Settecentottantamila traiettorie sintetiche generate in 11 ore, equivalenti a 6.500 ore di dimostrazioni umane: il dato pubblicato da NVIDIA chiarisce perché la simulazione attira chi deve addestrare sistemi robotici. Ma nello stesso test il miglioramento del 40% è arrivato combinando dati sintetici e reali, non eliminando questi ultimi. La decisione utile, quindi, non è quale fonte sostituire: è quale usare per copertura e quale per validazione.

Il confronto parte dal collo di bottiglia

Il 18 novembre 2026 TechCrunch ha riportato un round da 47 milioni di dollari per Humyn Labs, società che registra persone mentre svolgono attività quotidiane e trasforma video, movimento e interazioni con gli oggetti in dati per modelli di robotica. Il segnale di mercato è concreto: quando un modello deve agire nel mondo fisico, i dati raccolti sul campo restano una risorsa scarsa.

Dall’altra parte c’è la simulazione. NVIDIA Isaac Sim genera ambienti fisicamente modellati, varia luce, riflessi, colori e posizione degli oggetti e produce annotazioni automaticamente. I due approcci risolvono problemi diversi: i dati reali misurano ciò che succede davvero; quelli sintetici moltiplicano scenari, eccezioni e iterazioni senza dover ripetere ogni volta la raccolta.

Criterio 1: velocità e costo marginale

La raccolta reale richiede hardware, persone, consenso, controllo qualità, sincronizzazione dei sensori e annotazione. Humyn Labs descrive una pipeline che unisce video in prima persona, IMU, forza di presa e audio, con validazione ed etichettatura. Il vantaggio è la fedeltà al contesto; lo svantaggio è che ogni nuova situazione costa tempo e coordinamento.

Il sintetico sposta il costo all’inizio: bisogna costruire una simulazione credibile, scegliere distribuzioni e controllare la fisica. Una volta pronta, però, la stessa scena può produrre molte varianti e label coerenti. È il metodo giusto per aumentare il volume, provare casi rari e ripetere test identici dopo una modifica. Non è gratis: GPU, modellazione e manutenzione del simulatore restano costi reali.

Criterio 2: aderenza e casi limite

Il dato reale porta rumore, attrito, occlusioni, comportamenti umani e combinazioni che il team non aveva previsto. È proprio questo disordine a renderlo prezioso prima del rilascio. Il limite è statistico: gli eventi rari possono non comparire nella finestra di raccolta, mentre situazioni pericolose non si possono riprodurre liberamente.

La simulazione eccelle nel coprire quei buchi. Può cambiare una variabile alla volta, generare condizioni estreme e produrre ground truth senza annotazione manuale. Il rischio è il sim-to-real gap: se materiali, sensori o dinamiche sono modellati male, il modello impara una regola che funziona nel gemello digitale e fallisce in produzione. Più dati sintetici non correggono una simulazione sbagliata; amplificano l’errore.

Criterio 3: controllo e governance

Con il sintetico è più semplice ricostruire come è nato un campione: seed, parametri, versione della scena e label possono entrare nello stesso registro. Inoltre si riduce l’esposizione di volti, abitazioni e lavoratori. Con i dati reali, invece, consenso, minimizzazione, conservazione e accessi diventano parte dell’architettura, non una pratica da aggiungere alla fine.

Questo non rende il sintetico automaticamente neutrale. Chi decide quali scenari simulare decide anche quali errori il modello vedrà. La governance utile registra origine, versione, copertura e tasso di errore per entrambe le fonti. Un dataset senza provenienza è difficile da difendere, anche se è stato generato da una macchina.

La stessa scelta vale per web e automazioni

Una PMI non deve costruire un robot per incontrare lo stesso problema. In un workflow WordPress, in un agente che classifica richieste o in un’automazione che aggiorna un CRM, i dati reali sono ticket, log, contenuti e casi d’errore già osservati. I sintetici sono fixture, richieste inventate, payload incompleti e combinazioni limite create per stressare il sistema.

Usare solo produzione significa scoprire tardi i casi rari. Usare solo esempi sintetici significa validare il modello contro le ipotesi di chi ha scritto il test. Il percorso più solido è quello già descritto nel gate per workflow AI e WordPress: test ripetibili prima del rilascio, poi verifica su dati autentici e supervisione. Anche una sandbox per agenti AI serve a separare esplorazione e permessi reali.

La decisione operativa: ibrido, con ruoli distinti

La mia scelta netta è un’architettura ibrida. Partirei da un piccolo set reale, pulito e rappresentativo per fissare baseline ed errori accettabili. Userei poi dati sintetici per ampliare copertura, bilanciare classi e costruire casi limite. Prima del go-live tornerei sempre su un set reale separato, mai usato per addestrare o calibrare.

Per un team piccolo la sequenza è semplice: inventario dei dati reali disponibili, metriche di successo, generazione dei casi mancanti, test in ambiente isolato e campionamento continuo degli errori di produzione. Se la performance sintetica sale ma quella reale resta ferma, non serve generare altro: bisogna correggere la rappresentazione del problema.

Fonti