AI per la produzione tessile e dell’abbigliamento: prospettive di mercato, casi d’uso e strategia di esecuzione

• Ispezione qualità (rilevamento difetti del tessuto, abbinamento dei colori, analisi della superficie)
• Manutenzione predittiva (prevenzione dei guasti alle macchine)
• Ottimizzazione della supply chain / dell’inventario e previsione della domanda
• Personalizzazione del prodotto e produzione flessibile (soprattutto in moda e abbigliamento)
• Design generativo/CAD per pattern, combinazioni di colore e finiture con controlli istantanei di producibilità

• Aumenta l’accuratezza del rilevamento dei difetti del tessuto da circa il 60–70% con ispezione manuale a oltre il 90%, riducendo in modo significativo scarti e rilavorazioni.
• La manutenzione predittiva riduce i guasti imprevisti del 30–40% e i fermi macchina non pianificati del 30–50%, diminuendo al contempo i costi di manutenzione del 20–25%.
• L’ottimizzazione dei processi riduce i consumi di energia e prodotti chimici di alcune unità percentuali (ad es. 5–10%), migliorando marginalità e indicatori di sostenibilità.
• La previsione della domanda e i consigli sull’assortimento riducono le rotture di stock e la sovrapproduzione, tutelando margine e capitale circolante.

• Visione artificiale con librerie di difetti (tessitura, maglieria, stampa, tintura, finissaggio) e analisi spettrale/colore per la coerenza delle tonalità.
• Rilevamento di anomalie multivariate e su serie temporali per manutenzione predittiva, stato dei fusi e deriva di vibrazioni/temperatura.
• Ottimizzazione e simulazione (digital twin) per la messa a punto delle ricette, il bilanciamento delle linee e lo spostamento dei carichi energetici/vapore.
• Previsione della domanda + reinforcement learning per allocazione e replenishment; sistemi di raccomandazione per assortimenti e misurazioni.
• Modelli generativi per l’ideazione di pattern e valutazione della producibilità assistita da CAD; LLM copilot per guida SOP e passaggi di consegne tra turni.
• Planner copilot per decisioni di allocazione e merchandising che evidenziano vincoli, rischi e livelli di confidenza.

• Progettazione di latenza/SLA: obiettivi QC in linea <120–250 ms; API per planner tolleranti a minuti; obiettivi di uptime 99,0–99,5% con alerting verso OT + IT.
• Qualità dei dati: tassonomie standard dei difetti, SOP di etichettatura con QA a doppia revisione e rilabeling periodico per contrastare la deriva.
• Schema di rollout Shadow mode → HITL → assistito → autonomo, con rollback e version pinning per modelli e ricette.
• Monitoraggio su precision/recall, drift, latenza, tassi di anomalie e tassi di override degli operatori; trigger di retraining automatici con audit trail.
• Pattern di deployment: edge per bassa latenza e residenza dei dati, cloud per training pesante; connettività sicura tramite VPC/privatelink e accesso basato sui ruoli; minimizzazione PII e readiness per audit dei buyer.

• Acceleratori di visione artificiale a livello tessile e manutenzione predittiva con template predefiniti di difetti e anomalie su linee di tessitura, maglieria, tintura, finissaggio e stampa.
• Delivery end‑to‑end: integrazione sensori/PLC, data engineering, labeling QA, sviluppo modelli, MLOps, UX per operatori e change management con playbook per rollout multi‑stabilimento.
• Governance-first: residenza dei dati, controlli di accesso, audit trail e conformità alle normative EU/UK e agli audit dei buyer; supporta connettività VPC/privatelink e deployment on‑edge quando i dati devono restare in sito.
• MLOps e monitoraggio integrati: monitoraggio di drift/anomalie/latenza, rollout canary + shadow mode, modelli versionati con rollback e alerting conforme agli SLA per uptime e precision/recall.
• Delivery sicura e conforme: minimizzazione PII, accesso basato sui ruoli, segregazione dei compiti e playbook di gestione incidenti allineati ai requisiti OT + IT.
• Pilot rapidi (8–12 settimane) che quantificano i risparmi, poi scalano con componenti riutilizzabili, formazione per operatori/planner e trasferimento di conoscenze ai team interni.

• Secondo AHK (Camera di Commercio Tedesca all’Estero), il mercato tessile globale era di circa 1,84 trilioni di dollari nel 2023, con una crescita dei ricavi del 7,4% prevista per il 2024–2030.
• Il mercato globale dell’abbigliamento è di circa 1,7 trilioni di dollari e dovrebbe raggiungere 2,6 trilioni entro il 2025, pari a circa il 2% del PIL mondiale.
• Alcune ricerche stimano tessile + abbigliamento a circa 2,6 trilioni di dollari nel 2023 e oltre 4 trilioni entro il 2033.
• I tessili tecnici (automotive, medicale, protettivi) mostrano una crescita più rapida e margini più elevati, intensificando gli investimenti in automazione e IA.

• La regione Asia-Pacifico (Cina, India, Bangladesh, Vietnam, ecc.) detiene la quota maggiore in produzione e consumo; alcuni report indicano il 40–45%.
• L’Unione Europea è un importante mercato di importazione di abbigliamento (191 miliardi di EUR nel 2022).
• La Turchia è tra i principali esportatori verso paesi come la Germania, nota per qualità medio-alta, consegne rapide e produzione flessibile.
• Il nearshoring verso Europa/MENA spinge investimenti in fabbriche digitali, modulari e abilitate dall’IA per ridurre i tempi di consegna.

• Pressione sui costi: aumenti salariali e costi energetici comprimono i margini, accelerando automazione e investimenti in IA.
• Pressione sulla sostenibilità: il settore contribuisce a circa il 5% delle emissioni globali di carbonio; dal 2024, circa il 65% dei produttori adotta pratiche orientate alla sostenibilità.
• Volatilità della domanda: il fast fashion e la domanda incerta aumentano rischi di inventario e pianificazione; cresce l’uso dell’IA per previsione e planning.
• Tracciabilità e conformità: nuove normative (Digital Product Passport, rendicontazioni ESG) aumentano la domanda di raccolta dati e controlli di anomalie tramite IA.

• Market.us: 2,4 mld $ nel 2023 → 21,4 mld $ nel 2033; CAGR 2024–2033 del 24,6%.
• Un altro report di consulenza: 2,64 mld $ nel 2024 → 43,8 mld $ nel 2034; circa 32,4% di CAGR.
• Towards Chemical & Materials: 4,12 mld $ nel 2025 → 68,4 mld $ nel 2035; 32,45% di CAGR.
• La crescita è più forte in visione artificiale, manutenzione predittiva, ottimizzazione energetica e design generativo/copilot CAD.

• Produzione / fabbrica: manutenzione predittiva, ispezione qualità (tessuto, filato, rivestimento, stampa), ottimizzazione dei processi (regolazione parametri, ottimizzazione ricette, gestione energetica).
• Supply chain e pianificazione: previsione della domanda, ottimizzazione dell’inventario, analisi del rischio fornitori, approvvigionamento dinamico.
• Prodotto e cliente: design del prodotto, previsione dei trend, personalizzazione e raccomandazioni sulle taglie, ottimizzazione dei prezzi.
• Quota per applicazione (circa 2024): l’ispezione qualità detiene la quota maggiore con oltre il 30%; la manutenzione predittiva è tra i segmenti in crescita più rapida; supply chain e personalizzazione aumentano rapidamente in importanza per i grandi brand.
• Data governance, MLOps e inferenza on‑edge/near‑line sono ora criteri chiave di acquisto per superare audit di fabbrica e requisiti IT.

L’ispezione tradizionale dei tessuti si basa sulla visione umana. È laboriosa, richiede tempo ed è altamente sensibile alla fatica dell’operatore.

I sistemi di computer vision e deep learning scansionano le superfici dei tessuti con telecamere ad alta risoluzione e rilevano in tempo reale difetti di tessitura e taglio, punti mancati, buchi, linee, macchie e deviazioni di colore.

Configurazioni avanzate combinano imaging RGB + iperspettrale per il controllo delle tonalità ed edge AI per rilevamenti a bassa latenza direttamente sulla linea.

I modelli di segmentazione (varianti U-Net, Mask R-CNN) isolano le aree difettose per decisioni precise di ritaglio; i controlli spettrali/Delta-E monitorano la coerenza delle tonalità inline.

• L’accuratezza dell’ispezione manuale è circa 60–70%, il che significa che il 20–30% dei difetti non viene rilevato.
• Modelli ben addestrati raggiungono oltre il 90% di accuratezza su molti tipi di difetti.
• Alcuni sistemi in tempo reale rilevano più di 40 tipi di difetti a 60 m/min di velocità linea con oltre il 90% di accuratezza.
• Studi del 2024–2025 riportano un’accuratezza dell’80–95% anche su pattern complessi.
• I controlli di coerenza cromatica e di registro di stampa riducono contestazioni sulle tonalità e rilavorazioni nelle supply chain dell’abbigliamento.
• Tipici target di latenza d’inferenza inline: <120–250 ms per frame in edge per mantenere la velocità linea.
• Esempio di codice (Python): `defects = yolo_model.predict(fabric_frames)`.

Le linee di produzione tessile operano spesso 24/7; la maggior parte dei fermi è dovuta a guasti imprevisti e manutenzione inadeguata.

I dati dei sensori (vibrazione, temperatura, corrente, velocità, tensione, ecc.) vengono raccolti; il machine learning apprende i modelli normali e segnala tempestivamente le deviazioni.

La combinazione di rilevamento anomalie con dati contestuali (tipo d’ordine, materiale, condizioni ambientali) riduce i falsi positivi e prioritizza gli interventi corretti.

I modelli segmentano per classe di asset: filatoi, telai, linee di tintura, rameuse, stenter e macchine per maglieria hanno ciascuno firme e modalità di guasto specifiche.

• Circa il 40% di riduzione dei guasti imprevisti alle apparecchiature.
• Circa il 25% di risparmio sui costi di manutenzione.
• 30–50% di riduzione dei fermi non pianificati.
• Migliore pianificazione dei ricambi grazie a previsioni sul time-to-failure e insight MTBF.
• Intervalli di manutenzione condition-based calibrati per criticità e utilizzo di ciascuna macchina.

Processi come titolo del filato, armature, parametri di tessitura a maglia, ricette di tintura e profili temperatura-tempo di fissaggio includono molte variabili; trovare manualmente combinazioni ottimali è difficile.

L'AI analizza grandi volumi di dati di processo per identificare le combinazioni di parametri che massimizzano resa e qualità e le condizioni che aumentano il consumo di energia o prodotti chimici.

I digital twin simulano virtualmente modifiche a ricette e parametri prima dell’implementazione in linea, riducendo esperimenti e sprechi.

Il reinforcement learning o l’ottimizzazione bayesiana possono regolare i setpoint entro limiti di sicurezza; i vincoli OT (sicurezza, emissioni, integrità dei lotti di tintura) restano codificati rigidamente.

• I modelli digital twin consentono di testare ricette e impostazioni in un ambiente virtuale, riducendo i tempi di prove ed errori.
• Maggiore velocità produttiva e meno arresti.
• Minore uso di energia, acqua e prodotti chimici a parità di qualità.
• Raccomandazioni automatiche dei setpoint riducono la variabilità tra operatori su macchine critiche.
• L’ottimizzazione del dosaggio chimico in linea riduce la variabilità tra lotti.

In ambienti produttivi complessi, ottimizzare insieme portafoglio ordini, parco macchine e piano turni è impegnativo.

Le analisi avanzate valutano priorità e date di consegna per raccomandare quali ordini eseguire su quali linee e in quale sequenza.

I planner AI considerano tempi di cambio, compatibilità di tintura/finissaggio e competenze degli operatori per minimizzare fermi e straordinari.

Le previsioni gerarchiche e di serie temporali alimentano l’allocazione, mentre reinforcement learning o ottimizzatori MILP propongono piani entro i vincoli.

• Maggiore puntualità nelle consegne.
• Meno straordinari e meno carichi urgenti.
• Maggiore utilizzo delle linee e meno colli di bottiglia.
• Maggiore affidabilità promise-to-ship per i clienti brand.
• S&OP più rigoroso: collegamento dei segnali di domanda alle decisioni di capacità di tessitura/magliera/tintura.

Tintura e finissaggio, lavaggio, asciugatura, vaporizzazione e fissaggio consumano notevoli quantità di energia e acqua.

La gestione energetica basata sull’AI analizza i dati di consumo per rilevare anomalie e raccomandare il bilanciamento dei carichi e le impostazioni ottimali di temperatura e durata.

Il rilevamento di anomalie sulle reti di vapore e aria compressa previene le perdite e genera risparmi immediati.

• Risparmi energetici del 5–10%.
• Riduzioni significative dell’impronta di carbonio.
• Maggiore conformità a normative come l’EU Green Deal.
• Domanda di utilities più prevedibile e minori costi di picco.

I modelli generativi accelerano l’ideazione di pattern, colorazioni e finiture; l’AI integrata nel CAD verifica in anticipo producibilità, vincoli dei tessuti e impatti sui costi.

La previsione della domanda combinata con sistemi di raccomandazione guida quali modelli, colori e taglie acquistare o produrre per canale e regione.

Gli algoritmi di ottimizzazione dei marker e di nesting riducono gli scarti di tessuto nelle sale taglio, collegati a CAD e PLM.

• Cicli design-to-shelf più brevi e meno round di campionatura.
• Maggiore sell-through a prezzo pieno grazie a curve taglie e assortimenti specifici per canale.
• Rischio di overproduction inferiore e migliore rotazione del capitale circolante.
• Riduzione degli sprechi tramite marker making e pianificazione di taglio ottimizzati.

La visibilità end-to-end è sempre più richiesta da brand e autorità; l’AI aiuta a riconciliare i dati da fornitori, logistica e produzione per evidenziare anomalie e rischi.

Computer vision e segnali RFID/IoT vengono combinati per verificare etichette, materiali e fasi di processo in vista della preparazione al digital product passport.

I segnali di rischio dei fornitori (OTIF, difetti di qualità, indicatori ESG) alimentano decisioni di allocazione e dual sourcing; blockchain o eventi firmati supportano la chain-of-custody quando necessario.

• Riduzione dei chargeback e delle penalità di conformità.
• Analisi delle cause radice più rapida quando emergono problemi di qualità nelle fasi downstream.
• Pianificazione di scenari per interruzioni dei fornitori e ritardi logistici.
• Decisioni più mirate su SKU/assortimento per canale con migliore disponibilità e minore capitale circolante.

Pricing dinamico e ottimizzazione dei markdown bilanciano margine e sell-through per modelli volatili proteggendo al contempo i corridoi di prezzo del brand.

I copilot per planner riassumono segnali di offerta, variazioni della domanda e vincoli di capacità, raccomandando allocazioni per canale/regione/SKU con spiegabilità.

• +150–300 bps di incremento di margine sugli SKU target grazie a una cadenza di markdown ottimizzata (range variabile per categoria e stagionalità).
• Pianificazione dei saldi migliorata con minori rimanenze finali.
• Decisioni di assortimento guidate da curve taglie, resi e segnali di domanda localizzati.

• Miglioramento del 20–30% nel rilevamento dei difetti rispetto all’ispezione manuale.
• Alcuni sistemi rilevano oltre 40 tipi di difetti con una precisione superiore al 90%.
• Riduzioni significative dei reclami dei clienti e dei resi (variazione specifica per azienda).
• Il controllo delle tonalità e delle stampe riduce le rilavorazioni in tintoria e i pezzi di seconda scelta di alcune unità percentuali.
• Obiettivi di latenza inline: <120–250 ms per mantenere il ritmo di linee da 40–80 m/min.

• Riduzione del 30–40% dei guasti imprevisti.
• Riduzione del 20–25% dei costi di manutenzione.
• Riduzione del 30–50% dei fermi non programmati (fino al 48% in alcuni casi).
• Riduzione degli straordinari e degli interventi nel weekend grazie a finestre di manutenzione più stabili.
• La visibilità MTBF migliora la pianificazione dei ricambi e le negoziazioni con i fornitori.

• Riduzione del 5–10% del consumo energetico per unità.
• Miglioramento del 3–5% negli scarti e nelle rilavorazioni, con impatti di diversi milioni di dollari su larga scala.
• Minore utilizzo di prodotti chimici e acqua in tintura/finissaggio senza perdita di qualità.
• Incremento della resa dell’1–3% su ricette critiche tramite ottimizzazione dei setpoint.

• Miglioramento del 10–20% nell’errore di previsione della domanda (esempi a livello industriale).
• Maggiore rotazione dell’inventario e livelli di servizio più alti.
• Maggiore precisione negli impegni verso i brand, con riduzione delle penali.
• +3–8 punti di consegna puntuale quando la programmazione è assistita dall’AI.

• Meno cicli di campionatura e un blocco design più rapido riducono il calendario di settimane.
• Maggiore sell-through a prezzo pieno grazie a curve taglie e decisioni di assortimento basate sui dati.
• Minore sovrapproduzione riduce le svalutazioni e migliora la conversione di cassa.
• Miglioramento del margine di 1–3 punti tramite ottimizzazione intelligente di markdown/prezzi su SKU mirati.

• Maturità digitale e lacune nei dati: i dati macchina spesso non vengono raccolti o non sono standardizzati.
• Costo dell’investimento e incertezza sull’ROI: soprattutto per le PMI, l’investimento iniziale sembra elevato e i benefici difficili da quantificare.
• Carenza di talenti qualificati: le competenze combinate OT, IT e data science sono scarse.
• Gestione del cambiamento: timori tra operatori e middle manager riguardo alla perdita del lavoro.
• Data governance e sicurezza: le reti di stabilimento, i PLC e i sistemi di visione devono rispettare IT/infosec e gli audit dei clienti.
• Qualità dell’etichettatura: tassonomie dei difetti incoerenti e deviazioni dalle SOP riducono precisione/recall del modello.

• Scelta errata del modello o dell’algoritmo → alti tassi di falsi positivi/negativi.
• Negligenza del modello → la precisione degrada man mano che i processi cambiano.
• Dipendenza eccessiva dai fornitori (soluzioni black-box).
• Assenza di MLOps e monitoraggio → il drift resta inosservato, erodendo l’ROI.
• Vincoli edge/latenza ignorati → i sistemi di ispezione potrebbero non tenere il passo con la velocità di linea.
• Cicli HITL/QA insufficienti → rumore nelle etichette non rilevato e lenta capacità di recupero del modello.

• Selezionare le linee e le macchine a maggiore impatto (es. filatura/tessitura/maglieria + tintoria/finissaggio).
• Pianificare investimenti in sensori e raccolta dati (integrazioni PLC, sensori di vibrazione/temperatura, contatori energetici).
• Raccogliere i dati in una piattaforma centrale (data lake o database time‑series + dashboard).
• Implementare la data governance: controlli di accesso, policy di conservazione, standard di etichettatura e audit log in linea con i requisiti dei buyer.
• Definire tassonomie dei difetti, SOP di etichettatura e piani di campionamento QA per dataset CV; stabilire aspettative di latenza/SLA con l’OT.

• PoC di rilevamento difetti nei tessuti: implementare l’ispezione basata su telecamere su una linea selezionata e quantificare i difetti mancati e i risparmi rispetto all’ispezione manuale.
• Pilot di manutenzione predittiva: raccogliere dati dai sensori su alcune macchine critiche e creare un modello di allerta precoce; prevenire 1–2 guasti critici per dimostrare l’ROI.
• Collaborare con fornitori esterni ma assegnare almeno un responsabile interno di business e un referente dati/automazione.
• Stabilire le basi di MLOps: versioning, CI/CD per i modelli, dashboard per precision/recall e instradamento degli alert ai team di manutenzione/qualità.
• Eseguire shadow mode + revisione HITL per gli alert QC e manutenzione prima dell’auto‑stop; concordare SLA/latenza per l’ispezione inline (<250 ms).

• Estendere l’ispezione qualità automatizzata ad altre linee e tipologie di tessuto.
• Espandere la manutenzione predittiva all’intero parco macchine critiche.
• Sviluppare ulteriori modelli analitici per l’ottimizzazione energetica e di processo.
• Potenziare la pianificazione e schedulazione ERP/MES con uno strato AI.
• Integrare con sistemi di tracciabilità e requisiti di digital product passport; esporre metriche nei portali clienti.
• Implementare monitoraggio continuo per drift, latenza, uptime; aggiungere rollback/versioning e blue‑green o canary per i rilasci dei modelli.
• Formazione operatori e change management per passare da modalità assistita ad autonoma con aggiornamenti chiari delle SOP.

• AHK – Camera di Commercio Germanico-Egiziana | Scheda informativa Industria Tessile e dell’Abbigliamento (tessile & apparel globale/regionale, importazioni UE)https://aegypten.ahk.de/en/content/download/80073/1100475?version=3
• Custom Market Insights | Mercato Globale Tessile e Abbigliamento 2024–2033https://www.custommarketinsights.com/report/textile-and-apparel-market/
• Grand View Research | Dimensioni, quote e trend del mercato tessile | Rapporto di settore 2033https://www.grandviewresearch.com/industry-analysis/textile-market
• Spherical Insights | Dimensioni, quote, trend e approfondimenti del mercato tessile e dell’abbigliamentohttps://www.sphericalinsights.com/our-insights/textile-and-apparel-market
• Nivesh Mitra (Governo UP, India) | Commercio globale di tessile e abbigliamento (valore dell’export)https://niveshmitra.up.nic.in/Textiles.aspx
• Rawalwasia (blog di settore) | Innovazioni rivoluzionarie nel tessile nell’industria modernahttps://rawalwasia.in/textile-innovations-the-modern-textile-industry-2024/

• Market.us | Dimensioni, quote e trend del mercato AI in Textile | CAGR del 24,6%https://market.us/report/ai-in-textile-market/
• Towards Chemical & Materials | Il mercato AI in Textile raggiungerà USD 68,44 mld entro il 2035https://www.towardschemandmaterials.com/insights/artificial-intelligence-in-textile-market
• Yahoo Finance | Il mercato AI in Textile varrà USD 68,44 miliardi entro il 2035https://finance.yahoo.com/news/ai-textile-market-size-worth-081800362.html
• Market Techie | Mercato AI in Textile 2025–2034: crescita, trend e leaderhttps://www.markettechie.com/ai-in-textile-market/
• Cervicorn Consulting | Artificial Intelligence in Textile Market – Analisi segmentale del mercatohttps://www.cervicornconsulting.com/artificial-intelligence-in-textile-market

• Wiley / Hindawi | Rilevamento dei difetti del tessuto tramite Computer Vision (2020)https://onlinelibrary.wiley.com/doi/10.1155/2020/8189403
• Wiley / Hindawi | Rilevamento dei difetti nel tessile: una rassegna sullo stato dell'arte (2021)https://onlinelibrary.wiley.com/doi/10.1155/2021/9948808
• Nature Scientific Reports | Rilevamento in tempo reale dei difetti del tessuto basato su un algoritmo Elo migliorato (2025)https://www.nature.com/articles/s41598-025-17747-y
• SAGE Journals | Rilevamento dei difetti del tessuto con AI e machine learning per una produzione snella e automatizzata di pannelli acustici (2024)https://journals.sagepub.com/doi/10.1177/09544054231209782
• Advantech (case study) | AI per l’ispezione dei difetti nel tessile (2019)https://www.advantech.com/en/resources/case-study/ai-defect-inspection-for-textile
• Robro Systems (technical textiles) | Come l’AI sta trasformando il controllo qualità nell'industria dei tessuti tecnici (2025)https://www.robrosystems.com/blogs/post/how-ai-is-reshaping-the-technical-textile-industry-s-quality-control
• Indian Textile Magazine | È il momento che la Computer Vision basata su AI rilevi i difetti del tessuto (2025)https://www.indiantextilemagazine.in/it-is-time-for-ai-computer-vision-to-detect-fabric-defects/
• EasyODM (manufacturing blog) | AI nella produzione tessile: migliorare il controllo qualità (2024)https://easyodm.tech/ai-in-textile-manufacturing/

• WarpDriven.ai | Manutenzione predittiva AI nel settore tessile 2025https://warpdriven.ai/en/blog/industry-1/ai-predictive-maintenance-textile-machinery-guide-178
• Global Textile Times | Manutenzione predittiva per macchinari tessili tramite IoT (2025)https://www.globaltextiletimes.com/uncategorized/predictive-maintenance-for-textile-machinery-using-iot/
• Ultralytics | Il futuro della produzione tessile con manifattura guidata dall’AI (2026)https://www.ultralytics.com/blog/the-future-of-textile-production-with-ai-driven-manufacturing
• Technical Textiles Innovation / ITMF | AI nell'industria tessile (edizione 2024) – PDFhttps://www.itmf.org/images/dl/articles/2024/Technical-Textiles-Innovation-October-December-2024-Issue.pdf
• ITMF – International Textile Manufacturers Federation | AI nell'industria tessile (PDF tecnico)https://www.itmf.org/images/dl/articles/2024/AI-in-the-Textile-Industry_Technical-Textiles-Innovations.pdf
• IJRASET (academic) | Applicazione dell’AI per i modelli di business futuri nel tessile e … (2025)https://www.ijraset.com/research-paper/applying-ai-for-future-business-models-in-the-textile
• TTP / iVGPU (academic) | Manutenzione predittiva integrata con AI (PDF)https://ttp.ivgpu.com/wp-content/uploads/2025/12/419_51.pdf
• ITMF Conference 2024 | Sessioni su AI & digitale nel tessilehttps://www.itmf.org/conferences/previous-conferences/itmf-conference-2024