Applied Computing raccoglie 20 milioni di dollari per l'IA degli impianti oil e gas

Applied Computing ha chiuso un Serie A da 20 milioni di dollari guidato da KBR per sciogliere un collo di bottiglia operativo: trasformare i dati degli impianti in decisioni più rapide durante l’esercizio¹.

All’operazione partecipa anche Databricks Ventures. La società, fondata nel 2023 e con sede a Londra, sviluppa un modello “foundation” per oil, gas, raffinazione e petrolchimico¹. In questi siti un singolo impianto può montare migliaia di sensori che misurano temperatura, pressione, velocità e viscosità. Ma i flussi real time restano spesso separati dalla documentazione ingegneristica e dalle conoscenze di fisica e chimica che servono a interpretarli in modo utile per chi governa il processo¹.

Il nodo non è la scarsità di dati. È la frammentazione. Meno dell’8% delle informazioni raccolte entra nei processi decisionali perché combinare tre fonti, letture dei sensori, documenti tecnici, leggi fisico‑chimiche, richiede tempo, contesto e lavoro manuale. Applied Computing punta a riconciliare questi filoni in un’unica rappresentazione, così da applicare la stessa base di conoscenza a dati eterogenei e usarli per analisi e previsioni in sala controllo¹.

La tesi è operativa: ridurre la latenza tra misura, interpretazione e azione. Meno passaggi, più contesto locale, decisioni più rapide sugli impianti. Non si tratta di generare nuovi dati, ma di far lavorare insieme quelli che già esistono nei sistemi industriali. KBR guida il round scommettendo su questa integrazione, mentre Databricks Ventures affianca con l’idea che l’architettura dati conti quanto l’algoritmo quando si gestiscono processi continui ad alto rischio¹.

Callum Adamson, co‑fondatore e CEO, lo ha detto a TechCrunch in modo netto: la chiave è “far parlare tra loro queste tre fonti in tempo reale” per superare quel limite dell’8% e rimettere in circolo informazioni oggi dormienti¹. Il target sono le operazioni quotidiane in raffinerie e impianti petrolchimici, dove l’informazione giusta con il giusto contesto temporale fa la differenza tra una correzione proattiva e un fermo linea evitabile¹.

Il finanziamento serve a costruire il modello di base e a metterlo in produzione negli ambienti industriali a cui è destinato. L’azienda descrive un approccio che integra flussi sensoriali, documenti ingegneristici e principi fisico‑chimici in una base unificata interrogabile dagli operatori. L’obiettivo è sostituire la riconciliazione manuale a posteriori con un contesto coerente disponibile quando arrivano le misure, così da ridurre gli errori di interpretazione e accelerare le risposte di processo¹.

Se l’implementazione terrà fede alla promessa, l’impatto atteso non è un nuovo cruscotto, ma un diverso ritmo decisionale in campo: segnalazioni più tempestive, meno ambiguità tra fonti e più azioni guidate dal contesto. Adamson, nell’intervista a TechCrunch, lega il successo proprio a questa capacità di allineare in tempo reale fisica di processo, documentazione e sensori, così che i team possano intervenire con sicurezza prima che un’anomalia diventi un problema¹.