Dal Total Quality Management alla Quality 4.0: come Big Data e AI stanno ridefinendo la qualità

Che cosa significa «qualità» in una fabbrica del 2026? La domanda sembra semplice, ma la risposta è cambiata radicalmente negli ultimi decenni.

È proprio questa evoluzione il cuore della tesi di laurea di Tommaso Bonarota, neolaureato in Ingegneria Gestionale all'Università di Bologna e, per diversi mesi, Junior Lean Consultant in Leanbet.

Un percorso che unisce la solidità del metodo accademico all'esperienza diretta sul campo, e che vale la pena raccontare perché tocca un tema centrale per ogni impresa manifatturiera: come la qualità stia passando dal controllo del prodotto finito alla previsione del difetto.

La qualità come sistema, non come controllo

Il punto di partenza è il Total Quality Management. Con Joseph Juran e W. Edwards Deming la qualità smette di essere una semplice verifica di conformità a fine linea e diventa un principio di gestione dell'intera organizzazione.

Juran lo sintetizza nel passaggio dalla «Little Q» — la qualità confinata al reparto e alle specifiche di prodotto — alla «Big Q», estesa a tutti i processi, ai clienti interni ed esterni e alle responsabilità del management. Deming, dal canto suo, porta al centro il controllo statistico di processo e il miglioramento continuo: non basta ispezionare il prodotto, occorre comprendere e governare le cause della variazione.

Da questa impostazione nascono i tre pilastri che ancora oggi rendono un processo definibile, misurabile, controllabile e migliorabile: standardizzazione, controllo statistico e miglioramento continuo. Sono le fondamenta su cui si costruisce tutto il resto.

La svolta dei Big Data: dal dato campionario al dato continuo

La Quality 4.0 non è la sostituzione del TQM, ma la sua estensione digitale. È una distinzione importante: gli obiettivi restano gli stessi — orientamento al cliente, gestione dei processi, miglioramento continuo — mentre cambiano i mezzi.

Con l'Industria 4.0, impianti, macchine e sistemi logistici diventano interconnessi e generano dati lungo l'intero processo. Si passa così dal dato campionario, raccolto per verifiche puntuali, al dato continuo, disponibile in tempo reale.

Attenzione però: disponibilità di dati non significa valore operativo immediato. Il grande volume di informazioni diventa utile solo se viene trasformato in conoscenza a supporto delle decisioni. Ed è qui che entrano in gioco le tecnologie analitiche.

Dal controllo a valle al monitoraggio in tempo reale

Nel paradigma tradizionale il controllo avviene «a valle»: si verifica la conformità solo a fine processo, con un ritardo significativo tra l'insorgenza del difetto e la sua rilevazione.

La Quality 4.0 sposta l'osservazione sul processo in corso: le condizioni operative vengono monitorate costantemente e il ritardo tra rilevazione e decisione si riduce drasticamente. Il difetto, invece di essere scoperto quando il pezzo è ormai finito, viene intercettato mentre si sta ancora formando.

e Computer Vision: quando l'ispezione diventa automatica

L'intelligenza artificiale aggiunge un livello interpretativo: riconosce pattern e anomalie nei dati, con velocità, accuratezza e ripetibilità difficili da eguagliare per un operatore umano.

Non si tratta di una sostituzione, ma di un potenziamento: la macchina fornisce rapidità e capacità di elaborazione, mentre alla persona resta il ruolo — più qualificato — di supervisione, validazione e gestione delle eccezioni.

L'applicazione più concreta è la Computer Vision, che automatizza l'ispezione visiva secondo una pipeline di acquisizione, elaborazione, riconoscimento e decisione. La tesi analizza il caso studio del progetto IVAP, in cui un sistema di visione artificiale viene implementato su una linea di dispositivi elettronici. I numeri parlano chiaro:

• Defect detection rate: dall'86% al 99,2%

• Tempo medio di ispezione: da 5 secondi a 0,3 secondi

Restano naturalmente dei limiti — difetti estremamente sottili, necessità di calibrazione, dipendenza dalla qualità delle immagini — che confermano quanto la tecnologia vada integrata in un sistema tecnico e organizzativo, non semplicemente «installata».

Predictive Quality: prevenire invece di rilevare

L'ultima frontiera è la Predictive Quality. Qui il baricentro del controllo si sposta definitivamente dalla rilevazione alla previsione.

Combinando dati storici e segnali in tempo reale, modelli predittivi individuano le configurazioni operative associate a un maggior rischio di non conformità, permettendo di intervenire prima che il difetto si consolidi.

Non si tratta di certezze deterministiche, ma di stime probabilistiche del rischio: il modello non dice «questo pezzo sarà difettoso», bensì segnala quando le condizioni di processo rendono quel difetto più probabile. La qualità diventa così una variabile da monitorare durante il processo, non solo un risultato da verificare alla fine.

Dalla teoria al Gemba: la lezione del campo

Il valore di questa tesi sta anche nel fatto che non nasce solo dai libri. Parallelamente al lavoro accademico, Tommaso ha svolto il suo tirocinio con Leanbet come Junior Lean Consultant presso un'azienda cliente di Tolentino: una realtà artigianale che produce borse per alcuni tra i più importanti brand del lusso.

Un contesto che partiva da una gestione «ad occhio» e che, attraverso il metodo Lean, è stato trasformato in un sistema governato dai dati. Molti dei principi teorici della Quality 4.0 trovano qui una controparte concreta e a bassa tecnologia, ma con la stessa logica di fondo:

• Autoqualità con matrice difetto/postazione, che decentralizza il controllo al Gemba e intercetta il difetto all'origine

• Digitalizzazione delle non conformità: dai bigliettini di segnalazione a Google Forms, fino alle dashboard in tempo reale su Looker Studio, con analisi di Pareto per dare priorità ai difetti più impattanti

• Ciclo PDCA come motore del miglioramento: 549 cicli aperti e circa 50 standard operativi generati

• One Point Lesson per cristallizzare il saper fare artigianale

• 5S, re-layout a celle e analisi di Tempi & Metodi

È lo stesso filo conduttore della tesi: rendere la qualità osservabile e misurabile, spostare le decisioni sempre più vicino al punto in cui il valore si crea, e trasformare il dato in azione di miglioramento. Che si tratti di Computer Vision su una linea elettronica o di una matrice cartacea in una pelletteria, il principio non cambia.

Nuovi strumenti, stessi obiettivi

La conclusione che emerge è netta: la Quality 4.0 amplia la capacità operativa del Total Quality Management attraverso dati continui, sistemi interconnessi, intelligenza artificiale e modelli predittivi.

La trasformazione più rilevante non è controllare meglio il difetto, ma rendere più osservabili le condizioni che lo generano, più tempestive le decisioni che lo contrastano e più preventiva la logica complessiva di gestione della qualità.

È una visione che in Leanbet portiamo ogni giorno nelle aziende con cui lavoriamo: la tecnologia è un mezzo, il metodo e la cultura del miglioramento continuo restano il fine.

Complimenti a Tommaso per averlo raccontato con rigore — e per averlo vissuto sul campo.

📩 Scrivici a recruiting@leanbet.eu  per scoprire le opportunità di tirocinio e lavoro in Leanbet.