Diverse forme di machine learning e automazione hanno influenzato negli ultimi anni il funzionamento delle catene di approvvigionamento (supply chain), contribuendo in generale a rendere il commercio globale più efficiente. Allo stesso tempo, il rapido progresso delle sempre più avanzate forme di intelligenza artificiale (IA) promette di andare oltre la semplice ottimizzazione dei processi aziendali. In realtà, queste nuove forme di IA hanno il potenziale di apportare cambiamenti particolarmente significativi nella gestione e nell’organizzazione delle catene di approvvigionamento.
COSA SI INTENDE PER SUPPLY CHAIN
Una catena di approvvigionamento è un sistema logistico complesso costituito da strutture, persone e attività, coinvolto nella produzione e distribuzione di beni dalla fase di acquisizione delle materie prime fino al raggiungimento del consumatore finale. Una supply chain efficiente e ben organizzata comporta un grande vantaggio competitivo, in quanto permette di ottimizzare le risorse a disposizione, evitare gli sprechi e ridurre i costi, anche ambientali. Un’analisi di Gartner (società di consulenza nel settore tecnologico) condotta in primavera su un campione di 500 responsabili della supply chain a livello mondiale la pone chiaramente in cima alla lista delle tecnologie a maggiore impatto e ritenute più strategiche per aumentare l’efficienza operativa.
QUALCHE ESEMPIO DELLE APPLICAZIONI
L’intelligenza artificiale generativa è in grado di elaborare uno spettro di informazioni molto più ampio rispetto agli attuali modelli di machine learning e di utilizzare i dati in tempo reale per creare scenari di pianificazione più accurati e tempestivi. Quasi tutte le variabili che influenzano la produzione e la logistica di un’azienda possono essere prese in considerazione: pattern meteorologici, deficit di materiali, ritardi nella produzione e molto altro. Tutto ciò permette di operare delle analisi predittive in tempo reale (piuttosto che quelle basate su dati storici) e in vari campi. Così facendo l’IA può aiutare le aziende ad anticipare i potenziali colli di bottiglia della supply chain con molto anticipo, insieme a prevedere più accuratamente domanda e offerta.
Nella gestione della supply chain l’obiettivo principale è l’ottimizzazione, l’efficienza e il contenimento dei costi. In quest’ambito l’impiego dell’IA offre la possibilità, soprattutto a realtà aziendali estese, di capitalizzare consistenti economie di scala. Il potenziale di questa tecnologia si manifesta nella sua abilità di esaminare dettagliatamente i dati in ogni settore aziendale, rivelando nuovi approcci per ridurre i costi. Questo processo può portare alla scoperta di strategie precedentemente non considerate, introducendo elementi innovativi nella gestione aziendale per meglio sfruttare le economie di scala.
Un ultimo esempio di impiego dell’intelligenza artificiale è nella gestione dei trasporti, dove essa può adottare un approccio olistico tenendo in considerazione, nuovamente, un’ampia gamma di variabili. Queste includono dati sul traffico in tempo reale, condizioni meteorologiche, prezzi del carburante e altri fattori. In questo modo l’IA ottimizza le scelte logistiche, assistendo le aziende nella riduzione del consumo di carburante e nell’incremento dell’automazione e della precisione dei processi. Ciò si traduce in una diminuzione sia dei costi complessivi sia dell’impatto ambientale.
Bisogna sottolineare che alcuni strumenti di machine learning in parte già eseguono attività simili a quelle discusse, ciò che le future iterazioni dell’IA generativa promettono sono prestazioni di gran lunga superiori.
LE SFIDE DEL FUTURO
L’implementazione dell’IA in questo contesto tuttavia potrebbe rivelarsi più complicata di quanto si possa pensare. Infatti si è rilevato come la complessità e la specificità dei modelli operativi di questo comparto allungherà sensibilmente le tempistiche di impatto della “Gen AI” sulle catene di approvvigionamento. Rispetto a segmenti e mercati dove si prevede che l’intelligenza artificiale dilaghi entro due-cinque anni, nella supply chain i tempi di maturazione arrivano al limite dei dieci anni. Dunque i modelli di OpenAI che sfruttano Gpt-4, in altre parole, difficilmente riusciranno a prendere piede e a essere dispiegati nel breve termine.
Ci sono dunque una serie di criticità per il suo impiego in maniera estesa. Oltre alle già citate difficoltà nello sviluppare algoritmi complessi, si pongono anche delle questioni legate alla necessità di un livello particolarmente elevato di competenze digitali nelle aziende (ambito in cui l’Italia è gravemente in ritardo). A riguardo secondo McKinsey solo il 13% degli executive afferma che la propria organizzazione è sufficientemente preparata ad affrontare i propri divari di competenze. Tutto ciò si accompagna al bisogno di strutture organizzative aziendali in grado di adattarsi prontamente a soluzioni tecnologiche innovative, che determineranno necessariamente nuovi modi di lavorare. Nondimeno, la possibilità di integrare l’IA nella catena di approvvigionamento richiede un’infrastruttura tecnologica avanzata e altamente interconnessa (con l’Internet of things) che molte aziende semplicemente non hanno o sono ancora in fase di sviluppo, e questo può essere un processo lungo.