:quality(85))
Secondo quasi tutte le metriche disponibili, la crescita dell’intelligenza artificiale—e in particolare della sua più recente incarnazione, la generative AI—negli ultimi anni è stata sorprendente. Secondo una ricerca condotta da Goldman Sachs, nel 2020 gli investimenti privati in intelligenza artificiale negli Stati Uniti ammontavano a circa 28 miliardi di dollari. L’istituto stima che questa cifra crescerà di quasi il 250% nel 2024, raggiungendo i 68 miliardi di dollari. Un recente sondaggio condotto da McKinsey & Co. offre ulteriori prove dell’adozione accelerata della tecnologia nel mondo aziendale. La società di consulenza ha riscontrato che il numero di aziende che utilizzano regolarmente la generative AI è quasi raddoppiato in un solo anno. A maggio 2024, il 65% delle aziende intervistate—che includevano imprese di vari settori e regioni—stava utilizzando l’intelligenza artificiale per funzioni come marketing, vendite e sviluppo prodotto.
Per aziende e professionisti che operano nella gestione della catena di approvvigionamento, le potenzialità offerte dall’IA risultano particolarmente allettanti. Questi strumenti possono effettuare analisi predittive, prevedere la domanda e valutare i rischi, tra molte altre applicazioni strategiche dal valore immediato. Tuttavia, negli ultimi 18 mesi molte aziende sono state affascinate dalle promesse dell’intelligenza artificiale senza verificare se queste piattaforme possano realmente portare benefici concreti al proprio business. Per questo motivo, chi si occupa di gestione della catena di approvvigionamento e vede nelle soluzioni AI un’opportunità deve comprendere la storia recente di questa tecnologia, esplorare le diverse tipologie di intelligenza artificiale oggi disponibili e definire obiettivi chiari su come il software possa generare valore per le proprie operazioni. In un’epoca in cui le aziende investono massicciamente in startup AI quasi senza riflettere, un’attenta valutazione delle reali capacità della tecnologia è una misura fondamentale di due diligence.
Le principali tipologie di intelligenza artificiale per il business
L’ultimo decennio e mezzo ha rappresentato una fase di crescita esplosiva per l’intelligenza artificiale. Diverse evoluzioni della tecnologia si sono affermate a partire almeno dal 2011, quando Apple presentò Siri insieme alla quarta generazione di iPhone. Primo «assistente virtuale» disponibile su larga scala per smartphone, Siri sfruttava il machine learning e la cosiddetta «weak AI» per rispondere a domande, recuperare informazioni ed eseguire determinate attività. Negli anni successivi, le capacità di Siri e degli altri assistenti virtuali sono state ampiamente superate da piattaforme rivoluzionarie come ChatGPT, Dall-E, Claude e Gemini.
Sotto l’ampio ombrello dell’IA sono racchiuse molte tecnologie diverse. Ciascuna offre punti di forza e funzionalità specifiche che si adattano meglio ad alcuni settori e realtà aziendali rispetto ad altri.
Machine Learning
Il machine learning (ML) è una tipologia di intelligenza artificiale che utilizza grandi volumi di dati per riconoscere schemi, formulare previsioni, «imparare» nel tempo e guidare verso decisioni più informate e precise. A differenza della programmazione tradizionale, in cui gli sviluppatori forniscono istruzioni dettagliate al computer, il machine learning prevede un processo più aperto in cui il sistema sviluppa conoscenza ed esperienza analizzando testi, numeri, immagini, report e molte altre tipologie di dati. Già negli anni ‘50, lo scienziato informatico Arthur Samuel definiva il machine learning come «il campo di studio che dà ai computer la capacità di apprendere senza essere esplicitamente programmati».
Anche se altre forme di IA stanno attualmente attirando maggiore attenzione e investimenti, il machine learning resta una tipologia estremamente versatile e comprovata di questa tecnologia. Aleksander Madry, professore al MIT ed esperto di ML, ha affermato alla MIT Sloan Management Review che «il machine learning sta trasformando, o trasformerà, ogni settore. I leader devono comprendere i principi di base, il potenziale e i limiti di questa tecnologia».
Applicazioni del Machine Learning
- Identificare trend di business
- Sviluppare algoritmi di raccomandazione
- Individuare colli di bottiglia e rallentamenti nella catena di approvvigionamento
- Effettuare diagnosi mediche
- Fornire assistenza clienti tramite chatbot online
Predictive AI
Nell’odierno scenario in rapida evoluzione dell’intelligenza artificiale, esistono numerosi strumenti, termini e concetti che spesso si sovrappongono tra loro. La predictive AI, ad esempio, utilizza effettivamente il machine learning—insieme all’analisi statistica—per esaminare grandi quantità di dati storici e fornire previsioni efficaci e operative su schemi, comportamenti e persino eventi futuri.
La predictive AI è spesso considerata come l’erede tecnologicamente avanzata della predictive analytics, che richiede un maggiore intervento umano. Al contrario, la predictive AI può apprendere e svilupparsi in modo completamente autonomo.
Applicazioni della Predictive AI
- Prevedere il comportamento dei consumatori
- Effettuare previsioni finanziarie
- Condurre forecast della domanda
- Anticipare guasti agli impianti
- Gestire l’inventario
Large Language Models (LLM)
I large language model sono una categoria di IA in grado di analizzare grandi volumi di testo e dati per comprendere e generare linguaggio, interagendo fluentemente con utenti umani. Oggi, gli LLM sono considerati «foundation model» (modelli fondativi). Il termine, coniato dai ricercatori della Stanford University nel 2021, indica piattaforme AI di ampia scala addestrate su dati sufficienti a renderle competenti in numerose attività e funzionalità. Come spiegato dal Center for Security and Emerging Technology della Georgetown University (CSET), anziché essere sviluppato per uno scopo molto specifico, «il modello di base fornisce una base (da cui “foundation”) su cui costruire altri strumenti».
Gli LLM sono cresciuti esponenzialmente in popolarità dal debutto di Chat-GPT alla fine del 2022. Oggi, questi foundation model sono utilizzati in una molteplicità di casi d’uso—email, report, elaborati scolastici—da studenti, insegnanti, ricercatori, creatori di contenuti e professionisti. Tra le alternative più note alla piattaforma di OpenAI figurano Google Gemini, Claude di Anthropic e Llama di Meta.
Applicazioni dei Large Language Model
- Assistenza clienti
- Sintesi e riassunti
- Creazione di contenuti
- Generazione di codice
- Ricerche di mercato
Generative AI
Come per il machine learning e la predictive AI, anche tra LLM e generative AI vi sono molte sovrapposizioni. Quest’ultima espressione indica qualsiasi piattaforma di intelligenza artificiale utilizzata prevalentemente per generare contenuti. Quindi, tutti gli LLM sono una forma di generative AI, ma non vale il contrario. Oltre a generare testo e dialogare in modo naturale, i modelli di generative AI possono produrre immagini di alta qualità, codice software e persino musica e audio. Esempi di strumenti di generative AI che non sono LLM includono DALL-E, Midjourney, AIVA e watsonx Code Assistant di IBM.
Sebbene la generative AI rappresenti una forma relativamente recente di intelligenza artificiale, si sta velocemente imponendo come tecnologia trasformativa che le aziende desiderano implementare efficacemente. Secondo le stime di IDC, la spesa globale totale delle organizzazioni per la generative AI raggiungerà quasi i 40 miliardi di dollari entro la fine del 2024.
Applicazioni della Generative AI
- Marketing e pubblicità
- Creazione di contenuti
- Programmazione informatica
- Drug discovery
- Fashion design
- Sviluppo prodotto
Casi d’uso dell’IA per la gestione del rischio nella catena di approvvigionamento
Per organizzazioni e team che intendono implementare l’IA nella gestione del rischio, comprendere le applicazioni specifiche di ciascuno strumento può rivelarsi determinante per decisioni efficaci. Sebbene generative AI e LLM attirino oggi la maggior parte dell’attenzione mediatica e degli investimenti aziendali, non sono necessariamente la soluzione ideale per le esigenze legate alla gestione del rischio nella catena di approvvigionamento (Supply Chain Risk Management, SCRM). Al contrario, gli esperti di strategic sourcing e i professionisti SCRM dovrebbero valutare l’ampia gamma di funzionalità offerte da tutte le soluzioni AI oggi disponibili, inclusi predictive AI e machine learning.
La mappatura completa della catena di approvvigionamento è una sfida storica: può aiutare i produttori ad acquisire visibilità sui propri fornitori, comprendere la natura e la portata dei sub-tier e individuare i rischi prima che si trasformino in gravi interruzioni. Le piattaforme AI possono diventare un asset essenziale in questo processo complesso e impegnativo. Questi strumenti sono capaci di individuare ordini di prodotti, prenotazioni di trasporto, registrazioni delle spedizioni e altra documentazione di chain of custody, integrandole per creare mappe dettagliate della filiera che visualizzano i diversi livelli. Utilizzando modelli AI basati su machine learning, i professionisti possono aumentare la visibilità della propria catena di approvvigionamento e rafforzare la resilienza complessiva.
Oltre a potenziare le capacità di mappatura, l’IA può essere impiegata per anticipare anomalie e guasti agli impianti prima che si verifichino. L’analisi predittiva viene utilizzata a questo scopo già da anni, ma la predictive AI rappresenta un’evoluzione significativa di questa tecnologia. Questa forma di intelligenza artificiale sfrutta sensori che monitorano impianti e infrastrutture aziendali, raccogliendo grandi volumi di dati su parametri come temperatura, acustica, umidità, pressione e lubrificazione.
Dopo avere analizzato a sufficienza questi dati comportamentali, le piattaforme riescono a identificare le condizioni operative ottimali degli impianti e segnalare agli addetti manutenzione ogni scostamento, deterioramento o segno di prestazioni insufficienti. Questa funzione di manutenzione predittiva consente ai team di individuare precursori di guasti o malfunzionamenti e intervenire preventivamente—una capacità che permette ai produttori di evitare i costi e le inefficienze causati da lunghi fermi impianto.
Gli specialisti dello strategic sourcing possono inoltre sfruttare l’IA nella gestione del rischio per valutare rapidamente gli effetti di un’interruzione nella catena di approvvigionamento. Si pensi al caso in cui un fornitore diretto di un produttore automobilistico debba fermare più stabilimenti a causa di un evento meteorologico estremo. L’azienda automobilistica, in risposta, può inserire dati storici rilevanti e condizioni aggiornate in uno strumento di intelligenza artificiale e ottenere una valutazione su come il disastro naturale influenzerà la produzione e i tempi di consegna, inclusa la durata dei ritardi.
Questo tipo di previsione delle interruzioni rappresenta una tecnologia ancora giovane e imperfetta, a testimonianza di come l’utilizzo dell’IA nella gestione del rischio sia agli inizi. Tuttavia, i software di intelligenza artificiale attuali possono fornire stime oggettive e operative che aiutano i decision maker a delineare risposte strategiche. Disporre di queste informazioni, per quanto imperfette, permette ai produttori di valutare se proseguire con il fornitore coinvolto, rivolgersi a un partner alternativo della filiera o attivare altre misure di emergenza.
Il futuro dell’IA nella gestione del rischio di SCRM
Nonostante il clamore mediatico e l’euforia dei mercati, LLM, generative AI e le più avanzate soluzioni di intelligenza artificiale sono ancora nelle prime fasi di sviluppo. Se la natura sperimentale di queste tecnologie giustifica una certa cautela, ciò non significa che le aziende debbano restare ai margini mentre i concorrenti più audaci puntano tutto sulle loro potenzialità. Al contrario, chi si occupa di gestione del rischio nella catena di approvvigionamento dovrebbe analizzare con attenzione i potenziali impatti delle diverse soluzioni AI sul proprio business, svolgendo un’accurata analisi costi-benefici, studiando con attenzione i casi d’uso applicabili e sfruttando anche i periodi di prova gratuita offerti dai principali fornitori del settore. Queste pratiche di due diligence aiutano le aziende a gestire le risorse in modo più efficace e consapevole—e tutto parte dalla comprensione degli strumenti che compongono il panorama AI in rapida trasformazione.
Le aziende interessate alle potenzialità dell’intelligenza artificiale nella gestione del rischio possono valutare le capacità predittive della piattaforma SCRM Z2Data. Il software leader di settore offre molteplici funzionalità di previsione, tra cui stime di fine vita (EOL) per i componenti elettronici con una precisione storica del 90% e una watchlist sanzioni che sfrutta report parlamentari, indagini di ONG e altre fonti altamente autorevoli per segnalare le aziende globali a rischio aumentato di sanzioni. Insieme, questi strumenti predittivi consentono ai produttori di diventare più resilienti al rischio e costruire una strategia di threat management agile e proattiva.
Per scoprire di più su Z2Data e sulle sue funzionalità di previsione, può richiedere una demo gratuita con uno dei nostri esperti di prodotto.
