Machikoba no Techo Luglio 2026

Ciò che collega non è un cavo. È lo sguardo.

Luglio. Qui ad Arita l'estate è arrivata sul serio, e dentro l'officina il caldo cresce fin dal primo mattino. Nei giorni di pioggia ci si aggiunge l'umidità e l'aria si fa pesante.
Nel Kyushu settentrionale la stagione del calamaro spillo (Kensaki) è al culmine, e il mare notturno è illuminato dalle lampare dei pescherecci. Accanto a quel mare, la nostra officina continua a fare egi come ha sempre fatto. Tagliare, provare l'accoppiamento, tagliare ancora, regolare. Ogni corpo viene lavato uno per uno prima di essere assemblato. Ventisette anni dalla fondazione, ed è questo lavoro manuale semplice e senza gloria, ripetuto, a diventare ogni singolo egi. Vi ringraziamo di cuore per il vostro continuo sostegno.

Nel frattempo, fuori dall'officina, non passa quasi giorno senza sentire la parola «IA».
Da circa un anno conduco per conto mio esperimenti con una serie di strumenti di IA.

Ma il cambiamento che percepisco non è che l'IA sia diventata abile.
È che una piccola officina può ormai costruire in casa il tipo di sistema che prima non poteva che commissionare a una ditta specializzata.

Vorrei descrivere un esempio.

■ Un'officina è piena di display

In un'officina ci sono display dappertutto.
Il quadro di comando di una macchina utensile. Termometri. Igrometri. Sensori di CO₂. Contatori elettrici.

Le persone li guardano e giudicano:
«Oggi gira un po' caldo».
«Quel valore è diverso dal solito».
«È ora di arieggiare».

Portare quelle informazioni dentro un computer era un tempo un'impresa faticosa.
Richiedere al costruttore le specifiche di comunicazione. Stendere un cavo di comunicazione. Installare un PLC. Comprare software dedicato.
In altre parole, bisognava prima collegarsi fisicamente alla macchina.

I centri di lavoro e le fresatrici a NC pubblicano effettivamente specifiche API e, con abbastanza determinazione, i dati si possono estrarre in C++. Ma la fatica che comporta è enorme, ed è difficile trovare quella determinazione.

■ Non toccare la macchina. Basta guardarla.

Di recente, però, si è aperta un'altra strada.
Riprendere il display con una webcam.

Non una speciale telecamera industriale. Quella che abbiamo usato è una normale webcam da circa 3.000 yen.

Leggere i numeri da quel video, conservarli come dati, tracciarli su un grafico e lanciare un allarme quando qualcosa non va.
Converte in dati analizzabili in continuo ciò che prima una persona coglieva con gli occhi.
Detto altrimenti, abbiamo applicato la DX all'atto stesso di osservare.

■ La prima versione, e il muro contro cui è andata

La prima versione era molto semplice: inviare a un'IA l'immagine catturata e chiederle di «leggere questi numeri».
Claude di Anthropic. Gemini di Google. Grok di xAI. Abbiamo provato diversi servizi.

In più, assistenti di programmazione come Claude Code, Codex, Grok Build e Cursor hanno reso drasticamente più rapida la costruzione stessa del sistema. Un lavoro su cui un tempo uno specialista avrebbe passato settimane oggi si porta a termine in poco tempo.

Ma una volta che il prototipo girava, è emerso un problema. Costava troppo.

Una singola chiamata non è affatto cara. Monitorare ventiquattr'ore su ventiquattro, tutto l'anno, è un altro discorso. «L'IA che si usa ogni tanto» e «l'IA che si tiene sempre accesa» richiedono strutture di costo completamente diverse.

Da titolare di una piccola officina, più che restare colpito dalle prestazioni, mi ritrovo a pensare a come rendere più piccola la fattura mensile.

■ Farla girare in locale

Il tentativo successivo è stato quindi far girare un LLM locale su un Raspberry Pi.
Un PC grande accanto a una macchina utensile è d'ingombro; un Raspberry Pi che sta nel palmo della mano ci sta comodo.

E se l'IA gira interamente sui nostri apparecchi, non ci sono costi di API. Il costo di esercizio è in pratica la corrente elettrica. In teoria, vicino allo zero.

La realtà non è stata così semplice. La maggior parte degli LLM più noti non partiva: memoria insufficiente. Alla fine Qwen è quello che ha girato con più agio, anche se comunque non funzionava attraverso strumenti comodi come ollama e ha richiesto una discreta messa a punto.

■ Usare meno IA possibile

Il punto a cui siamo infine arrivati è questo:
l'OCR si occupa del caso normale. L'LLM locale entra in funzione soltanto quando l'OCR fallisce.

Un OCR leggero svolge il lavoro di tutti i giorni. L'IA compare solo quando c'è qualcosa di anomalo o la lettura è ambigua.
Il costo di esercizio è risultato sostanzialmente nullo.

Per ottenere velocità da un Raspberry Pi, l'approccio consueto è fissare la posizione della telecamera e scrivere nel codice le coordinate da leggere. Quell'approccio ha un punto debole. Una lieve vibrazione in officina sposta la telecamera, le coordinate fissate nel codice non coincidono più e all'improvviso non si riesce a leggere più nulla.

Anche qui l'LLM, capace di cogliere il contesto, si è guadagnato il suo posto. Poiché può rileggere dall'intera immagine «dove si trovano i numeri», un piccolo spostamento è facile da correggere. Abbiamo integrato questa correzione nella routine di lettura e affidato a cron una calibrazione periodica. Il risultato è un sistema che continua ad assorbire da solo gli scostamenti, senza che nessuno lo sorvegli.

La parte interessante: un progetto nato con l'intento di usare molta IA è diventato davvero pratico solo quando si è evoluto verso l'usarne il meno possibile.

Assomiglia al modo in cui lavorano le persone. I compiti di routine si sbrigano con l'esperienza e le procedure. Si chiama uno specialista solo quando succede qualcosa di imprevisto. Quella divisione del lavoro si è rivelata la più efficiente.

■ Non con un cavo, ma con lo sguardo

Ragionandoci sopra, mi è tornato in mente il modo in cui carichiamo il telefono.
Un tempo era ovvio che si infilasse un cavo. Oggi la ricarica senza fili è ovunque: appoggi il telefono sulla base e si carica. Non c'è alcun collegamento fisico. Eppure l'energia passa.

Questo progetto è un po' così.
Tradizionalmente, per far uscire informazioni da una macchina si attaccava un cavo di comunicazione. Questa volta no. Non tocchiamo la macchina. Non c'è alcuna linea dati. Ci limitiamo a osservare. E tuttavia otteniamo le informazioni che ci servono.

Lo si potrebbe chiamare un passaggio dal collegamento fisico via cavo a un modo di raccogliere informazioni senza contatto, per induzione.

Non ci siamo collegati alla macchina. L'abbiamo osservata.
Ciò che collega non è un cavo. È lo sguardo.

A pensarci bene, la vista funziona grazie alla luce, e anche la luce è un'onda elettromagnetica.
Vista così, forse questa è davvero una connessione per induzione elettromagnetica, come in un trasformatore.

■ Il costo di provare si è abbassato

La cosa più importante di questo progetto non è stata che l'IA sia diventata abile. È stato che il costo di tentare qualcosa si è abbassato drasticamente.

Un sistema che qualche anno fa avremmo commissionato a uno specialista oggi si può costruire dentro una piccola officina. Non abbiamo il budget di una grande azienda. Non abbiamo un reparto dedicato. Ma proprio perché siamo piccoli, possiamo provare, sbagliare e migliorare in fretta.

Credo che sia qui il vero cambiamento dell'era dell'IA.
Non che l'IA tolga lavoro alle persone. Ma che l'IA abbia allargato enormemente il raggio di ciò che le persone possono tentare.

KEYSTONE continuerà ad affrontare i problemi che nascono in reparto — nella costruzione degli egi soprattutto, ma non soltanto lì — adottando con flessibilità le nuove tecnologie.

Tradizionali eppure innovativi.
Con queste parole in mente, intendiamo continuare ad andare avanti, un passo alla volta.

Come sempre, vi ringraziamo per il vostro sostegno.

with SQUID!!

Luglio 2026
KeyStone Corporation
Nobuhide Kanagawa, Presidente