Un guasto raramente “arriva all’improvviso”: spesso compaiono piccoli segnali (porte più lente, vibrazioni anomale, aumento dei cicli, errori intermittenti). L’IA predittiva serve proprio a questo: trasformare dati di utilizzo e telemetria in avvisi utili e in una pianificazione della manutenzione più efficace, riducendo fermi impianto, chiamate urgenti e disagi per gli utenti.
- Riduzione fermi impianto: interventi mirati prima che il problema diventi blocco o emergenza.
- Priorità “smart” per i tecnici: meno visite inutili, più interventi dove serve davvero.
- Tracciabilità: log, trend e motivazioni dell’allarme per decisioni più rapide.
Cos’è (davvero) l’IA predittiva per pianificare la manutenzione degli ascensori
La manutenzione predittiva degli ascensori è un approccio che usa dati di utilizzo, sensori e storici di intervento per prevedere quando un componente sta degradando e programmare un intervento prima che si verifichi un guasto.
Si interviene dopo il guasto. È la più costosa sul lungo periodo: emergenze, fermo impianto, disagi e rischio reputazionale.
Si interviene “a calendario”. Riduce i guasti rispetto alla correttiva, ma spesso porta anche a controlli inutili o tardivi.
Si interviene quando i dati lo suggeriscono. L’obiettivo è evitare sia l’emergenza sia la “sostituzione troppo presto”.
In pratica: la predittiva non è “un grafico in più”. È un sistema che produce un output operativo: chi deve fare cosa, dove e con quale priorità, con una traccia chiara del perché (dati + soglie + modello).
Nota: i contenuti qui sono informativi e non sostituiscono controlli obbligatori, manutenzioni prescritte o valutazioni tecniche su impianti specifici.
Come funziona: dal dato all’intervento programmato (senza complicazioni inutili)
Un progetto ben fatto si può spiegare con 6 blocchi chiari. Se uno manca, il sistema tende a rimanere “teorico”.
1) Raccolta dati
Telemetria (quando disponibile), log di guasti, cicli, utilizzo, e storico interventi. Se mancano sensori, si può partire con ciò che c’è e definire un piano di arricchimento.
2) Qualità & normalizzazione
Pulizia, timestamp coerenti, mapping componenti, gestione missing data. È qui che si decide se gli alert saranno “rumore” o “azione”.
3) Modelli (IA)
Anomaly detection, trend di degrado, classificazione eventi, previsione rischio guasto. Il modello giusto dipende dal tipo di impianto e dai dati disponibili.
4) Regole operative
Soglie, priorità, “cosa fare” e tempi consigliati. Un alert senza istruzioni operative crea solo stress.
5) Integrazione nel flusso
Ticket / work order nel sistema che già usi (CMMS, helpdesk, gestione manutenzioni, BI). Se non entra nel lavoro quotidiano, non verrà adottato.
6) Miglioramento continuo
Feedback dai tecnici (“falso positivo / vero positivo”), aggiornamento soglie, monitoraggio drift. La qualità aumenta iterazione dopo iterazione.
Obiettivo realistico: partire con una prima versione utilizzabile (anche semplice) e misurarla con KPI chiari. Se i risultati sono buoni, si estende a più impianti e si raffina il modello.
Quali dati raccogliere: segnali che spesso anticipano i guasti negli ascensori
In molti impianti, i guasti più “costosi” (per tempo, emergenza e disagi) sono preceduti da segnali deboli. La chiave è scegliere pochi segnali utili e renderli affidabili.
Dati tipici (da prioritizzare)
- Cicli e pattern di utilizzo: numero di corse, fermate, ore di punta, carico stimato (quando disponibile).
- Porte: tempi di apertura/chiusura, riaperture, attriti, irregolarità ricorrenti (spesso i problemi partono da qui).
- Motore e componenti elettromeccanici: vibrazioni, temperatura, assorbimento/corrente, trend di surriscaldamento.
- Livellamento e precisione: scostamenti, micro-variazioni, ripetitività dell’errore.
- Codici errore e log: frequenza, combinazioni, ripetizione su determinati orari o condizioni.
- Storico interventi: componenti sostituiti, note tecniche, tempi di risoluzione, ricorrenza del problema.
Consiglio pratico: prima di aggiungere “cento sensori”, definisci 3–5 failure mode prioritari (es. porte, livellamento, motore, blocchi intermittenti) e costruisci la pipeline attorno a quelli.
Benefici concreti: cosa migliora davvero (e per chi)
L’IA predittiva ha senso quando cambia i numeri di gestione, non quando crea solo report. Qui sotto trovi i benefici più comuni, raggruppati per stakeholder.
Per property / facility management
- Meno fermi impianto e meno escalation “all’ultimo minuto”.
- Migliore esperienza utenti (tenant, ospiti, pazienti, residenti).
- Reportistica più chiara: trend, interventi, motivazioni delle priorità.
- Budget più prevedibile grazie a interventi pianificati e meno emergenze.
Per aziende di manutenzione
- Ottimizzazione giri tecnici: priorità basate su rischio, non su percezioni.
- Meno interventi urgenti e più lavoro programmato (più efficiente e controllabile).
- Riduzione falsi allarmi con feedback loop (tecnici → modello).
- Gestione ricambi più intelligente (scorte dove servono).
Per chi si occupa di qualità & sicurezza
- Tracciabilità delle decisioni e degli interventi.
- Diagnostica più rapida e riduzione del rischio operativo.
- Processo più robusto: meno variabilità “da persona a persona”.
Il punto chiave: i risultati migliori arrivano quando l’IA è collegata al workflow: alert → decisione → ticket → intervento → feedback → miglioramento.
Come partire: metodo pratico (pilot → produzione) per ridurre guasti e interruzioni
Se vuoi arrivare a un sistema che viene usato davvero, conviene evitare due estremi: “fare tutto subito” (lento e costoso) e “fare una demo scollegata” (non adottata). Qui sotto trovi un percorso pragmatico.
Step-by-step consigliato
- Definisci l’obiettivo: ridurre fermi, ridurre emergenze, migliorare MTTR, migliorare pianificazione, ecc.
- Scegli 3–5 segnali e 2–3 failure mode ad alta frequenza/alto impatto (es. porte, livellamento, errori intermittenti).
- Allinea i dati: dove vivono (log impianto, CMMS, report tecnici, sensori, BMS).
- Costruisci un pilot operativo: alert con priorità + regola d’azione + dashboard essenziale.
- Integra nel lavoro: generazione ticket / work order dove già lavorate.
- Misura e itera: falsi positivi, lead time, adozione, risparmi indiretti (ore, emergenze, downtime).
Checklist rapida (pronta da copiare)
- Abbiamo un elenco impianti con identificativi coerenti (sito, scala, fermate, modello)?
- Abbiamo storico guasti e interventi (anche se “sporco”)?
- Possiamo leggere almeno: cicli, log eventi, codici errore, tempi di fermo (o proxy)?
- Esiste un sistema dove aprire ticket/work order (o una procedura standard)?
- Chi valida gli alert e con quale SLA?
- Quale KPI useremo per dire “funziona / non funziona”?
KPI consigliati: come misurare risultati e qualità degli alert
Misurare è ciò che separa un progetto “interessante” da un progetto che resta. Qui ci sono KPI utili sia per capire l’impatto, sia per migliorare la qualità del sistema.
KPI di impatto
- Downtime (ore fermo impianto / mese, per sito e per impianto)
- Interventi urgenti (numero e trend)
- MTTR (tempo medio di ripristino)
- Ricorrenza guasti dopo intervento (rework)
KPI di qualità degli alert
- Precision (quanti alert erano “giusti”)
- False positives (alert che non portano valore)
- Lead time (quanto prima arriva l’avviso rispetto al guasto)
- Adozione (quanti alert diventano azioni / ticket)
KPI di processo
- Tempo decisione (da alert a presa in carico)
- Tempo pianificazione (da presa in carico a intervento)
- Chiusura ticket e qualità note tecniche (feedback per migliorare il modello)
Suggerimento: parti con pochi KPI “nucleo” e una baseline pre-progetto. Senza baseline, è difficile attribuire miglioramenti (o capire cosa ottimizzare).
Costi e modelli di pricing: cosa incide davvero (e come valutarlo)
Il costo di una soluzione di IA predittiva per ascensori non dipende solo dal “software”. Le voci che impattano di più sono di solito queste:
- Disponibilità dati: se i dati sono già accessibili e coerenti, i tempi scendono.
- Connettività e sensori: dove servono, vanno scelti e gestiti (installazione, rete, manutenzione).
- Integrazioni: CMMS/helpdesk/BI, gestione asset, notifiche, permessi.
- Affidabilità operativa: monitoraggio, log, fallback, gestione errori e miglioramento continuo.
- Scalabilità: da 10 impianti a 200 cambia il livello di automazione e governance richiesto.
Come scegliere un modello: in molti contesti funziona bene un approccio “pilot + estensione”: un primo perimetro ridotto per validare KPI e adozione, poi roll-out progressivo. Se vuoi, scrivi a info@bastelia.com con il tuo contesto e ti rispondiamo con una stima ragionata (senza moduli).
Errori comuni (e come evitarli)
1) Troppi alert = nessun alert
Se arrivano notifiche continue, il team smette di fidarsi. Meglio pochi alert con priorità e spiegazione.
2) Dati non governati
Nomi impianti incoerenti, timestamp errati e note non strutturate: il modello “impara rumore”. Serve un minimo di data governance.
3) Nessuna integrazione nel workflow
Se l’alert resta su una dashboard separata, viene ignorato. Il sistema deve aprire ticket o suggerire azioni dentro gli strumenti di lavoro.
4) KPI vaghi
“Migliorare la manutenzione” non è misurabile. Definire KPI e baseline all’inizio rende le decisioni semplici.
5) Dimenticare il feedback dei tecnici
Il feedback è oro: serve per ridurre falsi positivi e aumentare utilità degli alert nel tempo.
FAQ: IA predittiva e manutenzione predittiva degli ascensori
Qual è la differenza tra manutenzione preventiva e manutenzione predittiva?
Servono per forza nuovi sensori sugli ascensori?
L’IA sostituisce i tecnici di manutenzione?
Cosa succede se il modello sbaglia (falsi positivi o falsi negativi)?
Si integra con i nostri sistemi (CMMS, helpdesk, BI, ERP)?
Come si valuta il costo/beneficio?
Approfondisci: se vuoi passare dalla guida all’implementazione
Se l’obiettivo è portare l’IA in produzione (con KPI e integrazioni), qui trovi le pagine più utili per orientarti.
Soluzioni di IA per aziende: ROI misurabile
Approccio pratico: KPI-first, integrazioni reali e governance per evitare soluzioni “da demo”.
Servizi di Intelligenza Artificiale (IA)
Panoramica dei servizi: dalla roadmap ai sistemi operativi, con delivery 100% online.
Analisi dati aziendali: KPI, dashboard e reporting
Per rendere misurabile la manutenzione: KPI, dashboard e reporting che servono davvero al team.
Gestione dei dati aziendali (Data Management) con IA
Base dati solida = alert più affidabili: qualità, tracciabilità e accessi corretti.
Vuoi ridurre guasti e fermi impianto con un approccio predittivo?
Scrivi a info@bastelia.com con: numero di impianti/siti, sistemi attuali (BMS/CMMS/ERP), e il tuo obiettivo principale (downtime, emergenze, pianificazione, ecc.). Ti rispondiamo con i prossimi step più sensati (pilot incluso).