L’intelligenza artificiale può elaborare dati, proporre piani e segnalare anomalie, ma la decisione su una produzione o un ordine resta legata alla lettura di chi conosce il processo operativo. Il tema è emerso durante la seconda tavola rotonda del convegno dell’Osservatorio Supply Chain Planning “Pianificare la Supply Chain nello stormo di cigni neri”. A intervenire è stato Mario Gastro, Technical Sales Manager di Remira, che ha collegato l’adozione dell’AI nella supply chain all’evoluzione delle competenze del planner, alla trasparenza dei modelli e alla qualità dei dati disponibili.
Indice degli argomenti
AI nella supply chain: il planner diventa supervisore di processo
Nel racconto di Gastro, il cambiamento è già visibile nel modo in cui le imprese guardano ai progetti di pianificazione. Fino a pochi anni fa l’attenzione era posta soprattutto sull’algoritmo; oggi, secondo il manager di Remira, la discussione si concentra sul processo in cui quell’algoritmo viene inserito, sulle informazioni che riceve e sulle persone chiamate a utilizzare le sue indicazioni.
“Il planner si sta evolvendo da gestore operativo dei dati con metodologie classiche a supervisore di processo”, ha detto Gastro. La definizione sposta il baricentro del lavoro: il pianificatore non è più impegnato esclusivamente nella raccolta, nella correzione o nel confronto manuale delle informazioni, ma deve analizzare un insieme più ampio di dati, valutare le proposte generate dal sistema e argomentare le decisioni assunte.
Per Remira, questa trasformazione richiede capacità analitiche e una maggiore attitudine a spiegare le ragioni delle scelte. Il planner, infatti, è chiamato a lavorare contemporaneamente su due piani: i dati tradizionali disponibili all’interno dell’organizzazione e le elaborazioni prodotte da sistemi di AI. La competenza non coincide quindi con una semplice familiarità con il software; riguarda la capacità di distinguere le informazioni rilevanti, verificarne la coerenza e collocarle dentro vincoli produttivi, commerciali e logistici conosciuti da chi opera sul campo.
Gastro ha indicato anche un requisito relativo agli strumenti. “Anche i sistemi di intelligenza artificiale devono evolvere verso una maggiore trasparenza, esplicitando le assunzioni poste alla base dei calcoli”, ha osservato. Il punto riguarda la relazione quotidiana fra utente e output: una raccomandazione può entrare nel processo decisionale soltanto se chi la riceve è in grado di comprenderne logica, perimetro e limiti.
Il tema è rilevante anche quando l’AI interviene su attività apparentemente circoscritte, come la proposta di un ordine, la definizione di un livello di scorta o la schedulazione delle linee produttive. Nella ricostruzione del manager, l’algoritmo porta nel processo analisi e indicazioni ulteriori; il pianificatore continua a confrontarle con la conoscenza delle eccezioni, dei vincoli e del dettaglio operativo.
AI nella supply chain: affiancamento e automazione spinta
Nel lavoro con i clienti, Gastro distingue due modalità di implementazione dell’AI nella supply chain. La prima è l’affiancamento: l’algoritmo integra le informazioni aziendali con variabili esterne e mette a disposizione del planner una seconda lettura, comparabile con quella fondata sui dati già consolidati.
Tra le variabili citate dal manager figurano le previsioni meteorologiche per la grande distribuzione organizzata e il canale Ho.Re.Ca., le abitudini di consumo e le disruption nei trasporti. Nell’impostazione illustrata da Gastro, il sistema può calcolare informazioni aggiuntive a partire da questi elementi; il pianificatore mantiene davanti a sé sia il dato tradizionale sia l’elaborazione algoritmica, confrontandoli prima di intervenire sul piano.
La seconda modalità è definita da Remira come “automazione spinta” o full automation. In questo caso l’AI formula proposte avanzate di ordine o di produzione. Anche qui, però, Gastro ha evidenziato la richiesta di mantenere uno spazio di intervento per gli utilizzatori. I planner, ha spiegato, chiedono di poter avere l’ultima parola sui piani oppure di definire soglie di allarme minime e massime: oltre quei limiti, il sistema richiede un’approvazione umana.
“L’esperienza dell’utente rimane quindi l’elemento centrale attorno a cui ruota l’intero processo decisionale”, ha affermato Gastro. Nell’esempio proposto durante la tavola rotonda, l’automazione non cancella la responsabilità del planner sulla schedulazione o sul piano di approvvigionamento. L’algoritmo può suggerire, ordinare le priorità e portare in evidenza eventi rilevanti; la validazione resta connessa alla conoscenza del dettaglio operativo.
La distinzione tra affiancamento e automazione spinta consente inoltre di leggere con maggiore precisione il rapporto, talvolta controverso, fra persone e nuovi sistemi informativi. L’adozione non procede necessariamente con lo stesso grado di autonomia in ogni processo. Può iniziare da una vista aggiuntiva, passare attraverso soglie condivise e arrivare a proposte più avanzate, lasciando comunque tracciabile il momento in cui l’utente interviene.
Data governance prima dell’AI nella supply chain
La qualità delle informazioni è il passaggio che Gastro colloca prima dell’applicazione dell’intelligenza artificiale. Nel suo intervento ha descritto due atteggiamenti ricorrenti sul mercato: da un lato imprese molto entusiaste rispetto alle potenzialità dell’AI; dall’altro organizzazioni più prudenti, che pongono l’attenzione su costi, disponibilità dei dati, pulizia delle fonti e tempi di aggiornamento necessari per alimentare i modelli.
Per le realtà più orientate ad avviare rapidamente il progetto, l’approccio presentato da Remira prevede due fasi. “La prima, essenziale per quanto meno attrattiva, riguarda la Data Governance, verificando la coerenza, la pulizia dei dati e la robustezza delle interfacce tra i sistemi informativi aziendali; solo successivamente si passa all’applicazione dell’AI”, ha detto Gastro. La sequenza illustrata dal manager mette al centro un problema concreto della pianificazione: un modello può elaborare grandi quantità di informazioni, ma resta dipendente dalle modalità con cui tali informazioni vengono raccolte, aggiornate e trasferite fra applicazioni diverse.
Nella proposta descritta da Gastro, la fase di governance non coincide soltanto con la correzione di basi dati incomplete. Include la verifica dei collegamenti tra sistemi e la costruzione di una condizione in cui l’azienda possa confrontare le informazioni tradizionali, considerate certe, con il risultato delle elaborazioni algoritmiche. È una doppia visione che, secondo il relatore, serve a sostenere una decisione più consapevole da parte del planner.
L’ordine delle attività incide anche sul modo in cui il progetto viene percepito dalle persone. Se il primo passaggio è presentato come un’attività tecnica marginale, il rischio è di sottovalutare le regole che governano qualità, aggiornamento e disponibilità dei dati. Se viene riconosciuto come fase esplicita del percorso, l’AI entra in un processo i cui presupposti possono essere discussi e verificati dagli utenti coinvolti.
Progetti AI a sprint per le aziende più caute
Per le organizzazioni che guardano con maggiore cautela all’intelligenza artificiale, Gastro ha descritto un percorso suddiviso in sprint successivi. Ogni fase parte da un obiettivo definito; al termine, consulenti e cliente valutano congiuntamente quanto emerso e il ritorno sull’investimento dichiarato, prima di decidere se estendere il lavoro e inserire nuove variabili.
La gradualità, nel modello illustrato da Remira, serve a evitare che l’introduzione dell’AI venga affrontata come un intervento indistinto sull’intera supply chain. Gli sprint delimitano un perimetro di lavoro, consentono di aggiungere elementi in modo progressivo e rendono esplicito il punto di verifica fra azienda e consulenti. Nella descrizione di Gastro, a ogni passaggio corrisponde una decisione: proseguire, modificare le variabili considerate o fermarsi alla fase raggiunta.
“Per le aziende scettiche, la strategia consiste nel frammentare il progetto in sprint successivi a obiettivi prefissati”, ha spiegato. Il relatore ha aggiunto che, al termine di ogni fase, le parti valutano i benefici ottenuti e il ROI, decidendo se integrare ulteriori variabili nello sprint successivo.
Il punto di arrivo indicato dal manager è una base dati “solida, pulita e protetta nel tempo”. In questa traiettoria, la figura del planner rimane legata alla verifica dell’output, alla conoscenza delle eccezioni operative e alla responsabilità di assumere o confermare una decisione. L’AI nella supply chain, secondo la ricostruzione proposta da Gastro, entra quindi in un processo che tiene insieme dati, regole di controllo e capacità delle persone di interpretare le raccomandazioni ricevute.
Partecipa alla community