L’intelligenza artificiale generativa sta entrando rapidamente in numerosi settori industriali, ma nel comparto energetico permane una distinzione molto netta tra gli strumenti utilizzati per supportare il personale e quelli autorizzati a intervenire direttamente sugli impianti. Nonostante la crescente popolarità di sistemi come ChatGPT, le aziende che gestiscono centrali elettriche, reti di distribuzione, raffinerie, impianti petrolchimici e infrastrutture critiche continuano a considerare i modelli linguistici generativi inadatti al controllo operativo diretto delle proprie installazioni. La ragione non riguarda una mancanza di interesse verso l’intelligenza artificiale, ma le caratteristiche stesse delle infrastrutture energetiche, dove affidabilità, prevedibilità e sicurezza devono essere garantite in ogni momento.
Gli impianti energetici moderni sono governati da sistemi OT (Operational Technology), una categoria di tecnologie progettate per controllare processi fisici in tempo reale. Questi sistemi regolano temperature, pressioni, flussi, turbine, valvole, pompe e apparati di sicurezza attraverso logiche deterministiche che devono produrre risultati ripetibili e verificabili. In un contesto di questo tipo, una risposta statisticamente plausibile non è sufficiente. Ogni comando deve essere prevedibile, documentabile e conforme a procedure di sicurezza estremamente rigorose.
I grandi modelli linguistici funzionano invece secondo una logica probabilistica. Le risposte vengono generate sulla base di correlazioni apprese durante l’addestramento e non attraverso la comprensione diretta dello stato fisico dell’impianto. Questo approccio può risultare efficace per attività documentali, supporto agli operatori, analisi di report e consultazione di procedure tecniche, ma introduce rischi significativi quando viene applicato al controllo diretto di apparecchiature industriali. Fenomeni come allucinazioni, interpretazioni errate del contesto o variazioni nelle risposte rappresentano problemi accettabili in un assistente conversazionale, ma diventano inaccettabili quando si opera su infrastrutture critiche.
Le aziende energetiche stanno comunque investendo in intelligenza artificiale, ma con approcci molto diversi rispetto ai chatbot generalisti. Le applicazioni più diffuse riguardano manutenzione predittiva, rilevamento di anomalie, gestione documentale, previsione dei consumi, forecasting della produzione rinnovabile, monitoraggio delle apparecchiature e supporto alle decisioni operative. In questi casi l’AI analizza grandi quantità di dati provenienti da sensori e sistemi industriali, ma la decisione finale rimane generalmente sotto il controllo di operatori umani o di sistemi di automazione progettati specificamente per l’ambiente industriale.
Un ulteriore elemento di criticità riguarda la sicurezza informatica. Negli ultimi anni la convergenza tra reti IT e reti OT ha aumentato la superficie di attacco delle infrastrutture industriali. L’introduzione di modelli generativi collegati direttamente ai sistemi operativi di una centrale o di una rete energetica potrebbe creare nuovi vettori di rischio, soprattutto se tali sistemi fossero autorizzati a eseguire azioni automatiche senza adeguati meccanismi di validazione. Le infrastrutture energetiche fanno infatti parte delle cosiddette infrastrutture critiche nazionali e sono soggette a requisiti di sicurezza molto più stringenti rispetto agli ambienti IT tradizionali.
Esiste inoltre un problema di trasparenza decisionale. In un impianto industriale è fondamentale poter ricostruire con precisione il motivo che ha portato a una determinata azione operativa. I sistemi di controllo tradizionali utilizzano logiche esplicite, algoritmi verificabili e procedure certificate. I modelli linguistici, al contrario, producono risultati derivanti da processi interni molto complessi che non sempre consentono di spiegare in modo dettagliato perché una determinata risposta sia stata generata. Questa limitazione rappresenta un ostacolo significativo nei settori regolamentati, dove ogni decisione può avere conseguenze economiche, ambientali e di sicurezza.
Paradossalmente, molte aziende energetiche vedono un enorme potenziale nell’intelligenza artificiale proprio per migliorare l’efficienza degli impianti. L’analisi avanzata dei dati può ridurre consumi, prevedere guasti, ottimizzare la manutenzione e migliorare le prestazioni operative. Studi recenti mostrano come l’AI possa contribuire a ridurre i tempi di fermo degli impianti e a individuare inefficienze difficili da rilevare attraverso strumenti convenzionali. Tuttavia, queste applicazioni vengono implementate come sistemi di supporto specializzati e non come sostituti dei controlli industriali esistenti.
L’orientamento prevalente del settore è quindi quello di utilizzare modelli generativi come assistenti tecnici capaci di consultare documentazione, analizzare dati storici, generare report e supportare gli operatori nella diagnosi dei problemi, mantenendo però separato il livello di controllo diretto degli impianti. In altre parole, l’intelligenza artificiale può aiutare gli ingegneri a comprendere meglio ciò che accade in una centrale elettrica o in una rete energetica, ma la responsabilità delle decisioni operative continua a rimanere affidata a sistemi progettati specificamente per garantire affidabilità, sicurezza e comportamento deterministico. In un settore dove un errore può provocare interruzioni di servizio, danni economici o conseguenze sulla sicurezza pubblica, la differenza tra assistere un operatore e controllare un impianto resta una distinzione fondamentale