umane mutevoli, criteri in conflitto e dati oggettivi—eppure questa combinazione è esattamente ciò che richiede l’Industry 5.0, con il suo accento sulla produzione centrata sull’uomo e resiliente.

Una nuova lente per l’incertezza nel giudizio degli esperti

La prima innovazione dello studio è una lente matematica per descrivere l’opinione degli esperti chiamata insiemi fuzzy sferici circolari. In termini semplici, invece di costringere un ingegnere a etichettare un’opzione semplicemente come “buona” o “cattiva”, il metodo consente di esprimere quanto essa sembri buona, quanto sembri non buona, quanto si è incerti e come la loro fiducia possa oscillare avanti e indietro. Per esempio, la fiducia di un operatore in un robot collaborativo può aumentare con la produttività, calare bruscamente dopo un quasi‑incidente e poi recuperare lentamente dopo la riqualificazione. Questo tipo di esitazione ciclica non può essere gestito bene dagli strumenti fuzzy precedenti, che assumono che l’incertezza si muova in linea retta. L’estensione circolare aggiunge un elemento direzionale, quasi come una bussola, all’esitazione, riflettendo meglio come le persone reali rivedono i loro giudizi con l’evolversi delle situazioni.

Bilanciare istinto e numeri solidi

Per trasformare queste opinioni ricche ma disordinate in classifiche chiare delle opzioni di automazione, l’autore combina due tecniche decisionali in un unico modello ibrido. Una parte, chiamata CRITIC, analizza i dati e determina quali criteri hanno davvero peso osservando quanto variano e quanto si scontrano tra loro. Un’altra parte, MAIRCA, confronta ciascuna opzione con un ipotetico insieme di punteggi “ideali” e misura quanto ne è distante. Le valutazioni fuzzy circolari fornite dagli esperti vengono prima convertite in punteggi numerici appositamente progettati in modo che CRITIC possa operare su di esse senza scartare l’incertezza sottostante. Insieme, questo trio—modellazione fuzzy circolare, ponderazione guidata dai dati e confronto ideale‑versus‑reale—mira a trovare un equilibrio tra intuizione umana e struttura oggettiva.

Applicare il modello in una fabbrica di prova

Per mostrare il comportamento del framework, l’articolo illustra un caso ipotetico di un produttore di medie dimensioni che sceglie tra quattro progetti di automazione: una linea ibrida semi‑automatica, un sistema ciber‑fisico guidato dall’operatore, una linea completamente automatizzata e uno scenario con robot collaborativi. Otto criteri mescolano aspetti economici, tecnici e umani, inclusi costo, efficienza, flessibilità, integrazione dei fattori umani, sicurezza, oneri di manutenzione, affidabilità e uso dei dati. Gli esperti valutano ogni opzione usando termini linguistici come “alto” o “medio”, che vengono tradotti in valori fuzzy circolari. Il metodo ibrido calcola poi l’importanza di ciascun criterio, costruisce un benchmark ideale, misura quanto ogni opzione si discosta da quell’ideale e le ordina di conseguenza. In questo test, la linea ibrida semi‑automatica risulta la migliore, principalmente perché offre prestazioni solide su tutti i criteri senza punti deboli evidenti, mentre le opzioni che inseguono la massima automazione pagano un prezzo in integrazione dei fattori umani e complessità.

Come questo cambia le decisioni nelle fabbriche reali

Oltre all’esempio, lo studio confronta il suo modello ibrido con metodi popolari come AHP e TOPSIS e con varianti fuzzy di questi strumenti. Questi classici sono più facili da applicare ma soggetti a classifiche instabili e a una scarsa gestione dell’incertezza. Al contrario, il nuovo approccio mostra classifiche più stabili quando i parametri chiave variano e può meglio distinguere tra alternative molto vicine, specialmente quando l’esitazione degli esperti dipende fortemente dal contesto. L’autore nota con cautela che i risultati attuali si basano su dati sintetici e che la validazione completa su linee di produzione reali è lavoro futuro. Tuttavia, il framework indica strumenti decisionali che considerano le fabbriche come sistemi socio‑tecnici, dove persone e macchine si co‑adattano nel tempo.

Cosa significa questo per il futuro del lavoro e dell’automazione

In termini pratici, la conclusione dell’articolo è che le decisioni sull’automazione non dovrebbero né ignorare il giudizio umano né annegarlo nei dati. Dovrebbero invece modellare esplicitamente come le opinioni delle persone cambiano man mano che acquisiscono esperienza, affrontano incidenti e si adattano a nuove tecnologie. Il modello proposto fornisce un modo strutturato per farlo, tenendo conto anche di costi, sicurezza, flessibilità e capacità digitali. Usati con giudizio, tali strumenti potrebbero aiutare le aziende a scegliere strategie di automazione che non siano solo efficienti sulla carta, ma anche fidate dai lavoratori, più sicure nella pratica e più robuste quando le condizioni cambiano—ingredienti chiave per le fabbriche immaginate nell’ambito dell’Industry 5.0.

Citazione: Chen, Z. A hybrid evaluation model for intelligent manufacturing under uncertainties by integrating human-machine systems and automation strategies. Sci Rep 16, 10936 (2026). https://doi.org/10.1038/s41598-026-45749-x

Parole chiave: manifattura intelligente, collaborazione uomo–macchina, strategia di automazione, modello decisionale, incertezza fuzzy