Nella Parte I di questa serie abbiamo illustrato i motivi per cui l’infrastruttura dei dati dell’industria automobilistica ha superato quella dell’intelligenza e abbiamo presentato l’Agentic Loop — il framework di Sonatusper colmare tale divario: Rilevare → Raccogliere → Ragionare → Agire → Imparare. Nella Parte II approfondiremo in dettaglio cosa comporta effettivamente ciascuna fase e perché la sequenza è importante tanto quanto le singole fasi.
RILEVA
Il rilevamento è il punto di ingresso del ciclo e la sua qualità determina la qualità di tutto ciò che viene dopo. Se eseguito male, inonda il sistema di rumore. Se eseguito bene, funge da filtro preciso, facendo emergere i segnali rilevanti e ignorando quelli irrilevanti.
Il rilevamento tradizionale nei sistemi automobilistici tende a basarsi su regole: superamento di soglie, attivazione di codici di errore, condizioni binarie di superamento/fallimento. Queste regole sono state definite dagli ingegneri in un determinato momento, sulla base di modalità di guasto note. Sono, per definizione, retrospettive — calibrate per individuare problemi già osservati, a prescindere dal contesto più ampio del sistema in cui si verificano.
Il rilevamento in un’architettura agentica è diverso. Opera in modo probabilistico e contestuale, attingendo simultaneamente a modelli provenienti da diversi ambiti del veicolo — non solo il gruppo motopropulsore, la gestione termica o la rete di bordo considerati isolatamente, ma le intersezioni tra di essi. Un evento termico che coincide con uno specifico modello di traffico di rete durante un particolare scenario di guida è un segnale diverso rispetto allo stesso evento termico considerato isolatamente. Il contesto ne modifica il significato, e il rilevamento deve tenere conto del contesto per far emergere il segnale giusto al momento giusto.
Un aspetto fondamentale è che il rilevamento avviene in modo continuo — non come processo batch alla fine di una giornata di test, ma come livello attivo integrato nell'infrastruttura intelligente del veicolo. È questo che rende il ciclo dinamico piuttosto che meramente analitico.
RACCOLTA
Una volta individuato un elemento che merita di essere approfondito, la fase di raccolta determina quali dati vengono acquisiti — e, cosa altrettanto importante, quali no.
Il cambiamento in questo caso consiste nel passaggio da una registrazione continua a una raccolta mirata e innescata dagli eventi. La registrazione continua genera volumi significativi di dati, la stragrande maggioranza dei quali non verrà mai analizzata. La trasmissione su reti cellulari è costosa, così come lo sono l’archiviazione e l’elaborazione. Ancora più importante, i log in blocco in genere mancano del contesto necessario per renderli utilizzabili: senza sapere cosa abbia innescato l’acquisizione dei dati, la telemetria grezza è difficile da interpretare.
La raccolta basata sugli eventi inverte questa relazione. Quando il livello di rilevamento identifica un segnale che vale la pena approfondire, la fase di raccolta organizza un’acquisizione mirata: i canali giusti, la finestra temporale corretta, il contesto interdominio appropriato — il tutto acquisito con precisione attorno all’evento di interesse. Anziché gigabyte di log continui, un ingegnere riceve i dati rilevanti, corredati da annotazioni dettagliate sulle condizioni in cui si è verificato l’evento.
È proprio questo che elimina la necessità di ripetere l'operazione. Il contesto che in precedenza andava perso — la finestra che si chiudeva prima che qualcuno configurasse il logger — viene acquisito la prima volta, poiché il sistema era già pronto a rilevarlo. Il prototipo non deve essere riavviato. Gli ingegneri hanno ciò di cui hanno bisogno.
MOTIVO
Il ragionamento è la fase che distingue più chiaramente un’architettura dell’intelligenza da un’architettura dei dati. È qui che il ciclo passa dal “cosa è successo” al “perché”.
I sistemi dei veicoli sono così complessi da rendere sempre più difficile l’analisi manuale delle cause alla radice. Le interazioni tra diversi domini — tra powertrain, gestione termica, ADAS e rete di bordo — generano modalità di guasto che non emergono chiaramente in nessun singolo flusso di dati. Un ingegnere esperto potrebbe impiegare giorni a correlare i segnali tra log CAN, acquisizioni Ethernet, dati dei sensori e tracce degli eventi di sistema per formulare un’ipotesi sulla causa alla radice. E tale competenza non è facilmente trasferibile: risiede nelle singole persone, è il risultato di anni di lavoro diagnostico e diventa un rischio per la fidelizzazione del personale nel momento in cui questi ultimi prendono in considerazione altre opportunità.
La fase di ragionamento in un’architettura agentica applica un’analisi assistit AI a proprio a questo tipo di dati provenienti da più fonti e da diversi ambiti. Non sostituisce il giudizio dell’ingegnere, ma riduce il tempo necessario per passare dai dati all’ipotesi. Mette in evidenza le possibili cause alla radice, corredate da prove a sostegno, strutturate in modo che l’ingegnere possa esaminarle, convalidarle e agire di conseguenza. L’ingegnere rimane coinvolto nel processo; il processo, semplicemente, procede più velocemente e gestisce una complessità maggiore di quella che qualsiasi individuo possa gestire manualmente.
C’è anche una dimensione legata alla conservazione delle conoscenze che il settore tende a sottovalutare. Quando le competenze diagnostiche vengono codificate nel livello di ragionamento — quando il riconoscimento dei modelli accumulato dagli ingegneri esperti viene integrato in un sistema anziché rimanere solo nelle loro menti — esse diventano un bene istituzionale duraturo. Non vanno in pensione, ma si accumulano.
ACT
È la fase dell’azione a rendere il ciclo genuinamente agenziale, anziché meramente analitico. Senza di essa, il ciclo agenziale è un sofisticato sistema di rendicontazione. Con essa, l’intelligenza diventa un risultato.
Lo spettro delle azioni è volutamente ampio. Da un lato: segnalare un risultato strutturato a un ingegnere addetto alla convalida, con prove a sostegno e una possibile causa principale, tramite qualsiasi strumento già in uso. Dall’altro lato: attivare un aggiornamento di configurazione OTA per un segmento specifico della flotta, oppure segnalare una raccomandazione di assistenza per un veicolo presso una specifica sede di concessionario. Tra questi due estremi si colloca una gamma di risposte automatizzate e semiautomatizzate, calibrate in base al livello di affidabilità del ragionamento, alla posta in gioco della decisione e alle politiche organizzative dell’OEM.
È proprio a livello operativo che il ciclo produce il suo valore aziendale più tangibile. I risultati che in precedenza richiedevano giorni di analisi manuale e una riunione programmata per essere messi in pratica possono ora emergere e diffondersi nel giro di poche ore. Gli interventi volti a migliorare la qualità della flotta, che in passato dovevano essere attivati solo in seguito a un picco dei reclami in garanzia, possono ora essere attuati prima ancora che arrivi il primo reclamo da parte di un cliente.
IMPARA
La fase di apprendimento è ciò che distingue l’Agentic Loop da ogni altro approccio applicato all’intelligenza dei veicoli — ed è la fase di maggiore rilevanza strategica in assoluto.
Ogni altra fase del ciclo ha un valore intrinseco. Tuttavia, senza la fase di apprendimento, il ciclo rimane statico: la qualità del rilevamento, della raccolta dei dati e del ragionamento al ciclo 1.000 non è migliore di quella del primo ciclo. La fase di apprendimento chiude il ciclo in senso letterale: i risultati vengono reimmessi nei modelli di rilevamento e nella base di conoscenza per il ragionamento, aggiornandoli in base a ciò che è stato confermato, a ciò che era errato e ai nuovi modelli emersi.
Ciò significa che il sistema migliora in modo dimostrabile nel tempo. Non in modo incrementale e marginale, ma in modo esponenziale — poiché ogni ciclo contribuisce all’intelligenza accumulata del sistema, migliorando così la qualità di ogni ciclo successivo. Torneremo sul motivo per cui questo aspetto è importante per la strategia degli OEM, poiché riteniamo che sia la conseguenza più rilevante di questa architettura.
Perché “sistema operativo” è la metafora giusta
Cerchiamo di essere precisi riguardo alla metafora del sistema operativo, perché rischia di sembrare un espediente di marketing se non è ben fondata.
Un sistema operativo non svolge le funzioni dell’applicazione. Gestisce le risorse sottostanti — potenza di calcolo, memoria, I/O — in modo che le applicazioni possano concentrarsi su ciò per cui sono state progettate. Crea una piattaforma stabile e condivisa su cui possono essere eseguiti in modo efficiente molti tipi diversi di attività.
L’Agentic Loop svolge lo stesso ruolo per l’intelligenza dei veicoli. Gestisce la complessità sottostante dei dati dei veicoli — rilevamento, raccolta, ragionamento, azione, apprendimento — in modo che i team che sviluppano su questa base possano concentrarsi sul loro vero lavoro: prendere decisioni ingegneristiche, migliorare la qualità del prodotto, servire i clienti. Non sostituisce nessuna di queste funzioni. Crea le condizioni affinché ciascuna di esse possa operare con una velocità e una qualità significativamente superiori rispetto a quanto sarebbe possibile senza di esso.
E, proprio come un sistema operativo, il suo valore aumenta quanto più sono numerose le funzioni che vi girano sopra. Un substrato di intelligenza condiviso tra validazione, qualità e assistenza ha un valore maggiore rispetto alla stessa capacità implementata in compartimenti stagni — perché i modelli appresi nella fase di validazione influenzano il rilevamento sul campo, mentre le modalità di guasto confermate sul campo vengono reimmesse nelle linee di base della validazione. Il ciclo non si limita a funzionare all’interno di una singola funzione, ma collega le funzioni tra loro.
Il ciclo nella pratica: prima e dopo il SOP
L'architettura del ciclo non cambia nel corso del ciclo di vita del veicolo. Ciò che cambia sono la fonte dei dati e la natura dell'azione finale.
Prima della SOP, in fase di validazione, il ciclo viene eseguito su veicoli prototipo sottoposti a scenari di test strutturati e non strutturati. Il rilevamento identifica le anomalie in tempo reale durante il test di guida. La raccolta mirata acquisisce il contesto rilevante sul posto, prima che il veicolo torni all’ the garage e e la finestra si chiuda. Il ragionamento individua le possibili cause alla radice per il team di validazione lo stesso giorno, a volte anche più rapidamente. L’azione può consistere in un immediato adeguamento del protocollo di prova o in un riscontro progettuale inoltrato al team di ingegneri responsabile. L’apprendimento aggiorna i modelli di rilevamento e ragionamento per il ciclo di test successivo, in modo che il sistema affronti i test successivi sapendo già cosa monitorare.
Dopo la fase SOP, sul campo, lo stesso ciclo viene applicato su larga scala a un parco veicoli di produzione. Il rilevamento identifica i modelli emergenti — raggruppamenti di modalità di guasto per regione, ciclo di guida, versione software o condizioni ambientali. La raccolta mirata conferma il segnale con prove precise e riproducibili provenienti dai veicoli in cui si verifica. Il ragionamento diagnostica la causa principale a livello di parco veicoli. L’azione intrapresa potrebbe consistere in un aggiornamento OTA (Over-the-Air) di una specifica configurazione software, in una campagna di assistenza proattiva prima che i guasti diventino visibili ai clienti o in un avviso di qualità inviato a un fornitore di componenti. L’apprendimento integra la nuova modalità di guasto nella linea di base del rilevamento, in modo che la piattaforma successiva parta già con tale conoscenza incorporata.
L'architettura non cambia da un garage di validazione a una flotta di veicoli di serie; cambiano solo la fonte dei dati e l'azione finale. Tale coerenza, tuttavia, va oltre un semplice dettaglio di progettazione. È proprio il motivo per cui questo tipo di sistema acquista sempre più valore man mano che rimane in funzione, ed è proprio questo l'aspetto più rilevante per il modo in cui gli OEM dovrebbero affrontare la questione in questo momento.
