Il vero asset del vostro ufficio tecnico non è nel PLM, è nella testa delle persone
Perché il knowledge management è l'infrastruttura invisibile da cui dipende la scalabilità dell'engineering — e cosa cambia quando lo si affronta come progetto ingegneristico
Se domani i tre progettisti più esperti del vostro ufficio tecnico si dimettessero lo stesso giorno, quante settimane servirebbero per tornare operativi allo stesso livello di output?
La domanda fa sorridere nelle interviste preliminari. Poi arriva la stima: sei mesi. Nove mesi. In qualche caso, più di un anno.
Smettere di sorridere diventa appropriato quando si capisce che la stima è ottimistica.
Un problema che l'Italia non può permettersi
L'Indagine Confindustria sul Lavoro 2024, condotta su un campione di 3.742 imprese che occupano complessivamente oltre 813.000 dipendenti, riporta che il 69,8% delle aziende con ricerche di personale in corso dichiara di incontrare difficoltà di reperimento. La percentuale sale al 73,5% nell'industria. Disaggregando per tipologia di competenze, sono le tecniche a risultare più critiche: difficoltà segnalate dal 69,2% delle imprese che hanno problemi di reperimento.
Il Sistema Informativo Excelsior 2024 (Unioncamere - Ministero del Lavoro) conferma il quadro: il 48% delle entrate programmate in Italia risulta di difficile reperimento, in aumento di oltre 20 punti percentuali rispetto al 26% del 2019. Le difficoltà "tendono a concentrarsi nelle professioni tecniche ad elevata specializzazione".
Tradotto: trovare oggi un progettista senior esperto in un settore specifico è un'operazione che può durare mesi e che spesso si chiude con un compromesso.
In questo contesto, ogni giorno in cui il know-how di un'azienda resta esclusivamente nella testa delle persone è un giorno di rischio accumulato. Non teorico. Misurabile in lead time, in rework, in tempo di onboarding.
Il knowledge management nei reparti tecnici: cosa significa davvero
La letteratura accademica distingue da tempo tra conoscenza esplicita — codificata in documenti, procedure, specifiche — e conoscenza tacita, quella che vive nell'esperienza delle persone e si trasferisce prevalentemente attraverso osservazione e pratica.
Lo studio di Daghfous, Belkhodja e Angell pubblicato sul Journal of Knowledge Management nel 2013, basato su quattro casi nel manifatturiero e nei servizi, evidenzia come le strategie tipiche di retention del sapere — exit interview, documentazione al passaggio di consegne, affiancamento con il successore — catturino solo una piccola parte della conoscenza critica. Gli autori identificano nel turnover del personale il principale driver di knowledge loss, e nella mancanza di routine organizzative di codifica la causa principale della sua persistenza.
Una rassegna più recente (Sun, Huang, Jiang, Lu, Yang — Journal of Engineering Design, 2024) identifica cinque sfide ancora aperte nel knowledge management applicato al product design, tra cui la mancanza di strumenti pratici di condivisione e riuso e la difficoltà di verificare autenticità e completezza del sapere estratto.
Non è un problema teorico. È la ragione per cui, nei reparti tecnici italiani, la domanda "perché il senior X sceglie sempre quella soluzione in quella configurazione?" riceve risposte del tipo "perché ha visto cosa succede quando non la scegli" o "perché gli è capitato un cliente nel 2017 che…".
Quelle risposte sono conoscenza tacita. Non sono scritte da nessuna parte. E quando il senior X va in pensione, si dimette o semplicemente si ammala, la conoscenza esce dall'azienda con lui.
Perché il PLM non è la risposta
Molte aziende, confrontate con questo problema, investono in sistemi PLM o PDM pensando di risolverlo. Non è così.
Un PLM gestisce bene la conoscenza esplicita: documenti, revisioni, distinte, tracciabilità. È indispensabile ma non sufficiente. Non cattura le regole decisionali. Non codifica i "se A quando B, allora C" che un senior porta in testa.
Quando chiediamo in assessment dove sta il know-how realmente critico, la risposta corretta non è mai "nel PLM". È "nella prassi dei tecnici, nelle mail tra un senior e un junior, nei commenti lasciati nei vecchi modelli, nelle riunioni informali davanti al monitor".
Un framework pubblicato nel 2025 da Cimino, Torta, Albertelli e Monno — ricerca sviluppata tra Politecnico di Milano e MUSP Piacenza nell'ambito del progetto KnowledgeX finanziato dalla Regione Emilia-Romagna — propone un approccio di formalizzazione della conoscenza manifatturiera che supera i repository documentali tradizionali: estrazione strutturata dei pattern decisionali, rappresentazione in forme interrogabili, integrazione con strumenti di AI per il reasoning. È esattamente il livello a cui serve operare.
Knowledge engineering travestito da automazione
Il modo in cui il knowledge management si concretizza operativamente nei reparti tecnici non è un portale di condivisione documenti. È un progetto di knowledge engineering, cioè di estrazione e formalizzazione del know-how in regole esplicite, verificabili e riutilizzabili.
Nei progetti di automazione CAD che funzionano, questa è la parte che vale l'80% del risultato. Non il software che genera il modello 3D. La disciplina che estrae le regole da chi le applica senza averle mai scritte.
Gli effetti concreti:
- Il know-how critico smette di essere un asset personale e diventa un asset aziendale, tracciabile, manutenibile, evolvibile nel tempo.
- Il tempo di onboarding di una risorsa nuova scende. Non perché il junior impari di più, ma perché ha accesso a regole formalizzate invece che a interpretazioni informali.
- La variabilità tra progettisti su commesse simili si riduce. Il cliente smette di ricevere offerte apparentemente diverse per lavori analoghi.
- L'azienda diventa meno fragile rispetto al turnover. Un senior che esce lascia un impatto, non un vuoto.
Come si comincia, realisticamente
Tre passaggi, in ordine.
- Mappare dove il know-how critico risiede oggi. Non in teoria. Con interviste strutturate e osservazione sul campo. Emerge quasi sempre che la maggior parte delle regole che guidano le decisioni progettuali non è scritta da nessuna parte.
- Scegliere un perimetro ristretto. Una famiglia di prodotto, una tipologia di commessa, una linea. Non "tutto il catalogo". La formalizzazione di un perimetro realistico richiede mesi, non anni.
- Integrare gli strumenti AI come acceleratori. Classificare progetti storici, trovare pattern ricorrenti, strutturare interviste con i senior: sono attività dove i modelli linguistici moderni riducono lo sforzo umano in modo sostanziale. Non sostituiscono il lavoro ingegneristico di validazione. Lo accelerano.
Il test per capire se un'azienda è pronta non è tecnologico. È organizzativo: esiste una figura con autorità riconosciuta per dichiarare "questa è la regola ufficiale" quando due senior ne propongono due diverse?
Se sì, si può partire. Se no, quella è la prima decisione da prendere. Prima di ogni software.
Espeiria nasce esattamente per questo: trasformare il know-how tacito dei reparti tecnici in un sistema governabile, evolutivo e scalabile. L'assessment di readiness parte dalla mappatura del know-how critico e identifica il perimetro realistico da cui partire. Contattateci per una prima call.
Fonti: Indagine Confindustria sul Lavoro 2024, Centro Studi Confindustria, 5 agosto 2024. Sistema Informativo Excelsior 2024, Unioncamere - Ministero del Lavoro. Daghfous A., Belkhodja O., Angell L.C., "Understanding and Managing Knowledge Loss", Journal of Knowledge Management, Vol. 17 No. 5, 2013. Sun X., Huang R., Jiang Z., Lu J., Yang S., "On tacit knowledge management in product design: status, challenges, and trends", Journal of Engineering Design, 2024. Cimino C., Torta M., Albertelli P., Monno M., "A Novel Knowledge Formalization Framework to Support Decision-Making in Manufacturing Processes", Springer, 2025.