Decision Intelligence for Motorsport: Natzka e AF Corse al Politecnico di Milano
Quale componente necessita di attenzione? Quando il team dovrebbe sostituirlo? Quali prove supportano tale decisione? E in quali casi il giudizio umano deve rimanere invariato? Si tratta di decisioni ricorrenti che influenzano la sicurezza, le prestazioni, la prontezza operativa e i costi. Ed è proprio a queste domande che l’intelligenza artificiale applicata al motorsport è destinata a rispondere.
Oltre 100 auto · Oltre 10.000 componenti monitorati ·
Circa 100 eventi all’anno · 80% di automazione · Reportistica più veloce del 90%
Il 18 giugno 2026, AF Corse e Natzka hanno presentato queste decisioni alla Use Case Session dell’Osservatorio Data & Decision Intelligence del Politecnico di Milano. Davanti a quasi 1.000 partecipanti in sala e in diretta streaming, il Team Manager di AF Corse, Luca Corradini, e il nostro CPO, Andrea Masiero, hanno presentato il progetto di monitoraggio proattivo Life.
La sessione ha offerto al pubblico un esempio concreto di intelligenza decisionale nel motorsport: telemetria, modelli predittivi, flussi di lavoro e giudizio di esperti che operano come un unico sistema decisionale continuo. Inoltre, la sua rilevanza va ben oltre le corse. Il progetto mostra cosa succede quando un’organizzazione smette di trattare i dati come un semplice output e inizia a organizzarli attorno alle decisioni che le persone devono prendere.
Una decisione di grande valore, ripetuta migliaia di volte
Il contesto operativo è il Ferrari 296 Challenge . Il progetto coinvolge 100 vetture e oltre 10.000 componenti raggruppati in 40 sistemi funzionali, in circa 100 eventi in tutto il mondo e con una percorrenza di circa 12.000 chilometri per vettura ogni anno.
Per gli standard industriali, la flotta è di dimensioni ridotte. Tuttavia, ogni componente richiede un’ingegneria di precisione e rappresenta un valore significativo. Sostituire un pezzo troppo presto comporta uno spreco di denaro. Sostituirlo troppo tardi mette a rischio la sicurezza, le prestazioni e l’esperienza di guida. La precisione, quindi, conta più della quantità.
Il termine “lifetime” si riferisce al calcolo della vita utile residua di ciascun componente. In pratica, il sistema indica al team quanti chilometri o ore di funzionamento restano prima che un componente necessiti di ispezione o sostituzione.
Ogni raccomandazione bilancia tre priorità. La sicurezza viene prima di tutto. Le prestazioni seguono. La terza è l’esperienza dei gentleman driver che competono nel campionato. Quindi la sfida non è solo stimare con precisione la durata di un componente, ma trasformare tale stima in una decisione tempestiva, comprensibile e attuabile. Questo è il compito principale dell’intelligenza decisionale nel motorsport.
Come l’intelligenza decisionale nel motorsport collega una gara all’altra.
L’elemento più forte del progetto non è una previsione isolata, bensì il ciclo continuo che collega gli eventi passati alle decisioni necessarie per quelli successivi.
In gara: cattura ciò che accade sotto pressione
Durante le prove, le qualifiche e la gara, il team registra il chilometraggio, l’usura, i controlli programmati e le sostituzioni impreviste. La velocità è importante, ma lo è anche la facilità d’uso. Chi lavora ai box ha bisogno di informazioni affidabili, senza dover lottare con fogli di calcolo, sistemi scollegati o strutture dati incoerenti.
Pertanto, abbiamo sostituito il precedente processo basato su Excel con un’interfaccia adattiva che si adegua al ruolo, al contesto e al compito dell’utente. Di conseguenza, la tecnologia supporta il lavoro anziché rallentare le persone che prendono decisioni operative.
Dopo la gara: trasformare la telemetria in un contesto condiviso
Dopo ogni evento, la piattaforma consolida i dati di telemetria, aggiorna il consumo effettivo dei componenti, analizza i malfunzionamenti e genera report di gara e per i clienti. È in questo momento che i segnali grezzi si trasformano in un quadro operativo condiviso. Ingegneri, meccanici, team logistici e manager lavorano tutti con le stesse informazioni, perché alla base c’è un modello di dati unico e coerente.
La piattaforma aggiorna anche la durata residua di ciascun componente. Per i materiali di consumo e le parti non critiche, il processo è automatico, eliminando il lavoro manuale ripetitivo. Per i componenti critici, invece, la piattaforma suggerisce un intervento e richiede la convalida da parte di un esperto.
Pianificazione: decidere prima dell’inizio del prossimo evento
La fase di maggior valore è orientata al futuro. Il sistema combina la durata di vita aggiornata dei componenti con i circuiti in programma, il calendario degli eventi e i profili di guida previsti. In questo modo, identifica i componenti a maggior rischio, propone sostituzioni preventive e supporta la pianificazione logistica e della partecipazione.
Il risultato non è un altro rapporto. È una decisione strutturata:
- Cosa controllare;
- Cosa sostituire;
- Quali componenti ordinare?
- Cosa può continuare a funzionare in sicurezza?
- Chi deve approvare l’azione?
- E cosa succederà dopo?
È a questo punto che l’intelligenza decisionale nel motorsport passa dal monitoraggio all’esecuzione.
Perché una maggiore intelligenza artificiale da sola non avrebbe risolto il problema
Il progetto necessitava di solide fondamenta prima che i modelli predittivi o un’automazione più approfondita potessero dare i loro frutti. Prima dell’implementazione, team diversi potevano descrivere o codificare lo stesso componente in modi differenti. Pertanto, abbiamo iniziato con un modello dati condiviso: metadati comuni, regole decisionali chiare e flussi di lavoro interconnessi lungo l’intero ciclo di gara.
Questo passaggio può sembrare meno entusiasmante dell’analisi predittiva, ma è il motivo per cui l’automazione funziona. Senza un linguaggio comune, un’organizzazione non fa altro che automatizzare la confusione. Con un contesto condiviso, invece, il sistema può collegare telemetria, cronologia dei componenti, condizioni operative, regole aziendali e input di esperti attorno alla decisione da prendere.
Questo riflette un principio più ampio di Natzka: partire dalla decisione, non dalla tecnologia. L’IA è il fattore abilitante. Dati affidabili, logica aziendale condivisa, flussi di lavoro espliciti e una governance chiara sono gli elementi che ne garantiscono il buon funzionamento.
Dai dati ai flussi di lavoro decisionali espliciti
Le analisi tradizionali possono mostrare le condizioni dei componenti, i consumi storici e i rischi previsti. Tuttavia, la sola visibilità non garantisce un intervento. Una decisione richiede anche responsabilità, regole e un percorso chiaro per la sua attuazione.
Chi esamina la raccomandazione? Quale soglia fa scattare la sostituzione? Quando un’azione può procedere automaticamente? Quando interviene un tecnico? E cosa succede dopo l’approvazione? La piattaforma rende espliciti questi elementi. Collega le informazioni alla base della decisione con il flusso di lavoro che la implementa, in modo che le raccomandazioni possano confluire in ispezioni, sostituzioni, reportistica, pianificazione logistica o futuri acquisti.
Questa è la differenza tra analisi dei dati e intelligenza decisionale. L’analisi dei dati aiuta un’organizzazione a capire cosa sta succedendo. L’intelligenza decisionale la aiuta a decidere cosa fare in seguito e a coordinare le azioni conseguenti.
Automazione dove è utile, controllo umano dove è necessario
Il progetto è passato da un processo completamente manuale a un’automazione che raggiunge circa l’80%. Ha inoltre ridotto i tempi di generazione dei report di circa il 90%, consentendo di ottenere risultati quasi in tempo reale anziché dover ricorrere a ore di lavoro manuale a posteriori.
Il restante coinvolgimento umano non è frutto di un’automazione incompleta, bensì una scelta progettuale deliberata. Le azioni di routine vengono eseguite più rapidamente. Le sostituzioni non critiche seguono regole predefinite. I report vengono generati automaticamente. Le decisioni critiche per la sicurezza e per la gara, tuttavia, richiedono ancora la convalida da parte di un esperto.
Questo modello “human-in-the-loop” traccia un confine chiaro. La piattaforma garantisce velocità, coerenza, dati concreti e azioni raccomandate. Lo specialista mantiene il giudizio, la responsabilità e la decisione finale. In breve, l’obiettivo non è la massima autonomia, ma il giusto livello di autonomia per ogni singola decisione.
In questo modo, l’intelligenza decisionale per il motorsport combina input quantitativi, come chilometri percorsi, ore di funzionamento e telemetria, con conoscenze qualitative provenienti da ingegneri e piloti. Invece di imporre una scelta tra competenza umana e automazione, il sistema permette a entrambe di contribuire laddove apportano maggior valore.
Dal monitoraggio predittivo all’azione prescrittiva
La fase successiva dell’intelligenza decisionale per il motorsport si concentra sugli eventi anomali. Pioggia, incidenti, impatti e condizioni insolite della pista non seguono una media precisa. Di conseguenza, possono ridurre la durata dei componenti in modi non lineari che i modelli convenzionali faticano a cogliere. Il sistema deve quindi fare di più che estrapolare da condizioni nominali.
La direzione intrapresa è quella di un processo decisionale più prescrittivo e proattivo. Quando si verifica un’anomalia, la piattaforma ricalcola la vita utile residua dei componenti interessati e propone una risposta prioritaria: cosa ispezionare, cosa sostituire, cosa monitorare, quali azioni sono più urgenti e perché vengono raccomandate. Gli esperti continueranno a definire i limiti operativi e ad approvare le azioni critiche. Tuttavia, anziché un semplice avviso, riceveranno un piano d’azione strutturato e basato su dati concreti.
Un secondo sviluppo avvicina il processo alla fase di approvvigionamento. Il team anticiperà le richieste dei fornitori per i componenti che si avvicinano alla fine del loro ciclo di vita, estendendo così il flusso decisionale all’intera catena di fornitura. Insieme, questi passaggi spostano il caso d’uso dal monitoraggio predittivo all’esecuzione coordinata e abilitata da agenti.
Cosa possono imparare i leader aziendali da questo percorso?
Il motorsport crea un ambiente operativo estremo. Ciononostante, gli insegnamenti si applicano facilmente a diversi settori, perché la stessa logica che guida il processo decisionale nel motorsport è valida per qualsiasi decisione ricorrente ad alto rischio.
Partire dalla decisione ricorrente
Non iniziate dalla fonte dei dati o dal modello. Iniziate invece definendo la decisione: chi ne è responsabile, quali input sono rilevanti, quali regole si applicano, quali rischi contano e quale azione deve seguire.
Creare un contesto condiviso e pronto per prendere decisioni.
I dati provenienti da sistemi diversi hanno un valore limitato se i team li interpretano in modo differente. Un modello dati comune, al contrario, crea un’unica realtà operativa su cui persone e intelligenza artificiale possono lavorare.
Trasforma i suggerimenti in flussi di lavoro espliciti
Le informazioni ricavate non dovrebbero limitarsi a una dashboard. Dovrebbero essere collegate alla responsabilità, alle approvazioni, alle eccezioni e alle azioni conseguenti.
Applicare l’intelligenza artificiale entro i limiti stabiliti dalla normativa.
L’obiettivo non è automatizzare ogni decisione. L’obiettivo è definire in quali ambiti l’IA debba supportare, accelerare o eseguire, e in quali ambiti il giudizio degli esperti debba rimanere in capo.
Misurare i risultati aziendali
Una segnalazione più rapida è preziosa. L’impatto più ampio, tuttavia, deriva da un minor numero di errori, un migliore utilizzo dei componenti, un controllo dei costi più rigoroso e una preparazione più affidabile per l’evento successivo. Si tratta di risultati operativi misurabili, non solo di miglioramenti tecnici.
La qualità della decisione inizia prima che arrivi la pressione
La sessione del Politecnico di Milano ha reso tangibile la Decision Intelligence. Il progetto Lifing collega telemetria, analisi predittiva, regole aziendali, flussi di lavoro e giudizio di esperti attorno a un’unica domanda operativa: cosa dovrebbe succedere dopo? Questa è la differenza tra individuare un rischio e gestirlo. Ed è anche la differenza tra l’IA come capacità isolata e l’IA come parte di un modello operativo affidabile.
Nelle corse, il risultato visibile si manifesta in pista. La qualità delle decisioni, tuttavia, si delinea molto prima: quando i team strutturano le informazioni, chiariscono le responsabilità, valutano gli scenari e preparano la prossima azione prima che la pressione si faccia sentire. Questo è il valore dell’intelligenza decisionale nel motorsport.
Aiutiamo le organizzazioni a sviluppare la stessa disciplina anche in altri contesti ad alto rischio: un contesto condiviso, flussi di lavoro decisionali espliciti, esecuzione dell’IA controllata e risultati che migliorano a ogni ciclo.
