Toyota Motor North America sta trasformando l’AI da progetto sperimentale a infrastruttura operativa per l’intera organizzazione. Al centro della strategia c’è un team enterprise AI di circa 35 persone, composto da ingegneri, architetti, product manager e figure dedicate alla diffusione interna delle tecnologie AI. Una struttura volutamente compatta, ma con un mandato molto ampio, che punta a definire la direzione tecnologica dell’azienda, stabilire gli standard architetturali e realizzare direttamente i progetti considerati più strategici.

Il team deve coprire ambiti estremamente diversi, dalla produzione alla supply chain, dai servizi finanziari alla rete dei concessionari, fino alla ricerca e sviluppo. Per questo Toyota ha progressivamente abbandonato l’idea di costruire ogni componente internamente. Come ha spiegato Kordel France, Director of AI Engineering di Toyota Motor North America, l’esperienza accumulata nel realizzare tutto da zero ha evidenziato soprattutto il costo in termini di tempo e risorse ingegneristiche.

ToyotaGPT diventa la piattaforma centrale

Il fulcro dell’ecosistema è ToyotaGPT, piattaforma interna che raccoglie una libreria crescente di agenti specializzati. I dipendenti possono interrogare documentazione produttiva, rapporti di ricerca e sviluppo, informazioni sulla supply chain e altri contenuti aziendali attraverso interfacce conversazionali. Un elemento fondamentale riguarda la sicurezza dei dati. Gli agenti rispettano infatti i permessi già associati alle fonti informative e se un dipendente non dispone dell’autorizzazione per accedere a determinati contenuti SharePoint, ToyotaGPT non può renderli disponibili attraverso l’agente.

La piattaforma conta oggi oltre 50 agenti in produzione, ma il dato più significativo riguarda la velocità di sviluppo. Prima dell’attuale infrastruttura basata su Deep Agents e LangGraph, la realizzazione di un nuovo agente richiedeva infatti circa sei mesi di lavoro e sei ingegneri, mentre oggi Toyota dichiara di poter arrivare a un agente funzionante in quattro giorni con una sola persona.

Il cambio di paradigma passa dalla separazione tra competenze e applicazioni. Toyota ha costruito una libreria di skill riutilizzabili dedicate a produzione, supply chain, ricerca e sviluppo, branding e altri domini. Queste competenze vengono caricate negli agenti quando servono, evitando di incorporare lo stesso patrimonio di conoscenze all’interno di decine di applicazioni differenti.

GearPal porta l’AI direttamente sulla linea produttiva

Uno degli esempi più concreti è GearPal, progettato per assistere i tecnici nella diagnosi dei problemi che coinvolgono robot e macchinari della produzione. In uno stabilimento automobilistico ogni minuto di fermo può avere un costo estremamente elevato, rendendo la rapidità della diagnosi un fattore economico diretto. Il tecnico può interagire con GearPal in linguaggio naturale, chiedendo perché una macchina non funziona e quale procedura seguire per ripristinarla. L’agente combina informazioni diagnostiche, registri degli interventi precedenti e documentazione tecnica per fornire una risposta contestualizzata.

Crediti: Shutterstock

Crediti: Shutterstock

Il tempo necessario per una diagnosi passa così, secondo Toyota, da cinque o sei ore a circa due o tre minuti. Il sistema affronta inoltre la perdita di competenze specialistiche dovuta al pensionamento dei tecnici più esperti, un problema destinato a diventare sempre più importante nel manufacturing. Digitalizzare e rendere interrogabile la conoscenza accumulata consente di trasferirla alle nuove generazioni.

Per un’applicazione destinata a un ambiente produttivo critico è stata inoltre introdotta un’architettura di fallback tra diversi modelli linguistici, così da mantenere operativo il servizio anche in caso di indisponibilità del provider principale.

L’AI agentica viene utilizzata da Toyota anche per affrontare la quantità e la frammentazione della documentazione tecnica prodotta dalla ricerca e sviluppo. R&D GPT, costruito con Deep Agents, permette ai ricercatori di interrogare simultaneamente grandi quantità di materiale interno. Nel caso dello sviluppo delle vernici automobilistiche, per esempio, la documentazione può comprendere anni di formulazioni, test a temperature estreme, analisi della corrosione e verifiche sui processi di applicazione robotizzata.

Toyota sostiene che l’utilizzo dell’agente abbia contribuito a ridurre i tempi dei progetti di ricerca da circa tre anni a uno. Per migliorare la precisione del retrieval, il team ha utilizzato LangGraph per creare un sistema di chiamate parallele agli strumenti. Quando la fonte primaria non restituisce risultati sufficientemente pertinenti, l’agente può interrogare contemporaneamente fonti secondarie e combinare le informazioni prima di elaborare la risposta.

LangSmith diventa il sistema di controllo

In questa architettura l’osservabilità assume un ruolo centrale. Toyota utilizza LangSmith come una sorta di “Andon Board” per gli agenti AI richiamando uno dei principi storici del proprio sistema produttivo, ovvero rendere immediatamente visibili problemi, anomalie e punti critici.

La piattaforma consente di tracciare le interazioni degli agenti, individuare errori nelle chiamate agli strumenti, analizzare i problemi di retrieval e osservare come i diversi reparti utilizzano le applicazioni. Per Toyota è inoltre uno strumento fondamentale per dimostrare ai responsabili aziendali che gli agenti possono essere monitorati e governati.

L’azienda punta infine a estendere il ritorno economico su scala industriale. Secondo le stime del team, i singoli casi d’uso nel manufacturing possono generare risparmi annuali a sei cifre per linea, reparto e stabilimento, con la prospettiva di arrivare a risparmi complessivi nell’ordine delle sette o otto cifre su base annuale. La vera accelerazione, però, è già nel ciclo di sviluppo, visto che passare da sei mesi a quattro giorni permette a un team di poche decine di persone di rispondere alla domanda di AI proveniente da un’intera organizzazione industriale.