Al recente AI Festival ho contato i panel. Uno, soltanto uno, parlava di agrifood. In un Paese che vive di filiere alimentari, è un segnale, non una svista. Nel corridoio non c’erano startup agritech in mostra; nessun ecosistema visibile. E, per onestà, vale anche il contrario: nelle fiere di settore raramente vedo AI che lavora davvero. L’innovazione che in sanità e manifattura riscrive i processi, da noi spesso resta una riga in brochure. Invisibile, quindi inesistente per chi decide.
Non è un problema di slogan, è un problema di processi. L’AI diventa utile quando entra nel flusso quotidiano di qualità, sicurezza, logistica, acquisti. Se resta fuori, resta teoria. La domanda da farsi è semplice: quale decisione domani mattina verrà presa meglio grazie a un agente? Se non c’è una risposta netta, il progetto non è “acerbo”, è mal posto.
Indice degli argomenti
Agrifood, il blocco che frena l’intelligenza artificiale
Il primo blocco è culturale ma si vede nei dati: log HACCP in PDF, anagrafiche incoerenti, ERP che non si parlano. Quando i dati nascono male, l’AI non anticipa nulla, lucida l’errore. In più abbiamo procurement scritti per software di ieri: capitolati a cascata, milestone lontane, nessuna stanza per sperimentare. Così l’AI diventa “progetto speciale”, mai routine.
E nei contesti regolati, dove la responsabilità è sacrosanta, l’assenza di spiegabilità alimenta la diffidenza: se una macchina suggerisce un’azione, deve dire perché. Senza traccia e motivazione, l’audit boccia e l’operatore non si fida.
Il digital divide agricolo
Poi c’è il tema che in città sottovalutiamo: il digital divide agricolo. In molte aree non è “arrivato tardi” , non è proprio arrivato. Connettività intermittente in stalla, trattori senza telemetria o con protocolli chiusi, stagionali che cambiano ogni mese, capitali ridotti per sensori e gateway. In questi contesti l’AI non atterra con un cruscotto scintillante: atterra se è offline-first, se continua a lavorare in locale e si sincronizza quando può; se parla via SMS o WhatsApp invece di chiedere dieci password; se un adapter legge CAN-bus/ISOBUS e lo traduce in un’API che un gestionale capisce; se la cooperativa diventa nodo digitale per dieci aziende, con un tecnico che passa, aggiorna, forma in novanta minuti; se il costo hardware non è un muro ma un noleggio operativo legato a risultati. Non è elegante: è pratico. E funziona.
Agrifood, quattro cose da cambiare subito
Fin qui i problemi. Cosa cambiare, subito, senza aspettare la piattaforma perfetta?
Primo: portare l’agrifood dove si parla di AI e l’AI dove si parla di agrifood
Ogni evento tech dovrebbe avere un track serio di filiera con demo su casi veri—non slide—e numeri in temporeale su scarti, tempi, non conformità. Ogni fiera di settore dovrebbe avere un corridoio AI dove le soluzioni si collegano ai dati del visitatore (sanificati) e mostrano come spiegano le scelte. La visibilità crea domanda, la domanda disciplina l’offerta.
Secondo: aggiornare il procurement
Si dovrebbe subito aggiornare il procurement con una clausola pilota che possa essere attivata in 90 giorni, tre indicatori semplici, uscita pulita se l’impatto non c’è. L’AI entra nei processi quando entra negli acquisti; finché restiamo vincolati a contratti monolitici, vedremo POC eterni e nessuna adozione.
Terzo: smettere di sognare e fare cose concrete e condivise
Basta sognare “laghi dati” nazionali, meglio concordare schemi minimi condivisi su quattro tabelle che tutti hanno: anagrafiche prodotto e sito, eventi di qualità, movimenti di magazzino, ordini e consegne. Con queste quattro, gli agenti lavorano domattina. Il resto può crescere per iterazioni, non per miracoli.
Quarto: aree di test territoriali con KPI pubblici
Creare testbed territoriali con KPI pubblici. Due distretti—uno del fresco, uno del trasformato—che ogni trimestre pubblicano i risultati di prove AI su processi reali. Non storytelling, grafici semplici: tempo medio per chiudere una non conformità, minuti risparmiati in banchina, scarti evitati a fine giornata. La concorrenza su numeri veri è la migliore alleata contro l’hype.
Dove l’AI vale già oggi, senza rifare il mondo?
Nella qualità e safety: agenti che precompilano registri, segnalano anomalie e motivano le azioni correttive, liberando tempo in linea. Nella logistica corta: ricalcolo di slot e riordini in base a rischio e margine, non solo storico. Nella ristorazione collettiva: menù con vincoli su allergeni e diete, scarti misurati e ridotti, giustificazioni pronte per l’audit. Negli acquisti: score ex-ante su puntualità e conformità dei fornitori, contratti legati a indicatori tracciati dall’AI, non a impressioni. Nella ricerca di prodotto: AI prima del laboratorio per tagliare test inutili e concentrare risorse su ipotesi con probabilità di successo. Sono cose noiose? Sì. Sono quelle che pagano.
L’agenda per passare dalle parole ai fatti
C’è un’agenda breve che posso firmare. Due settimane per mappare un processo (non conformità, allergeni, forecast dei freschi) e concordare definizioni e dati minimi su due pagine. Quattro settimane per integrare un agente che suggerisca azioni su tre regole chiare e lasci traccia di chi approva o rigetta e perché. Due settimane per misurare tre indicatori. Se le curve non si muovono, si rifà il caso d’uso, non il comunicato. Se si muovono, si scala un modulo alla volta. La differenza tra vision e fumo sta tutta qui.
Insisto su un punto: finché l’AI nell’agrifood non si vede—né dove si parla di AI né dove si parla di cibo—per i decisori non esiste. Esiste, invece, se aggiorniamo i processi quel tanto che basta a farla lavorare: procurement che apre ai piloti, dati che reggono un audit, agenti che spiegano le scelte, ponti sul digital divide per chi sta in campo. Non chiedo di essere “avanti”. Chiedo di cominciare bene. Quando la vedremo in stalla, in magazzino, in cucina, smetteremo di chiamarla AI. La chiameremo semplicemente lavoro fatto meglio.
