L'IA nel PLM: che cosa hanno aggiunto i principali fornitori di PLM per la moda nel 2025 e nel 2026?

Nel 2025 e nel 2026 i principali fornitori di PLM per la moda hanno aggiunto tre tipi di IA: l'estrazione che trasforma schizzi e documenti in dati strutturati per la scheda tecnica (PTC FlexPLM), studi generativi per schizzi, varianti colore e immagini collegati ai record del PLM (Centric AI Studio) e piattaforme agentiche che automatizzano parti dello sviluppo prodotto dall'inizio alla fine (Lectra Apogy). L'idea comune è portare l'IA dentro il sistema di riferimento, così che gli output portino con sé dati di prodotto e approvazioni. Le evidenze indipendenti sui risultati sono ancora scarse.

Che cosa hanno annunciato i principali fornitori?

La tabella riassume gli annunci che abbiamo potuto verificare in fonti primarie o di settore. Non si tratta di una panoramica di mercato esaustiva, e l'inclusione non costituisce una raccomandazione.

Come funziona nel PLM l'estrazione delle schede tecniche con l'IA?

PTC descrive la novità di FlexPLM come un'automazione della creazione delle schede tecniche: il sistema estrae dati dai disegni di design e compila distinte base, misure, dettagli costruttivi, attributi e varianti colore. PTC la presenta come un modo per eliminare l'inserimento manuale dei dati nel passaggio tra design e sviluppo, riducendo errori e rilavorazioni e accorciando il percorso dal concept al campione pronto per la produzione.

L'idea affronta un collo di bottiglia reale. I product developer dedicano gran parte del loro tempo a trasferire informazioni da schizzi ed email in campi strutturati. Le questioni aperte sono l'accuratezza sui capi complessi, il modo in cui vengono segnalati i valori incerti e se i dati estratti restano chiaramente contrassegnati finché uno sviluppatore non li conferma.

Leggi anche

Quanto fa davvero risparmiare la campionatura 3D? Costi dei campioni, lead time e CO2

Che cosa sono gli studi di design generativo all'interno del PLM?

Centric Software ha lanciato Centric AI Studio come piattaforma di IA generativa integrata nativamente con Centric PLM. Secondo l'annuncio, genera schizzi, concept, varianti colore e varianti di prodotto, crea immagini pronte per il commerce con una minore dipendenza dagli shooting fotografici e mantiene gli output collegati ai dati di prodotto aggiornati del PLM e ai flussi di approvazione. Il chief AI officer di Centric ha descritto l'obiettivo come portare i brand oltre la "sperimentazione scollegata".

Questa impostazione è il cambiamento più significativo del periodo. Molti team di design utilizzavano già generatori di immagini generici nel 2024 e nel 2025, ma gli output finivano in cartelle esterne a qualsiasi sistema, senza collegamento al record del modello, senza cronologia delle versioni e con diritti poco chiari. Integrare la generazione nel PLM rende gli output tracciabili, il che conta per le approvazioni e per eventuali domande successive su come sia stata prodotta un'immagine o un design.

Il 3D è il ponte tra i due approcci. Integrazioni come quella annunciata da DeSL e Browzwear nel gennaio 2025 consentono ai team di visualizzare in 3D le varianti di colore e materiale e di annotare i modelli 3D in tempo reale con i fornitori, all'interno del flusso di lavoro del PLM. Gli strumenti generativi e agentici si basano sempre più sugli stessi capi digitali e sulle stesse librerie di materiali, per cui i brand con una pratica 3D consolidata e una libreria digitale dei materiali curata sono in una posizione migliore per sfruttare le nuove funzioni di IA rispetto a chi parte soltanto da schizzi piatti.

Che cosa significa IA agentica per lo sviluppo prodotto?

Apogy di Lectra è la proposta che si spinge più avanti nel suo posizionamento. FashionUnited riferisce che combina agenti IA, dati di prodotto e processi di design in un unico ambiente cloud, genera concept di design da prompt, schizzi o immagini, supporta simulazione e rendering 3D e automatizza le attività di routine. Tra i primi utilizzatori vengono citati O'Neills in Irlanda e Oniverse in Italia. FashionNetwork riferisce che circa 30 brand e produttori hanno sperimentato la prima versione, e che secondo Lectra le aziende del lusso potrebbero ridurre del 30 percento i tempi di sviluppo prodotto, mentre le aziende della moda potrebbero raddoppiare o persino triplicare il numero di prodotti sviluppati.

Due dettagli meritano attenzione. In primo luogo, FashionNetwork riferisce che Lectra genera ricavi in base al numero di sviluppi prodotto completati anziché sulle licenze utente, un modello che allinea i ricavi del fornitore all'utilizzo. In secondo luogo, i dati di performance sono affermazioni previsionali, non risultati certificati.

Che cosa manca ancora?

• Evidenze indipendenti: non abbiamo ancora trovato risultati pubblicati e misurati in modo indipendente per i lanci del 2026; la maggior parte dei dati proviene dai fornitori o dai loro clienti.
• Prerequisiti sui dati: estrazione e generazione dipendono da librerie di materiali pulite, cartamodelli base coerenti ed elenchi di valori ben curati. Dati master deboli limitano tutti e tre i tipi di strumenti.
• Accuratezza di vestibilità e costruzione: un render convincente non prova che un capo possa essere realizzato come mostrato. La validazione tecnica richiede ancora modellisti e prove di vestibilità.
• Governance: i diritti sui dati di addestramento e sui design generati, e l'etichettatura delle immagini generate dall'IA, restano questioni per i team legali e di brand.
• Trasparenza dei costi: i prezzi basati sull'utilizzo possono essere interessanti, ma vanno modellati su volumi di sviluppo realistici.

Leggi anche

Come rendere il 3D lo standard nel PLM? Flusso di lavoro, approvazioni e standard dei file

Come dovrebbero valutare i brand le funzioni di IA nel PLM?

1. Scegliere un processo critico (ad esempio la creazione delle schede tecniche per una categoria principale) e misurarne oggi tempi e tasso di errore.
2. Applicare la funzione di IA a modelli reali di una stagione passata, per i quali la risposta corretta è nota.
3. Misurare l'accuratezza per campo, non le impressioni complessive, e registrare quanto spesso una persona ha dovuto correggere l'output.
4. Verificare come i valori generati dalla macchina vengono contrassegnati, versionati e approvati nel PLM.
5. Stimare il costo totale, comprese pulizia dei dati, formazione e gestione del cambiamento, non solo i costi di licenza o di utilizzo.

La direzione è chiara: l'IA si sta spostando da strumenti laterali al record di prodotto centrale. Che ripaghi dipende meno dal fornitore scelto da un brand e più dalla qualità dei dati di prodotto da cui l'IA parte.