The Industrial AI-ready Operating Ecosystem: Formalising Rules, Data and Accountability before Intelligence — A Design-Science Case Study on QA/QC, Supply Chain and Vendor Documentation in Regulated Manufacturing

Sintesi (IT)

Nei settori Oil & Gas, EPC e nella manifattura regolamentata l'adozione dell'intelligenza artificiale è spesso presentata come l'aggiunta di un modello linguistico a processi esistenti. Questo lavoro sostiene, sulla base di un caso studio design-science condotto in un'azienda manifatturiera europea di componentistica industriale (circa 24 mesi, seguiti da 6 mesi in un contesto post-acquisizione entro un gruppo industriale internazionale), una tesi diversa e più verificabile: un sistema operativo industriale AI-ready non nasce aggiungendo un LLM a processi frammentati, ma formalizzando prima regole, dati, responsabilità, documenti ed eventi in piattaforme verticali, interoperabili e auditabili. Solo successivamente RAG, AI agentica e LLM privati possono accelerare QA/QC, engineering, supply chain e Vendor Documentation, senza sostituire i controlli deterministici e la responsabilità umana.

Il contributo è duplice. Primo, descrive un ecosistema realmente sviluppato di piattaforme verticali: una dashboard operativa con 40 KPI su 11 aree funzionali, rendicontazione ESG secondo GHG Protocol (Scope 1/2/3), gestione delle non conformità con 110 record migrati da sistema legacy e scorecard fornitori; un motore deterministico di configurazione e offerta che sostituisce un flusso Excel/VBA gestendo 162 connessioni di processo e 117 configurazioni con categorizzazione PED 2014/68/EU; un service desk self-hosted integrato con Microsoft 365 Graph API e MFA, con una funzione AI di triage confinata in sandbox. Secondo, propone un principio architetturale — deterministic core, probabilistic assistance, human accountability — e un protocollo di misurazione per trasformare l'evidenza implementativa e qualitativa in risultati quantitativi difendibili.

Il documento distingue rigorosamente ciò che è implementato, predisposto e proposto; adotta formulazioni prudenti di compliance readiness anziché dichiarazioni di conformità; e riporta i limiti (data residency, incident response, hallucination, qualità anagrafica, responsabilità legale) come parte del metodo.

Abstract (EN)

In Oil & Gas, EPC and regulated manufacturing, adopting AI is often framed as adding a language model to existing processes. Drawing on a design-science case study in a European manufacturer of industrial components (~24 months, followed by 6 months of post-acquisition integration into an international industrial group), this paper argues a stronger, testable thesis: an AI-ready industrial operating system is not created by adding an LLM to fragmented processes, but by first formalising rules, data, accountability, documents and events into vertical, interoperable and auditable platforms. Only then can RAG, agentic AI and private LLMs accelerate QA/QC, engineering, supply chain and Vendor Documentation — without replacing deterministic controls or human accountability.

The contribution is twofold. First, it documents a real ecosystem of vertical platforms: an operational dashboard (40 KPIs across 11 functional areas, GHG-Protocol ESG reporting, non-conformance management with 110 migrated legacy records, supplier scorecards); a deterministic configuration-and-quotation engine replacing an Excel/VBA workflow (162 process connections, 117 configurations, automatic PED 2014/68/EU categorisation); and a self-hosted service desk integrated with Microsoft 365 Graph API and MFA, with an AI triage feature confined to an opt-in sandbox. Second, it proposes an architectural principle — deterministic core, probabilistic assistance, human accountability — and a measurement protocol to turn implementation and qualitative evidence into defensible quantitative results.

The paper rigorously separates what is implemented, prepared and proposed; uses cautious compliance-readiness wording rather than compliance claims; and treats limits (data residency, incident response, hallucination, master-data quality, legal liability) as part of the method.

Nota / Note. Fully anonymised working draft. No company, plant, platform, client or supplier names appear. Quantitative results are real, explicitly illustrative, or marked as placeholders. No bibliographic reference has been fabricated.