:quality(85))
Da quando OpenAI ha lanciato ChatGPT nel novembre 2022, gran parte del mondo è rimasta in vari modi affascinata, inquietata e sorpresa dalle scoperte tecnologiche e dal potenziale apparentemente illimitato dell’intelligenza artificiale. Nei 18 mesi successivi, le aziende si sono affrettate a integrare piattaforme e modelli di IA nei propri prodotti, processi interni e strategie aziendali generali. Di conseguenza, quella che era una tendenza in costante crescita è rapidamente esplosa in una vera e propria corsa agli investimenti.
Secondo The Wall Street Journal, le imprese sono destinate a investire quasi 39 miliardi di dollari in IA generativa quest’anno, esattamente il doppio rispetto al 2023. Le previsioni pubblicate lo scorso anno da Goldman Sachs indicano un aumento ancora più marcato degli investimenti in IA. Gli economisti della società finanziaria ritengono che gli investimenti nelle tecnologie di IA da parte delle organizzazioni negli Stati Uniti potrebbero avvicinarsi ai 100 miliardi di dollari entro il 2025 (la nota di ricerca non distingueva tra IA generativa—nella forma rappresentata da ChatGPT—e tecnologie di intelligenza artificiale in senso più ampio).
Nonostante molte delle grandi aziende mondiali si trovino ancora nella “luna di miele” con questa tecnologia rivoluzionaria, esistono già alcuni dati credibili che documentano una serie di use case dell’IA nei vari settori. Uno studio pubblicato da McKinsey & Company nel dicembre 2022 ha coinvolto quasi 1.500 aziende in tutto il mondo per valutare le modalità di implementazione dell’IA nelle imprese e l’effettivo valore aggiunto. La società di consulenza ha rilevato che le imprese, in generale, stavano sperimentando aumenti moderati dei ricavi e riduzioni dei costi in diverse funzioni, compresa la produzione, le vendite e marketing e lo sviluppo prodotto. Tuttavia, tra tutte le attività, la gestione della catena di approvvigionamento risultava essere quella che beneficiava maggiormente dell’integrazione dell’IA: il 52% degli intervistati ha dichiarato che l’implementazione dell’IA portava a una diminuzione dei costi nei processi di gestione della catena di approvvigionamento. Quasi il 60%, invece, affermava che stava generando un incremento dei ricavi.
Nonostante molte delle grandi aziende mondiali si trovino ancora nella “luna di miele” con questa tecnologia rivoluzionaria, esistono già alcuni dati credibili che documentano una serie di use case dell’IA nei vari settori.
Da un certo punto di vista, il fatto che l’IA e la sua incarnazione più entusiasmante, l’IA generativa, possano portare benefici alla gestione della catena di approvvigionamento non dovrebbe sorprendere. Questa disciplina operativa si basa sul saper interpretare enormi quantità di dati, utilizzare analisi complesse per guidare strategie e decisioni e individuare e analizzare rischi ipotetici—tutte funzioni che possono essere significativamente rafforzate dalle capacità uniche offerte dall’IA.
Tuttavia, per un ambito così concreto come la gestione della catena di approvvigionamento—e, allo stesso modo, per la supply chain risk management (SCRM)—non basta restare affascinati dalle possibilità offerte dall’integrazione di queste piattaforme d’avanguardia nelle operazioni quotidiane. Ha molto più senso andare in profondità e chiedersi quali siano i reali casi d’uso dell’intelligenza artificiale e se questi siano o meno bilanciati dai rischi legati all’adozione di una tecnologia recente, costosa e potenzialmente dirompente.
Casi d’uso dell’IA nella gestione della catena di approvvigionamento
L’intelligenza artificiale non è più un’ipotesi nel mondo della supply chain e della SCRM. Si tratta di uno strumento potente e poliedrico, oggi a disposizione dei professionisti della catena di approvvigionamento. Inoltre, è già impiegata in molti modi diversi, generando valore tangibile per produttori statunitensi e altre organizzazioni.
- Analisi predittiva per le apparecchiature di produzione
- Previsione della domanda
- Mappatura della catena di approvvigionamento
- Valutazione dei rischi e matrici di rischio
- Fornitori alternativi
Analisi predittiva per le apparecchiature di produzione
A fronte della straordinaria quantità di dati che la alimentano, l’analisi predittiva è, come concetto, estremamente chiara e lineare. La Harvard Business School la definisce come «l’uso dei dati per prevedere tendenze ed eventi futuri». Queste previsioni, prosegue la definizione, «possono riguardare il futuro prossimo—ad esempio la previsione di un malfunzionamento di una macchina durante la giornata—o un orizzonte temporale più distante, come la previsione dei flussi di cassa aziendali per l’anno successivo».
Nell’ambito della gestione della catena di approvvigionamento, il primo scenario è quello di maggiore interesse. Questo aspetto specifico dell’analisi predittiva è talvolta definito “manutenzione predittiva”. Nella manutenzione predittiva, IA e machine learning raccolgono enormi insiemi di dati ricavati da sensori collegati e applicati alle singole apparecchiature o infrastrutture. I dati—che includono indicatori come temperatura, vibrazione, pressione, umidità e velocità—consentono al modello di IA di apprendere le condizioni operative normali delle macchine e degli impianti. Una volta analizzati tutti questi dati, l’IA è in grado di riconoscere immediatamente eventuali deviazioni dalle condizioni ottimali—identificando così potenziali segnali premonitori di un guasto più importante, un’avaria o una rottura dell’attrezzatura.
La possibilità di rilevare un guasto prima ancora che si manifesti—quindi non solo mitigando una possibile interruzione, ma potenzialmente evitando del tutto il problema—può portare benefici a una vasta gamma di attori coinvolti lungo la catena di approvvigionamento dell’elettronica. I produttori elettronici conto terzi (ECM) e gli altri fornitori possono evitare guasti, ridurre i tempi di fermo macchina e massimizzare la produttività negli stabilimenti. Gli attori a valle, tra cui i produttori di apparecchiature originali (OEM) e le altre aziende, beneficiano di minori rallentamenti e ritardi produttivi, riuscendo così a rispettare più costantemente i target produttivi. Inoltre, in caso di gravi guasti non facilmente risolvibili, la manutenzione predittiva basata su IA può almeno allertare in anticipo i vari stakeholder sulle interruzioni imminenti, offrendo loro la possibilità di avviare tempestivamente piani di emergenza e reagire con prudenza e precisione.
Previsione della domanda
Le aziende praticano la previsione della domanda da molto prima che il termine venisse coniato e reso popolare negli ultimi decenni. I produttori sono stati da sempre alla mercé dell’imprevedibilità e delle oscillazioni del mercato. (Durante la cosiddetta “febbre dei tulipani” che colpì i Paesi Bassi nel XVII secolo, ad esempio, la domanda crebbe al punto che un singolo bulbo poteva valere quanto 750.000 dollari attuali.) Storicamente, queste aziende hanno cercato di elaborare previsioni—“previsioni di domanda”—partendo da una molteplicità di dati quantitativi: andamento delle vendite, aggiustamenti stagionali e pattern storici. I risultati sono sempre stati altalenanti, in gran parte perché la capacità degli esseri umani di analizzare dati è comunque limitata. Inoltre, le inferenze ricavate da insiemi di dati incompleti sono spesso imprecise o influenzate da pregiudizi, aspettative errate o addirittura coinvolgimenti emozionali inconsci.
I nuovi modelli di IA ora a disposizione delle aziende non presentano la medesima fallibilità umana nel prevedere la domanda. Ancora più importante è che queste piattaforme sono in grado di analizzare quantità di dati ben superiori a quelle gestibili da una persona. Le loro analisi vanno oltre i dati storici delle vendite e includono metriche più sottili e indirette, come le performance dei concorrenti di mercato, fattori macroeconomici e variazioni del comportamento dei consumatori che potrebbero anticipare cambiamenti significativi della domanda. Alcuni modelli di IA possono persino individuare segnali precoci di acquisti “di panico”, consentendo alle aziende di rispondere in modo strategico e mirato, senza interpretare l’aumento momentaneo come un cambiamento strutturale della domanda.
Grazie alle funzionalità offerte dagli strumenti di IA, produttori e altre aziende possono rafforzare in modo determinante la propria capacità di prevedere la domanda di mercato per i loro prodotti. Ciò rende molto meno probabile che debbano affrontare i devastanti costi opportunità dovuti a carenze di fornitura o che siano costrette a ricorrere a strategie improvvisate per smaltire rapidamente le eccedenze.
Grazie alle funzionalità offerte dagli strumenti di IA, produttori e altre aziende possono rafforzare in modo determinante la propria capacità di prevedere la domanda di mercato per i loro prodotti.
Mappatura della catena di approvvigionamento
Una delle principali sfide per i professionisti della gestione strategica degli acquisti è comprendere l’ampiezza e la profondità della propria filiera. Uno studio McKinsey, svolto nel 2021 lo evidenzia chiaramente, mostrando quanto sia difficile realizzare una mappatura estesa e approfondita della catena di approvvigionamento, soprattutto man mano che si indaga nelle reti dei fornitori. Mentre quasi la metà degli executive intervistati affermava di avere buona visibilità sui fornitori di primo livello, la percentuale scendeva al 20% circa per i produttori di secondo livello. Una visibilità reale oltre il secondo livello, invece, era praticamente assente: solo il 2% degli intervistati sapeva identificare i propri fornitori di terzo livello.
La capacità di effettuare una mappatura più approfondita e completa della catena di approvvigionamento comporta numerosi vantaggi operativi. Le aziende che raggiungono visibilità almeno fino al secondo e terzo livello sono in grado di effettuare valutazioni di rischio più accurate; identificare materiali, paesi di origine e altri dati rilevanti ai fini della compliance normativa; diagnosticare in modo preciso le cause di ritardi e carenze, individuando responsabilità che altrimenti resterebbero celate. Quest’ultimo aspetto è fondamentale: individuare la causa reale di una criticità nella catena consente al produttore di elaborare strategie e soluzioni mirate. Se, ad esempio, è noto che la scarsità di un prodotto fornito da un supplier di primo livello dipende da un problema presso un produttore di terzo livello, è possibile intervenire insieme al fornitore diretto con azioni specifiche.
Il vero problema che ostacola la mappatura della supply chain però non ha a che vedere con lo scetticismo sul suo valore, bensì con le difficoltà logistiche connesse alla costruzione di queste rappresentazioni basate sui dati. Qui l’IA può rappresentare una soluzione concreta. Questi strumenti sono in grado di reperire online informazioni difficili da trovare, ma fondamentali per fare luce sulle transazioni tra produttori e, di conseguenza, mappare le aziende che compongono la propria filiera di fornitori. Le piattaforme di IA possono acquisire ordini, ricevute, dichiarazioni doganali, prenotazioni di spedizioni e altri documenti che attestano la “catena di custodia” di prodotti, componenti e materie prime. Grazie a questi dati, le aziende possono costruire mappature più profonde e strutturate, a beneficio delle strategie di supply chain risk management (SCRM).
Le piattaforme di IA possono acquisire ordini, ricevute, dichiarazioni doganali, prenotazioni di spedizioni e altri documenti che attestano la “catena di custodia” di prodotti, componenti e materie prime.
Valutazione dei rischi e matrici di rischio
Una matrice di rischio è uno strumento grafico che aiuta le organizzazioni a valutare i rischi per l’attività e le operazioni aziendali. Normalmente, la matrice sintetizza due fattori chiave: la probabilità che un rischio si verifichi e la gravità di quel rischio, se dovesse avverarsi. Questi parametri vengono poi suddivisi in categorie lungo gli assi x e y permettendo ai professionisti della gestione dei rischi di valutare e contestualizzare la pericolosità di ciascun rischio (ad esempio, un attacco informatico può avere bassa probabilità per un’azienda con solidi sistemi di sicurezza, ma gravità elevata).
Affidarsi a una matrice di rischio affidabile è una strategia chiave per i team SCRM, ma nell’assegnare livello e probabilità a eventi come chiusure di fabbriche, eventi climatici estremi o insolvenze dei fornitori spesso entra in gioco una dose di approssimazione. Proprio in questo ambito specifico l’IA può offrire un contributo significativo: invece di basarsi solo su esperienza personale, intuizioni e insiemi di dati limitati, la tecnologia IA consente di elaborare grandi volumi di dati producendo valutazioni oggettive e precise sulla rilevanza del rischio per l’azienda e il settore. Pur trattandosi di un compito di nicchia, sfruttare la matrice dei rischi per valutare le minacce con maggiore accuratezza permette di ottimizzare l’allocazione delle risorse.
Identificazione di fornitori alternativi
Trovare fornitori alternativi (nota anche come multisourcing) è un’altra funzione relativamente semplice che gli strumenti di IA possono supportare con maggiore accuratezza e completezza. Diverse aziende offrono oggi modelli di IA capaci di fornire elenchi di potenziali fornitori sulla base di input e parametri specifici. Questi modelli non si limitano a individuare online i produttori in linea con i criteri stabiliti, ma passano in rassegna fattori aggiuntivi come le performance finanziarie, il profilo ESG e la soddisfazione del cliente, così da proporre aziende realmente “certificate”.
Data la mole di ricerche che i modelli di IA possono effettuare in tempi molto rapidi, sono in grado di generare una lista più ampia e diversificata di aziende, spesso difficili da individuare con le tradizionali ricerche manuali. Questo include anche piccole e medie imprese (PMI), fornitori diversificati e altre realtà solitamente trascurate.
Sebbene questa funzione specifica non rivoluzioni il lavoro dei team di gestione della catena di approvvigionamento, offre comunque alle organizzazioni una risorsa preziosa per rafforzare la resilienza della loro SCRM. In un articolo pubblicato su Harvard Business Review, un manager della supply chain di Siemens ha spiegato come un’applicazione di IA stesse aiutando la propria azienda a raccogliere informazioni fondamentali sui fornitori alternativi, indispensabili per poter reagire efficacemente alle future criticità di approvvigionamento. Sebbene «la tecnologia non offra una visibilità tale da prevenire con certezza le interruzioni prima che si verifichino—ha dichiarato il direttore ad HBR—può comunque fornire informazioni che aiutano a rispondere molto più rapidamente di quanto potrebbe fare un buyer umano».
I rischi potenziali dell’IA nella gestione della catena di approvvigionamento
I casi d’uso illustrati sopra—insieme agli investimenti colossali effettuati dal settore privato—testimoniano le ampie potenzialità offerte da strumenti e modelli di intelligenza artificiale nella gestione della catena di approvvigionamento. Tuttavia, una tecnologia così potente e dirompente non è priva di insidie. I produttori che desiderano adottare l’IA devono prendere in considerazione i rischi intrinseci.
- Costi iniziali elevati
- Scetticismo del personale
- Dati inaffidabili e non verificati
La maggior parte delle piattaforme oggi disponibili, sia da grandi aziende tech sia da start-up emergenti, comporta costi iniziali significativi. Molte soluzioni di IA “custom”, ad esempio, possono facilmente superare le sei cifre. Le organizzazioni dovrebbero valutare con attenzione tali investimenti, utilizzando strumenti come l’analisi costi-benefici e il ritorno sull’investimento (ROI) per stabilire il reale valore aggiunto dell’introduzione della tecnologia.
Inoltre, queste piattaforme richiedono un consenso ampio e consapevole da parte del personale e i manager non dovrebbero prendere decisioni unilaterali in merito alla loro integrazione. Senza un’adeguata comunicazione sulle condizioni, le applicazioni e i limiti di utilizzo di questi strumenti, il rischio è quello di alienare i dipendenti, indebolire il morale interno e persino favorire attriti e uscite indesiderate.
Infine, le aziende che adottano troppo in fretta le valutazioni predittive fornite dalle soluzioni di IA rischiano di sovrastimare l’affidabilità e la qualità di questi output. Come sa bene chiunque abbia assistito a imprecisioni e inesattezze generate da ChatGPT, gli strumenti di IA sono vincolati dalla qualità delle informazioni ricevute. Dati scorretti, obsoleti o “sporchi” possono tradursi in analisi e valutazioni inaffidabili; per questo, nelle prime fasi di implementazione di strumenti IA che pescano ovunque sul web, è fondamentale adottare la massima cautela.
