La software house londinese Aibuild ha presentato Aibuild OS, una piattaforma basata su intelligenza artificiale pensata per automatizzare i flussi di lavoro lungo l’intero stack ingegneristico, dal concept iniziale fino alla produzione. Nel modello di Aibuild, il problema principale non è solo la singola macchina o il singolo processo AM, ma la frammentazione tra strumenti CAD, CAE e CAM, spesso sviluppati da fornitori diversi, con logiche proprietarie e scarsa interoperabilità.
Questa frammentazione crea “data silos” strutturali: i dati di progetto, simulazione e produzione restano confinati in ambienti chiusi, costringendo gli ingegneri a un lavoro manuale di traduzione e pulizia tra sistemi che non sono nati per dialogare tra loro. Aibuild OS si propone come livello unificante che orchestra questi strumenti come un unico sistema, riducendo la dipendenza da scambi file sequenziali e da passaggi manuali ad alto rischio di errore.
Digital Engineers: agenti autonomi che eseguono flussi multi‑step
L’elemento centrale di Aibuild OS è il concetto di “Digital Engineers”, agenti AI autonomi in grado di gestire flussi multi‑step attraverso diversi ambienti software senza supervisione continua. In pratica, questi agenti possono prendere in carico task come la conversione di dati di scansione 3D grezzi in mesh pronte per la produzione, la generazione automatica di stampi e attrezzaggi a partire dal modello finale, o la creazione di percorsi di stampa e fresatura partendo da un concept 3D fino al file macchina.
La piattaforma integra inoltre funzionalità di generazione assistita nelle fasi iniziali di design, tra cui la trasformazione di prompt testuali in immagini di concept, la conversione di disegni tecnici 2D in modelli 3D e flussi image‑to‑3D, riducendo i tempi tra idea, validazione e preparazione del job. Questo approccio amplia il raggio d’azione di Aibuild rispetto al passato: dall’originaria vocazione CAM verticale (AiSync per LFAM, WAAM e processi robotici) a una piattaforma orizzontale che copre l’intero ciclo di vita ingegneristico.
Perché i silos di dati sono strutturali nel software manifatturiero
L’articolo evidenzia come la frammentazione non sia un incidente, ma il risultato di una strategia consolidata dei vendor: ecosistemi chiusi, formati proprietari e API limitate sono stati a lungo utilizzati per aumentare i costi di switching e trattenere i clienti. In questo contesto, trasferire dati fra CAD, CAE, slicer, piattaforme MES e sistemi di qualità diventa un processo lineare e rigido, basato su esportazioni/importazioni e su una “catena” di strumenti ottimizzati ognuno per la propria fase, ma scarsamente integrati.
Durante RAPID + TCT 2024, Bradley Rothenberg, CEO di nTop, ha definito il data transfer “la sfida principale per il software della stampa 3D”, sottolineando che senza scambi dati fluidi tra ambienti di progettazione, simulazione e produzione, l’adozione su larga scala dell’AM resta frenata. La risposta di nTop è stata introdurre il formato .implicit con Implicit Interop, in grado di trasferire design e dati di simulazione in file molto più compatti e veloci da generare rispetto alle mesh tradizionali; il fatto che sia stato necessario creare un nuovo formato per aggirare la frammentazione evidenzia la profondità del problema.
Aibuild OS come “collante” tra tool esistenti
A differenza di soluzioni che propongono nuovi ambienti CAD o slicer proprietari, Aibuild OS si posiziona come strato di orchestrazione sopra agli strumenti esistenti. L’obiettivo è far sì che gli agenti AI possano interagire con CAD, CAE, CAM, sistemi di produzione robotica e strumenti di ispezione come se fossero componenti di un’unica pipeline intelligente.
In ambito manifatturiero, questo si traduce in un passaggio dai flussi “file‑centrici” ai flussi “task‑centrici”: invece di chiedere all’ingegnere di esportare, pulire, reimportare e verificare a ogni passaggio, il Digital Engineer esegue il flusso completo, richiamando i tool appropriati, monitorando errori e riportando all’utente solo scelte di alto livello o eccezioni che richiedono una decisione tecnica. Questo paradigma è in linea con tendenze generali di unified data layer e piattaforme AI che collegano MES, IoT e sistemi di qualità per eliminare i silos, già discusse da fornitori di soluzioni industriali e integratori dati.
Implicazioni per la manifattura additiva industriale
Per la produzione additiva, dove ogni pezzo genera grandi volumi di dati (log macchina, termografie, sensori in‑process, parametri di scansione, ispezioni CT), i silos informativi rendono difficile sfruttare appieno l’AI per controllo qualità, manutenzione predittiva e tracciabilità. Diverse iniziative, come le piattaforme dati adottate da realtà come Melotte con Additive Center e amsight, mostrano la spinta verso thread digitali completi e data lake condivisi per l’AM metallica e per settori regolamentati come i semiconduttori.
In questo scenario, Aibuild OS rappresenta un tassello complementare: invece di concentrarsi solo sull’archiviazione e correlazione dei dati, punta a automatizzare le azioni che collegano progettazione, simulazione, preparazione del build, esecuzione su robot o macchine AM e verifica post‑processo, sfruttando agenti AI che si muovono in modo trasversale tra tutti questi contesti software.
