I veicoli moderni non sono più soltanto macchine meccaniche, anzi, lo sono sempre meno. Si tratta di vere e proprie piattaforme digitali su quattro ruote, in cui il software governa anche processi fondamentali, dalla gestione del motore alla sicurezza attiva, dall’infotainment alla guida assistita, e l’industria automobilistica anche per questo, sta attraversando un lungo periodo di trasformazione. Questa evoluzione verso il cosiddetto software-defined vehicle ridisegna anche le regole del gioco per l’intera filiera dei fornitori, che devono gestire volumi crescenti di dati e analisi sui requisiti ingegneristici, specifiche di sistema, e dati tecnici con livelli di complessità elevati
Il contesto
In questo scenario si muove Marelli, fornitore globale di tecnologie per la mobilità, l’azienda – nata dall’unione di Calsonic Kansei e Magneti Marelli – conta circa quarantamila dipendenti e una presenza industriale che supera centocinquanta siti nel mondo. L’azienda sviluppa soluzioni elettroniche, sistemi di illuminazione, powertrain e componenti per l’abitacolo destinati ai principali costruttori automobilistici. La sua missione — contribuire a una mobilità più sicura, più sostenibile e più connessa — richiede un’infrastruttura di sviluppo e validazione capace di tenere il passo con cicli di innovazione sempre più rapidi.
Il bisogno e il metodo
Il nodo critico che Marelli decide di affrontare riguarda una fase specifica ma strategica del ciclo di sviluppo prodotto: la validazione dei requisiti di sistema. In un processo consolidato, i requisiti del cliente vengono prima tradotti dagli ingegneri di ricerca e sviluppo in requisiti di sistema — un passaggio che definisce con precisione ciò che il prodotto deve fare. Successivamente, per ciascun requisito di sistema occorre generare i corrispondenti test case, ovvero le prove strutturate che verificano se ogni funzionalità si comporta esattamente come previsto. Questa generazione di test case rappresenta storicamente una delle attività più onerose e labour-intensive dell’intero ciclo di validazione. Con le piattaforme veicolistiche che diventano sempre più definite dal software, il volume di requisiti da gestire cresce in modo esponenziale, e con esso la necessità di garantire piena coerenza e tracciabilità tra requisiti e test. Un errore o un’incongruenza in questa fase si propaga lungo tutta la catena di sviluppo, con potenziali impatti su tempi di rilascio, costi e, in ultima analisi, sulla sicurezza del veicolo.
Marelli registra dunque il bisogno di una soluzione che consenta di automatizzare la generazione dei test di sistema a partire dai requisiti ingegneristici, mantenendo il rigore, la chiarezza e la tracciabilità indispensabili nel settore automotive. Come spiega Daniele Russo, head of System Performance Optimization nel team Electronics Engineering di Marelli, “combinando la nostra competenza ingegneristica con le capacità avanzate dell’AI, si accelerano significativamente i cicli di validazione e si garantisce una qualità coerente su tutti i programmi globali”. L’approccio scelto è stato dunque quello di rivolgersi all’intelligenza artificiale generativa, individuando in Amazon Web Services (Aws) il partner tecnologico con cui co-sviluppare uno strumento su misura.
La soluzione
La collaborazione tra Marelli e Aws porta alla nascita di un System Test Generation Agent (Stg Agent), una soluzione che sfrutta le capacità dell’AI generativa per automatizzare la creazione di test case a partire dai requisiti di sistema. Lo sviluppo è condotto con il supporto di Aws Generative AI Innovation Center, la divisione di Amazon Web Services dedicata ad aiutare le imprese a trasformare le proprie sfide di business in applicazioni concrete con l’AI. Sul piano tecnologico, l’architettura dell’Stg Agent poggia su tre pilastri. Il primo è costituito dalla foundation Amazon Nova, la famiglia di modelli AI di Amazon progettata per compiti di comprensione, generazione e ragionamento su contenuti complessi. Il secondo è Amazon Bedrock Knowledge Bases, il servizio che consente di collegare i modelli di AI generativa a fonti di dati proprietarie — nel caso di Marelli, l’intero patrimonio di requisiti ingegneristici e documentazione tecnica — garantendo risposte contestualizzate e ancorate alla realtà specifica dell’azienda. Il terzo pilastro è il framework Strands Agents, che permette di orchestrare flussi di lavoro complessi in cui l’agente AI opera in modo autonomo, passo dopo passo, analizzando i requisiti, identificando i comportamenti attesi e producendo test case chiari, strutturati e tracciabili.
In pratica il funzionamento è lineare ma non per questo meno complesso: l’Stg Agent riceve in ingresso i requisiti di sistema già formalizzati dagli ingegneri Marelli, li analizza per estrarre i comportamenti attesi impliciti in ciascun requisito e genera automaticamente i test case corrispondenti. I test prodotti sono progettati per essere chiari, strutturati e direttamente collegabili al requisito di origine, così da garantire la tracciabilità completa lungo tutto il ciclo di validazione. Come sottolinea Giulia Gasparini, country leader di Aws Italia, “facendo leva sui modelli fondazionali Amazon Nova e su Amazon Bedrock, le aziende ridefiniscono nuovi standard per il modo in cui i veicoli software-defined vengono sviluppati e validati”. Un aspetto cruciale del progetto è l’integrazione con i flussi di lavoro già esistenti. La soluzione è stata concepita per essere compatibile con gli strumenti di gestione dei requisiti utilizzati nell’industria automotive, evitando interruzioni nei processi consolidati e consentendo un’adozione graduale e naturale da parte dei team di ingegneria.
I vantaggi
I benefici che l’Stg Agent introduce nel processo di Marelli sono molteplici e si articolano su diversi livelli.
Il primo e più immediato è la riduzione dei tempi di validazione. Automatizzando la generazione dei test case — un’attività che tradizionalmente richiede un impegno manuale significativo — Marelli può comprimere i cicli di sviluppo e rispondere più rapidamente alle esigenze dei costruttori automotive, in un mercato in cui il time-to-market è diventato un fattore competitivo decisivo. Russo ha evidenziato come “questa soluzione permette di supportare i nostri clienti in modo più rapido e più efficiente, rafforzando le basi per la prossima generazione di veicoli software-defined”.
Il secondo vantaggio riguarda la coerenza. Quando la generazione dei test è affidata a team distribuiti su scala globale, il rischio di disallineamenti interpretativi o di incongruenze tra requisiti e test è strutturalmente elevato. L’Stg Agent applica un approccio uniforme e sistematico, assicurando che ogni test case sia generato secondo gli stessi criteri indipendentemente dalla sede, dal programma o dall’ingegnere coinvolto. Ciò si traduce in un rafforzamento significativo dell’allineamento tra requisiti di sistema e comportamenti validati del prodotto.
Il terzo livello di vantaggio è la tracciabilità. Nell’industria automotive, la capacità di risalire da un test al requisito che lo ha generato non è un’opzione: è un obbligo normativo e una garanzia di sicurezza. L’Stg Agent produce test case nativamente collegati al requisito di origine, semplificando le attività di audit e di conformità e riducendo il rischio di lacune nella copertura dei test.
A questi benefici si aggiunge un impatto diretto sulla capacità di Marelli di supportare i costruttori nella transizione verso i veicoli software-defined. L’accelerazione dei cicli di validazione consente ai produttori di rilasciare nuove funzionalità con maggiore affidabilità e in tempi più contenuti, un fattore cruciale in un’epoca in cui gli aggiornamenti over-the-air e le funzionalità basate sul software stanno diventando il principale terreno di differenziazione competitiva. Gasparini rimarca come “questa soluzione mostra che l’AI avanzata può accelerare l’innovazione mantenendo i rigorosi requisiti di qualità e sicurezza che caratterizzano l’industria automotive”.
Uno sguardo al futuro
Il progetto di Marelli con Aws rappresenta un caso emblematico di come GenAI e Agentic AI stiano uscendo dalla fase sperimentale per entrare nei processi industriali reali, là dove la complessità è alta e il margine di errore deve essere minimo. L’Stg Agent non sostituisce l’ingegnere: ne potenzia la capacità di analisi e di controllo, liberando tempo e risorse cognitive per le attività a più alto valore aggiunto. Come sintetizza Russo, “Stg Agent rappresenta un passo avanti importante nel modo in cui si validano le soluzioni per i veicoli software-defined”: un passo che, nella visione di Marelli, è solo il primo di un percorso più ampio verso l’integrazione sistematica dell’AI nei processi di ingegneria automotive.
© RIPRODUZIONE RISERVATA
