Data valorization and artificial intelligence for operational excellence: an empirical investigation of industrial practices, challenges, and perceived impacts

The pursuit of Operational Excellence (OpEx) in Industry 4.0 is challenged by a "data utilization paradox", despite the potential of Data Valorization (DV) through Artificial Intelligence (AI) and Machine Learning (ML). This thesis investigates AI/ML's impact on OpEx in industrial maintenance, quality, and production, examining current data practices, AI/ML contributions, implementation barriers, and perceived improvements. A pragmatic, quantitative survey of N=76 industry professionals, analyzed via a Python-based framework, formed the empirical basis. Key findings reveal a data practice maturity hierarchy (Production > Quality > Maintenance), with ERP/BI tools dominating, indicating a focus on descriptive analytics. An "AI Adoption Paradox" showed specific AI tool mentions significantly outpacing perceived AI integration, while a "Maintenance GenAI Paradox" suggested assistive AI adoption paths in less data-mature areas. Dominant barriers included skill gaps, data quality issues, cultural resistance, and AI-specific risks concerning transparency, bias, and security. Crucially, higher AI adoption levels correlate significantly with enhanced Enterprise Alignment (EA) and Overall OpEx, and greater AI transparency efforts also positively link to OpEx dimensions. The study provides empirical support for OpEx-DV synergy, highlights nuanced AI adoption pathways, and offers practical recommendations emphasizing strategic AI alignment, skills development, data governance, and proactive AI transparency to bridge the gap between data potential and realized operational value, advocating a holistic approach for achieving data-driven OpEx.

La ricerca dell'Eccellenza Operativa (OpEx) nell'Industria 4.0 è messa alla prova da un "paradosso dell'utilizzo dei dati", nonostante il potenziale della Valorizzazione dei Dati (DV) attraverso l'Intelligenza Artificiale (IA) e il Machine Learning (ML). Questa tesi analizza l'impatto di IA/ML sull'OpEx nella manutenzione industriale, nella qualità e nella produzione, esaminando le attuali pratiche sui dati, i contributi di IA/ML, le barriere all'implementazione e i miglioramenti percepiti. Un sondaggio pragmatico e quantitativo condotto su N=76 professionisti del settore, analizzato tramite un framework basato su Python, ha costituito la base empirica. I risultati chiave rivelano una gerarchia di maturità nelle pratiche sui dati (Produzione > Qualità > Manutenzione), con il predominio di strumenti ERP/BI, indicando una focalizzazione sull'analisi descrittiva. Un "Paradosso dell'Adozione dell'IA" ha mostrato che le menzioni di specifici strumenti di IA superavano significativamente l'integrazione percepita dell'IA, mentre un "Paradosso della GenAI nella Manutenzione" suggeriva percorsi di adozione assistita dell'IA in aree meno mature dal punto di vista dei dati. Le barriere dominanti includevano carenze di competenze, problemi di qualità dei dati, resistenza culturale e rischi specifici dell'IA riguardanti trasparenza, bias e sicurezza. Fondamentalmente, livelli più elevati di adozione dell'IA sono significativamente correlati con un miglior Allineamento Aziendale (EA) e con l'OpEx Generale, e maggiori sforzi verso la trasparenza dell'IA si collegano positivamente anche alle dimensioni dell'OpEx. Lo studio fornisce supporto empirico per la sinergia OpEx-DV, evidenzia percorsi sfumati di adozione dell'IA e offre raccomandazioni pratiche che enfatizzano l'allineamento strategico dell'IA, lo sviluppo delle competenze, la governance dei dati e una trasparenza proattiva dell'IA per colmare il divario tra potenziale dei dati e valore operativo realizzato, promuovendo un approccio olistico per raggiungere un'OpEx guidata dai dati.