Applied Computing, startup londinese, ha raccolto un Series A da 20 milioni di dollari guidato da KBR, con la partecipazione di Databricks Ventures, per costruire un foundation model destinato all’industria oil, gas e petrolchimica. Il round in sé conta poco; l’architettura che descrive vale una riflessione.
Il problema dichiarato
Un singolo impianto può avere migliaia di sensori che misurano temperatura, pressione, velocità, viscosità. Secondo il co-fondatore e CEO Callum Adamson, gli impianti prendono decisioni operative usando meno dell’8% dei dati disponibili. Il punto non è che i dati manchino — gli operatori già li raccolgono — ma che non riescano a combinare letture dei sensori, documentazione ingegneristica e conoscenza di fisica e chimica abbastanza rapidamente da analizzare e prevedere. “È far parlare quelle tre fonti dati fra loro in tempo reale”, dice Adamson: quella è la parte difficile.
L’architettura ibrida
A differenza dei large language model, che predicono la parola successiva, Applied Computing descrive Orbital come combinazione di tre componenti: un modello time series, un modello basato sulla fisica e un language model. L’obiettivo è predire lo stato dell’impianto analizzando le letture dei sensori, tenendo conto di fisica e chimica e riconoscendo i vincoli degli equipaggiamenti e l’attività degli operatori. Permette inoltre ai tecnici di simulare come una modifica in una parte dell’impianto influenzi il resto delle operazioni.
È un design che merita attenzione al di là del verticale energetico. L’idea di non forzare tutto dentro un unico modello linguistico, ma di far coesistere componenti specializzate su modalità diverse con un layer che le fa dialogare, è un pattern applicabile ovunque i dati operativi siano eterogenei per natura.
Le riserve legittime
La promessa commerciale è la velocità: Orbital rileverebbe anomalie, ne investigherebbe la causa e modellerebbe se un fix proposto crei problemi altrove, tutto in pochi minuti, comprimendo in secondi indagini che richiedevano giorni o settimane. Sono affermazioni della società, non risultati verificati da terzi, ed è bene trattarle come tali.
Il mercato, inoltre, non è vuoto: AspenTech vende software di simulazione e modeling AI per upstream, refining e chimica; AVEVA offre simulazione di processo basata sulla fisica e modeling “what-if”; Cognite e Seeq presidiano il data layer. Adamson sostiene che il fossato non sia l’accesso ai dati industriali né la conoscenza di processo, ma la capacità di mettere insieme ricercatori AI in grado di costruire un modello competitivo — argomento sul talento più che sulla tecnologia, e come tale fragile nel medio periodo.
Sui numeri di trazione, la società dichiara di essere passata dallo stealth a decine di milioni di ARR in meno di 18 mesi, senza però indicare quanti clienti abbia. KBR ha integrato Orbital nella propria piattaforma digitale INSITE 3.0 e lo usa per la produzione di ammoniaca.
In sintesi
- Orbital combina modello time series, modello fisico e language model per predire lo stato di un impianto: un pattern architetturale rilevante oltre il verticale energetico.
- Il problema attaccato è la fusione in tempo reale di sensori, documentazione ingegneristica e vincoli fisici, non la scarsità di dati.
- Le metriche di velocità sono dichiarazioni aziendali non verificate in modo indipendente, in un mercato già presidiato da AspenTech, AVEVA, Cognite e Seeq.
Fonte: Applied Computing wants to give oil and gas operators an AI model for the entire plant — https://techcrunch.com/2026/07/15/applied-computing-wants-to-give-oil-and-gas-operators-an-ai-model-for-the-entire-plant/
Hai qualcosa da aggiungere? Unisciti alla discussione.