Questa è la prima parte di “The Uptime Equation”, una serie dedicata agli aspetti economici dell’intelligenza periferica nei veicoli commerciali.
Un autocarro pesante arriva presso un concessionario con un codice di errore intermittente. Il tecnico sostituisce il componente più probabile, cancella il codice e rimette in strada l’autocarro. Tre settimane dopo, il camion ritorna con lo stesso codice. Poi la situazione si ripete. Alla quarta visita, qualcuno individua la vera causa: un cablaggio logoro a due moduli di distanza dal punto indicato dal codice. A causa di tutte queste visite, la flotta è rimasta senza il camion per gran parte della settimana. Il produttore ha pagato tre ricambi che non erano difettosi e tre interventi in garanzia, subendo un danno al rapporto che gli sarà necessario in occasione del prossimo rinnovo della flotta.
Nessuno ha fatto nulla di sbagliato. Il codice di errore si è attivato esattamente come previsto. Un codice di errore J1939 (SPN/FMI) indica al tecnico quale segnale è uscito dall’intervallo previsto e in che modo. Non ne spiega il motivo. Un singolo problema di cablaggio o di connettore può far scattare codici su diversi moduli contemporaneamente. I veicoli commerciali utilizzano da anni sistemi di manutenzione basati sulla telematica, con ordini di lavoro, cruscotti e avvisi attivati dai codici DTC, e questo ciclo funziona. Ciò che è limitato è la risoluzione del segnale che lo alimenta.
Quanto costa la mancanza di contesto
Secondo Analisi ATRI del 2026 sui costi operativi del trasporto su gomma, il costo medio di esercizio di un camion ha raggiunto i 2,336 dollari per miglio nel 2025, il valore più alto mai registrato. Le spese di riparazione e manutenzione sono aumentate dell’8,6% raggiungendo i 0,215 dollari per miglio, l’incremento più consistente tra tutte le voci di spesa, ad eccezione dei pedaggi. Con l’aumento dei costi di riparazione, ogni visita ripetuta causata da un codice ambiguo comporta una spesa maggiore. Le diagnosi lente sono all’ordine del giorno: l’indagine di McKinsey del 2026 condotta da McKinsey tra i dirigenti dei reparti post-vendita e qualità ha rilevato che occorrono circa sette settimane per individuare con certezza la causa principale e ha indicato la scarsa qualità dei dati come uno dei principali ostacoli all’utilizzo dell’ AI a per prevedere i problemi di qualità.
Per gli OEM, tale ambiguità si traduce in spese di garanzia. Nel settore automobilistico, i costi di garanzia hanno raggiunto i 58 miliardi di dollari nel 2024, il doppio rispetto al livello del 2012, come sottolineato nel post del blog “ Sonatus ” Il problema da 58 miliardi di dollari che Vehicle AI è stato progettato per risolvere. Ogni ricambio sostituito in garanzia senza necessità e ogni reso con esito «nessun difetto riscontrato» contribuiscono a quella cifra.
Il tempo di operatività è un fattore determinante per decidere se una linea commerciale si aggiudicherà il prossimo contratto con una flotta, e le flotte includono sempre più spesso il tempo di operatività e le capacità diagnostiche nei propri requisiti di acquisto.
La mancanza di contesto ha anche un costo umano. Quando gli avvisi sono vaghi, tardivi o errati con una certa frequenza, i conducenti smettono di darvi seguito e i tecnici iniziano a controllare manualmente i cruscotti. Un avviso di cui nessuno si fida è peggio di nessun avviso, perché induce le persone a ignorare proprio quello che conta davvero.
Frammentazione, a livello di flotta e all’interno del camion
A livello di flotta, il problema è rappresentato dalla mancanza di uniformità tra i marchi. Il futuro: cogliere nuove opportunità grazie alla standardizzazione dei dati relativi ai veicoli commerciali, ha evidenziato il fatto che oltre il 90% delle flotte utilizza veicoli di marche diverse e che i formati di segnale e le convenzioni di denominazione proprietari rendono difficile l’integrazione. COVESA prevede che il mercato della telematica per veicoli commerciali crescerà da 33 miliardi di dollari nel 2022 a 95 miliardi di dollari entro il 2032, e tutta questa crescita si basa proprio su questo livello di dati frammentato.
All’interno di un singolo autocarro, il problema è la titolarità. I costruttori di autocarri pesanti sono anche integratori. Il motore, la trasmissione, il sistema di post-trattamento e i controllori dei freni provengono spesso da fornitori diversi, e ciascuno segnala i guasti a modo suo. Il costruttore è proprietario del veicolo e gestisce il rapporto di garanzia, ma non di ogni centralina (ECU) che emette un codice di errore. Standard come il COVESA VSS aiutano a uniformare la denominazione tra le diverse marche. Tuttavia, non forniscono il contesto che il codice di una centralina del fornitore tralascia.
Cosa significa in realtà il "contesto del veicolo"
Il contesto del veicolo non significa semplicemente più dati. Significa i segnali, lo stato del sistema e la cronologia relativi a un evento, acquisiti al momento giusto:
- Il contesto in cui si è verificato l'errore, non solo il codice. I segnali precedenti e successivi all'attivazione mostrano come si è sviluppata la condizione.
- Stato trasversale ai domini in quel momento. Ciò significa quali fossero le condizioni del motore, del sistema di post-trattamento, dell’impianto elettrico e del ciclo di funzionamento in quel preciso istante.
- Raccolta attivata dall'evento stesso. L'acquisizione è mirata alla domanda posta, anziché registrare tutto o effettuare campionamenti secondo una pianificazione fissa.
- Cronologia conservata sul veicolo. Quando emerge uno schema ricorrente, un ingegnere può analizzare i dati delle settimane precedenti invece di aspettare che il guasto si ripresenti.
Questa è l'idea alla base della raccolta dati basata sugli eventi, come ad esempio Fastlane™ Collector, e corrisponde alla fase "Collect" del Agentic Loop. Inoltre, cambia anche la finalità dei dati. Un codice di errore privo di contesto può dare origine a un ordine di lavoro, ma è un materiale inadeguato per l’addestramento di un modello predittivo, poiché un modello addestrato su etichette ambigue apprende l’ambiguità stessa. Sono proprio i dati degli eventi ricchi di contesto a rendere praticabile la predizione basata sull’ AI e e sull’apprendimento automatico (ML). Torneremo su questo argomento in una delle prossime puntate di questa serie.
Perché la decisione dipende dal veicolo
Un cruscotto più avanzato non può recuperare informazioni sul contesto che il veicolo non ha mai acquisito. Il contesto del veicolo viene determinato “all’edge”, ovvero direttamente sul veicolo, nei secondi che precedono e seguono un evento, in base a ciò che la piattaforma è progettata per rilevare, conservare e trasmettere. Ciò lo rende una scelta architettonica che spetta all’OEM. Le flotte ne avvertono il problema e lo segnalano a monte attraverso i propri requisiti di acquisto. Sono i team dell’OEM responsabili della piattaforma e dell’architettura E/E a poterlo risolvere.
L'acquisizione di tali dati comporta dei costi: sensori, elaborazione a bordo, archiviazione e larghezza di banda. Gli OEM gestiscono i costi della distinta base (BOM) per linee commerciali caratterizzate da margini più ridotti e volumi inferiori rispetto alle autovetture, quindi non si tratta di una decisione da prendere alla leggera. Si tratta di scegliere tra due strade: l’OEM può optare per hardware più potente per garantire una maggiore precisione, oppure sviluppare un software sufficientemente efficiente da ricavare tali dati dall’hardware già presente sul veicolo.
In sintesi: Le flotte commerciali agiscono già sulla base dei dati dei veicoli. Il punto debole è il contesto del veicolo: i codici di errore segnalano un parametro monitorato, non un componente guasto, e tale ambiguità comporta riparazioni ripetute, costi di garanzia, affaticamento da allarmi e dati di addestramento troppo generici per l'AI. Risolvere questo problema è una decisione che spetta alla piattaforma OEM, presa in loco, sul veicolo al momento dell'evento, e comporta un compromesso in termini di costi che affronteremo nella Parte 2.