Software di Ottimizzazione Autonoma della Supply Chain, novembre 2025

Introduzione

L’ottimizzazione autonoma della supply chain promette una piattaforma “self-driving” in grado di prevedere la domanda, pianificare l’inventario e persino regolare i prezzi con un intervento umano minimo. In teoria, algoritmi avanzati (machine learning, AI, risolutori di ottimizzazione) possono prendere decisioni in modo continuo in materia di acquisti, produzione, distribuzione e pricing per massimizzare il servizio e il profitto.

Il fascino per i dirigenti della supply chain esperti di tecnologia è evidente: ridurre la dipendenza dall’intuizione del pianificatore, rispondere più rapidamente alle interruzioni ed eliminare le inefficienze. Ma la tecnologia è all’altezza delle promesse? Questo studio esamina attentamente lo stato dell’arte nel 2025 – identificando quali fornitori offrono veramente un’ottimizzazione autonoma o quasi autonoma della supply chain e quali sono per lo più puffi di marketing. Analizziamo nello specifico la capacità di ogni fornitore di ottimizzare congiuntamente inventario e pricing (una capacità critica – dato che i prezzi influenzano la domanda e quindi le esigenze di inventario), l’uso della previsione probabilistica (per domande e tempi di consegna incerti e intermittenti), l’ottimizzazione economica delle decisioni, la scalabilità e l’efficienza dei costi della loro piattaforma, e il grado di supervisione umana richiesto.

Le affermazioni sensazionalistiche (“riduci i mancati rifornimenti del 50% tagliando l’inventario del 30%!”) vengono accolte con scetticismo, specialmente se prive di dettagli rigorosi o convalidate da terze parti. In linea di principio, penalizziamo buzzword vaghi e promesse da “black box” ed evidenziamo eventuali contraddizioni (per esempio, un sistema proclamato real-time che in qualche modo analizza l’intero assortimento in una volta – un’impossibilità probabile a meno che il metodo non sia estremamente semplicistico). Consideriamo anche la storia di ogni fornitore: molti sono cresciuti tramite acquisizioni, con l’unione di moduli vecchi e nuovi. Tale assemblaggio spesso indica problemi di integrazione e tecnologie disgiunte – ben lontano dall’essere una ricetta per un ottimizzatore veramente autonomo end-to-end.

In breve, questo rapporto mira a separare l’innovazione genuina dai residui del passato e dall’hype. Di seguito classifichiamo i principali fornitori nell’ottimizzazione autonoma della supply chain, a partire da quelli più allineati con la visione di una supply chain a bassa gestione, ottimizzata quantitativamente, fino a quelli in ritardo. La classifica è seguita da un’analisi dettagliata di ogni fornitore, comprensiva di prove a supporto e commenti critici.

Classifica dei Fornitori

1. Lokad – Ottimizzatore Quantitativo della Supply Chain. Classificato al #1 per il suo approccio unificato e probabilistico che ottimizza tutto, dall’inventario al pricing, in un’unica piattaforma automatizzata. Lokad abbraccia una vera automazione end-to-end delle decisioni – generando decisioni di rifornimento, produzione e pricing con minimi aggiustamenti umani. Ha dimostrato un’accuratezza previsionale di prim’ordine (ad es. vincendo la prima posizione per accuratezza a livello SKU nella competizione M5 ¹) e usa un linguaggio di programmazione specifico del settore per codificare la logica aziendale, evitando supposizioni da parte dell’utente. Lokad è stato sviluppato internamente (senza acquisizioni patchwork) ed è progettato esplicitamente per decisioni autonome. L’intervento umano si limita principalmente alla definizione di obiettivi e vincoli; il lavoro pesante di analisi degli scenari e ottimizzazione dei compromessi è gestito dalla piattaforma. Ciò lo rende una soluzione rara in grado di operare senza sorveglianza , ad eccezione di eventi straordinari.

2. RELEX Solutions – Pianificazione Retail “Touchless”. Un contendente agguerrito, RELEX offre una piattaforma moderna guidata dall’AI, particolarmente forte per il retail e i beni di consumo. Promuove il “touchless planning” in cui l’AI automatizza previsioni complesse e compiti di rifornimento, e “l’intervento umano avviene solo quando aggiunge davvero valore” ². RELEX fornisce una soluzione unificata che copre previsione della domanda, ottimizzazione dell’inventario, e, cosa importante, ottimizzazione del pricing (inclusa l’ottimizzazione dei markdown e delle promozioni ²). Il loro sistema integra la pianificazione della domanda e della supply lungo la catena del valore per eliminare compartimenti stagni e decisioni conflittuali ². In pratica, gli utenti di RELEX possono lasciare che il sistema regoli automaticamente il rifornimento dei negozi, le allocazioni e il pricing in base a dati in tempo reale e modelli predittivi, intervenendo solo per orientamenti strategici o eccezioni veramente nuove. Questo elevato grado di automazione – combinato con la capacità di integrare dati multicanale e persino restrizioni di planogramma/assortimento – pone RELEX in prima linea nella tecnologia autonoma per la supply chain nel retail. (È significativo che RELEX promuova esplicitamente “AI-powered demand sensing” e una pianificazione “autonoma ed adattiva” nei suoi materiali ³, riflettendo una filosofia di design in linea con le supply chain self-driving.) L’unica precauzione riguarda l’ambito: RELEX è focalizzato sul retail e FMCG; in questi settori la sua tecnologia è all’avanguardia, ma non è generalizzata per la produzione o la distribuzione al di fuori del suo focus principale.

3. o9 Solutions – Pianificazione AI-Powered “Digital Brain”. o9 ha rapidamente guadagnato rilevanza con una piattaforma che mira a essere un “digital brain” per la pianificazione aziendale e il processo decisionale ⁴. Copre la pianificazione aziendale integrata (IBP), S&OP, previsione della domanda, pianificazione della supply chain e persino la gestione dei ricavi in un’unica piattaforma cloud-native. In modo critico, o9 include moduli di pianificazione del pricing e delle promozioni (ad es. per il pricing CPG, promozioni commerciali, ecc.) così da poter, in linea di principio, ottimizzare le leve che modellano la domanda insieme alla supply. L’azienda enfatizza fortemente la sua tecnologia AI e “Enterprise Knowledge Graph” per rompere i compartimenti stagni dei dati e abilitare quella che il CEO Chakri Gottemukkala definisce “increased touchless execution” nella pianificazione ⁵. In una recente conferenza o9, il CEO ha mostrato come un agente AI potesse completare in pochi minuti un’analisi complessa (opportunità di ricavi vs. vincoli di supply) che tradizionalmente richiederebbe a una dozzina di persone settimane ⁵. La visione è che l’Agentic AI di o9 monitori continuamente l’azienda, identifichi problemi o opportunità e avvii automaticamente scenari per raccomandare (o eseguire) decisioni. Per esempio, se la domanda per un prodotto aumenta improvvisamente, o9 potrebbe suggerire di riassegnare l’inventario, accelerare la supply, e regolare il pricing o le promozioni per massimizzare il profitto – tutto in un unico sistema. In pratica, molte implementazioni di o9 coinvolgono ancora una pianificazione con significativa presenza umana (i pianificatori usano gli strumenti “what-if” di o9 e poi approvano le modifiche). Ma o9 sta evolvendo verso una maggiore automazione; la sua ultima versione ha introdotto assistenti di pianificazione basati su AI generativa e “agenti” autonomi per gestire decisioni di routine ⁵. Scalabilità: o9 è SaaS e afferma di poter gestire grandi volumi di dati aziendali, anche se i dettagli sulla performance del motore sono scarsi. Dispongono di un’architettura cloud (probabilmente non interamente in-memory per modelli completi, il che è positivo per i costi). In generale, il punto di forza di o9 è l’ampiezza della sua piattaforma integrata e la sua aggressiva roadmap AI. Lo scetticismo: le affermazioni di o9 di sbloccare “1–3% di valore di vendita aggiuntivo” tramite la pianificazione AI ⁵ sono plausibili ma in gran parte basate su scenari modellati anziché su benchmark trasparenti. Inoltre, sebbene o9 supporti l’ottimizzazione concorrente della domanda e della supply (e possibilmente del pricing), dobbiamo fidarci ma verificare la profondità di tali ottimizzazioni – il fornitore tende a vantare benefici di alto livello senza rivelare gran parte del nucleo matematico. Tuttavia, o9 riconosce chiaramente che la vera autonomia richiede l’unificazione di tutti i pezzi della pianificazione ed è uno dei pochi con una piattaforma costruita da zero (invece di integrare acquisizioni).

4. ToolsGroup – Service Optimization 99+ con AI aggiunta. ToolsGroup vanta una lunga esperienza nella pianificazione della supply chain, noto per le sue previsioni probabilistiche e l’ottimizzazione multi-echelon dell’inventario. Tradizionalmente, il software di punta SO99+ di ToolsGroup si concentrava su inventario e livelli di servizio (con obiettivi di servizio definiti dall’utente). Tuttavia, negli ultimi anni ToolsGroup ha aggiornato in modo aggressivo il suo stack tecnologico per orientarsi verso decisioni autonome. In particolare, ha acquisito la società AI Evo nel 2023 per aggiungere l’ottimizzazione dinamica del pricing e delle promozioni al suo arsenale ⁶. Il CEO di ToolsGroup ha dichiarato che ciò era finalizzato a consentire “calcoli ottimali di prezzo e inventario” insieme e, in definitiva, “fornire la supply chain autonoma del futuro.” ⁶ In altre parole, ToolsGroup ha riconosciuto che ottimizzare l’inventario isolatamente non è sufficiente – il pricing deve far parte dell’equazione – e ora stanno integrando tale capacità. Oggi, la soluzione di ToolsGroup (una combinazione di SO99+, della suite di pianificazione retail JustEnough acquisita e del motore AI di Evo) può in teoria produrre decisioni automatizzate su cosa rifornire, quanto rifornire e a quale prezzo vendere, in tempo reale. Ad esempio, può suggerire di aumentare i prezzi per articoli con domanda in crescita e inventario scarso, mentre abbassa i prezzi per liberare scorte di prodotti a bassa rotazione, considerando simultaneamente le implicazioni sull’inventario di tali variazioni di prezzo. Punti di forza: I modelli probabilistici di ToolsGroup sono particolarmente adatti al “caos quotidiano” delle supply chain – ad es., la domanda intermittente o tempi di consegna variabili vengono gestiti attraverso la previsione di una distribuzione di esiti, piuttosto che un singolo valore, essenziale per l’affidabilità. (L’importanza di ciò è evidenziata dalla vittoria di Lokad nella competizione M5 – la previsione probabilistica è fondamentale per l’accuratezza a livello SKU ¹ – aspetto su cui ToolsGroup insiste.) ToolsGroup supporta anche proposte di rifornimento automatizzato, segnalazione delle eccezioni, ecc., il che significa che non richiede ai pianificatori di intervenire manualmente per ogni singola carenza – il sistema dovrebbe gestire autonomamente la variabilità tipica. Avvertenze: Le nuove capacità di ToolsGroup derivano da acquisizioni (JustEnough nel 2021 ed Evo nel 2023), il che solleva interrogativi sull’integrazione. L’azienda sostiene di avere un’architettura “modulare” in cui i componenti si integrano, ma in realtà è difficile creare una piattaforma omogenea a partire da parti disparate. Potrebbe esserci funzionalità sovrapposte (ad es. i motori di previsione della domanda di SO99+ rispetto a quelli di Evo) e stack tecnologici differenti. Probabilmente ci vorrà del tempo per raggiungere una piena integrazione. Inoltre, alcune affermazioni di marketing di ToolsGroup invitano a un’analisi più critica – per esempio, spesso citano clienti che hanno ottenuto una riduzione dell’inventario del 15–30% con una disponibilità del 99% ⁷. Tali numeri, pur essendo basati su casi reali, dipendono fortemente dai riferimenti di partenza (riduzione del 30% rispetto a cosa?) e, senza contesto, non sono da considerarsi universali. Sul fronte dell’automazione, ToolsGroup offre ancora una notevole “controllo del pianificatore” (gli utenti possono impostare obiettivi di servizio, scegliere modelli di previsione, ecc.). Questo può essere un’arma a doppio taglio: la flessibilità è positiva, ma una forte dipendenza dalla regolazione manuale va contro l’ideale di completa autonomia. Ciononostante, la recente direzione di ToolsGroup – con l’aggiunta di un’AI reattiva per pricing/promozioni e l’obiettivo di una “pianificazione incentrata sulle decisioni” – dimostra che è uno dei contendenti più seri nell’avanzamento verso l’automazione della supply chain oltre i semplici buzzword.

5. Aera Technology – Intelligenza Decisionale e Esecuzione “Self-Driving”. Aera è in qualche modo unica in questa lista – non si tratta di una suite di pianificazione tradizionale, bensì di una piattaforma progettata specificamente per automatizzare il processo decisionale nelle operazioni in tempo reale. La proposta di Aera è la “supply chain self-driving,” abilitata da una piattaforma cloud che scansiona continuamente i dati (transazioni ERP, segnali esterni), utilizza ML per rilevare problemi ed esegue o raccomanda azioni ⁸. Invece di pianificatori che elaborano piani mensili, il motore “cognitivo” di Aera monitora la supply chain 24/7. Per esempio, se si verifica un picco di domanda o un ritardo di un fornitore, Aera potrebbe regolare automaticamente gli approvvigionamenti, riorientare le spedizioni o riprioritizzare gli ordini per evitare esaurimenti. Fondamentale, la filosofia di Aera è incorporare le decisioni nel sistema: le aziende configurano quali decisioni possono essere completamente automatizzate, quali richiedono l’approvazione umana e quali rimangono manuali ⁸. Col tempo, con l’aumentare della fiducia, più decisioni possono essere automatizzate. In un caso di una multinazionale CPG, Aera forniva 12.000 raccomandazioni di pianificazione al mese, e il 74% veniva automaticamente accettato senza intervento umano ⁸. Ciò implica un livello di autonomia molto elevato negli aggiustamenti quotidiani della supply. Infatti, il VP della supply chain di quella società ha ritenuto le raccomandazioni di Aera così affidabili da revocare ad alcuni pianificatori la possibilità di modificarle, perché l’AI di solito aveva ragione ⁸. Questo testimonia in modo significativo l’efficacia autonoma di Aera. Punti di forza: Aera si concentra su decisioni probabilistiche e just-in-time – affronta esplicitamente il problema del “succede” tra i cicli S&OP ⁸. Ottimizza all’interno della finestra operativa a breve termine, riequilibrando supply e domanda pesando rischi di servizio, costi e vincoli (decidendo i compromessi per massimizzare gli obiettivi finanziari minimizzando il rischio ⁸). In sostanza, Aera agisce come un vigile del fuoco autonomo che gestisce le eccezioni costanti che i pianificatori umani non riescono a seguire. Ciò colma un enorme vuoto del software tradizionale (dove le eccezioni non gestite si accumulano a causa della carenza di manodopera o di risposte lente ⁸). Avvertenze: Aera eccelle nelle decisioni operative (come la riallocazione dell’inventario, l’accelerazione degli ordini, ecc.), ma non sostituisce completamente una suite di pianificazione della supply chain. Non si occupa di progettazione di rete a lungo termine o dell’ottimizzazione del pricing (le decisioni relative al pricing e al marketing non sono attualmente il focus di Aera – è più incentrata sull’esecuzione della supply chain). Quindi, sebbene possa automatizzare molte decisioni di bilanciamento tra offerta e domanda, sarebbero comunque necessari altri sistemi per la pianificazione iniziale della domanda, la strategia di pricing, ecc. Un’ulteriore considerazione: l’implementazione di Aera richiede la mappatura della logica decisionale di un’azienda e l’integrazione di numerose fonti di dati, operazione che può essere complessa. Hanno mitigato questo problema con l’approccio del “data crawler” (lettura dei dati attraverso i sistemi senza progetti IT onerosi) ⁸, ma non è esattamente plug-and-play. Inoltre, l’affermazione di Aera di ridurre lo spreco d’inventario del 20% tramite l’automazione decisionale ⁹ va considerata come situazionale – i risultati possono variare notevolmente. In sintesi, Aera dimostra una notevole autonomia nel momento – è un componente prezioso di un toolkit per la supply chain autonoma, pur non coprendo il pricing o la pianificazione strategica. La classifichiamo qui perché la sua capacità dimostrata di operare con un input umano minimo nel suo ambito supera quella della maggior parte dei fornitori tradizionali.

6. Blue Yonder (JDA) – Gigante legacy che tenta un restyling AI. Blue Yonder (precedentemente JDA Software) è un noto fornitore di software per supply chain che negli ultimi anni ha cercato di riposizionarsi come una piattaforma autonoma per supply chain guidata dall’AI. Offre tutto, dalla pianificazione della domanda, al reintegro, pianificazione della produzione fino al trasporto e alla gestione del magazzino. Blue Yonder spunta sicuramente le caselle “end-to-end” sulla carta, ma la sua tecnologia è un patchwork di sistemi legacy molto vecchi con alcuni nuovi componenti AI sopra. Questa storia attenua le sue affermazioni di autonomia. I moduli di pianificazione centrali di Blue Yonder provengono da acquisizioni antiche: i2 Technologies e Manugistics (acquisite alla fine degli anni 2000). Questi una volta erano all’avanguardia, ma ora sono considerati legacy – fortemente deterministici, richiedendo una messa a punto estesa dei parametri, e spesso funzionano su architetture obsolete. (Notevolmente, l’acquisizione di i2 da parte di JDA si concluse in un fiasco – i2 non era riuscita a consegnare un progetto per il rivenditore Dillard’s, portando a una causa che nel 2010 costò a JDA $246 million in damages. ¹⁰ Questo fu uno dei più grandi fallimenti nella storia del software per supply chain, sottolineando la fragilità della tecnologia e delle promesse di i2. Blue Yonder ereditò quel bagaglio.) Da allora, Blue Yonder ha cercato di modernizzarsi: nel 2018 ha acquisito una startup AI tedesca (anch’essa chiamata Blue Yonder) specializzata nella previsione della domanda nel retail, e successivamente ha persino rinominato l’intera azienda con quel nome. Ciò ha aggiunto un autentico talento nel machine learning (ad es. deep learning per il rilevamento della domanda). Blue Yonder collabora anche con piattaforme big data – per esempio, vanta un’alleanza con Snowflake per offrire ai clienti condivisione dei dati e analisi scalabili ¹¹. Tuttavia, queste mosse non riescono a nascondere del tutto le cuciture: la suite di pianificazione di Blue Yonder rimane una collezione di moduli che non sono realmente integrati out-of-the-box. Autonomia e AI: Il marketing di Blue Yonder utilizza pesantemente termini come “cognitive supply chain” e “AI/ML”. In un’intervista sponsorizzata, gli strateghi di Blue Yonder hanno descritto un futuro in cui gli agenti AI “vedono, comprendono, decidono e persino agiscono” nella pianificazione della supply chain ¹², fornendo raccomandazioni prescrittive ed eseguendo ottimizzazioni in modo autonomo se consentito ¹². Essi fanno riferimento all’ottimizzazione concomitante di offerta e domanda, rompendo le decisioni compartimentalizzate, e così via ¹². La visione che dipingono è in realtà convincente, e Blue Yonder possiede numerosi algoritmi sotto il cofano (dai solutori di programmazione lineare per la pianificazione dell’offerta alle reti neurali per la previsione della domanda). Il problema non è la mancanza di algoritmi, ma la praticità e l’affidabilità nel farli lavorare insieme senza supervisione. Le implementazioni di Blue Yonder richiedono storicamente eserciti di consulenti per configurare le regole di business, settando decine di parametri di pianificazione (come le politiche di scorta di sicurezza, le euristiche di previsione, le priorità di allocazione). Presenta inoltre in maniera evidente la gestione di “eccezioni e avvisi” – fondamentalmente notificando ai pianificatori umani quando qualcosa devia, affinché possano intervenire. Questo tradisce la realtà che il sistema non è veramente autonomo; rimanda ancora molte decisioni agli umani tramite allarmi, il che contraddice l’idea di un’AI che gestisce il “caos banale.” Un sistema veramente autonomo escalerebbe solo eventi veramente eccezionali (ad es. un incendio in fabbrica, un improvviso lockdown). Nel caso di Blue Yonder, anche picchi di domanda moderatamente insoliti o ritardi dei fornitori possono innescare un diluvio di messaggi di eccezione che i pianificatori devono gestire. Inoltre, le capacità di ottimizzazione dei prezzi di Blue Yonder non sono integrate organicamente. Non hanno acquisito Revionics (un software leader per il pricing) come alcuni si aspettavano – quella società è stata comprata da Aptos nel 2020. Blue Yonder dispone di una soluzione per il pricing (probabilmente evoluta dall’ottimizzazione markdown del vecchio JDA e dalle relative partnership), ma rimane separata dalla suite di pianificazione centrale. Una società CPG di medie dimensioni che ha valutato recentemente la pianificazione della domanda di Blue Yonder ha ricevuto un preventivo di $2 million for just the demand planning module, e ha osservato che il fornitore “stava spingendo fortemente sull’AI/ML” ma lo ha trovato “troppo una scatola nera” e incredibilmente costoso (altri erano quotati sotto $1M) ¹³. Il risultato? Hanno ritenuto che, per quella scala di business, l’intensa AI a scatola nera di Blue Yonder non ne valesse la pena ¹³. Questo aneddoto sottolinea diversi punti: le soluzioni di Blue Yonder hanno spesso un costo elevato—anche a causa dei vasti servizi di implementazione—e le affermazioni sull’AI possono risultare deludenti se gli utenti non riescono a comprendere o a fidarsi della logica decisionale sottostante. Problemi e fallimenti di integrazione: Vale anche la pena notare che, con una suite così ampia, Blue Yonder ha avuto implementazioni fallimentari. Un commentatore ha riferito che un progetto di Blue Yonder presso un grande rivenditore (Family Dollar) è essenzialmente crollato – “hanno speso una fortuna per …” ¹³ Anche se ogni grande software può fallire se non implementato correttamente, il curriculum di Blue Yonder presenta alcuni fallimenti di alto profilo (Dillard’s, ecc.), suggerendo complessità e disallineamento tra promessa e realtà. La recente piattaforma cloud di Blue Yonder, Luminate, è un tentativo di riscrivere e unificare la tecnologia (ed è ora di proprietà di Panasonic, che potrebbe investire di più in R&S). Se Luminate davvero ricostruirà le fondamenta, Blue Yonder potrebbe migliorare nella consegna dell’autonomia. Tuttavia, al momento, restiamo scettici. Blue Yonder dovrebbe essere considerato come un potente toolkit che necessita ancora di un notevole input manuale, piuttosto che una Tesla che guida da sola. Ha molte funzionalità e algoritmi (alcuni molto avanzati), ma il collegarli in un insieme autonomo è lasciato in gran parte all’implementatore. Infine, si dovrebbe fare attenzione alla partnership di Blue Yonder con Snowflake e piattaforme dati simili – sebbene offra scalabilità, introduce anche un incentivo perverso: il pricing basato sull’utilizzo di Snowflake può rendere finanziariamente poco attraente per il fornitore il codice altamente ottimizzato. Infatti, gli osservatori del settore notano che, poiché Snowflake (e molte piattaforme SaaS) addebitano in base al compute/tempo, hanno “un enorme incentivo perverso a lasciare i gremlin dell’ottimizzazione all’interno” – inefficienze che causano un maggior utilizzo del compute (quindi maggiori entrate) ¹⁴. Se le analisi cloud di Blue Yonder girano su Snowflake, si potrebbe temere che il tuning delle prestazioni non sia una priorità assoluta. Questo riporta agli anni ‘90, quando il software sui mainframe IBM veniva fatturato in base ai MIPS – una situazione che spesso portava a costi esorbitanti e alla pressione di ripiattaformare. In sintesi, Blue Yonder è un peso massimo con molte capacità, ma dal punto di vista dell’ottimizzazione autonoma, non è il pioniere agile – è appesantito dal legacy, richiede un sostegno umano significativo, e le sue affermazioni dovrebbero essere accolte con un sano scetticismo a meno che non siano supportate da evidenze.

7. Kinaxis – Pianificazione “concomitante” guidata dall’uomo con un’AI emergente. Kinaxis è meglio conosciuta per la sua piattaforma RapidResponse, che ha introdotto il concetto di simulazione what-if veloce in-memory per i piani della supply chain. Il punto di forza di Kinaxis risiede nel permettere alle aziende di creare un modello unificato della loro supply chain (inclusi bills of material, offerta, domanda e inventari) e di vedere istantaneamente l’impatto dei cambiamenti o delle interruzioni. Questo approccio di “pianificazione concomitante” consente a tutte le funzioni—pianificatori della domanda, pianificatori dell’offerta e pianificatori della capacità—di visualizzare un unico insieme di numeri e collaborare in tempo reale. Tuttavia, Kinaxis è storicamente stato uno strumento di supporto alle decisioni, non un decisore automatizzato. È progettato per potenziare i pianificatori umani affinché prendano decisioni migliori, anziché sostituirli. Infatti, Kinaxis promuove esplicitamente la fusione di “human intelligence with artificial intelligence” nella pianificazione ¹⁵—essenzialmente un modello human-on-the-loop. Il suo blog sottolinea che l’AI nella gestione della supply chain ha ancora “needs humans” e si concentra su “planners making fast, confident decisions by combining human judgment with AI.” ¹⁵ Questa filosofia implica che Kinaxis non mira ancora a una piena autonomia; piuttosto, fornisce un’eccellente visibilità, analisi degli scenari e approfondimenti guidati dal machine learning, pur aspettandosi che gli utenti rimangano al controllo. Capacità: Out of the box, Kinaxis RapidResponse copre la pianificazione della domanda, la pianificazione dell’offerta e della capacità, la pianificazione degli inventari e l’S&OP. Fino a poco tempo fa, non disponeva di moduli avanzati per la previsione o per il pricing. Riconoscendo questa lacuna, Kinaxis ha acquisito Rubikloud in 2020, una startup AI focalizzata sulla previsione della domanda nel retail e sull’analisi dei prezzi ¹⁶. Rubikloud ha introdotto capacità per forecasting, promotions, and even pricing optimization (price elasticity, etc.) rivolte ai retailer ¹⁶. Kinaxis è in procinto di integrare queste funzionalità AI nella sua piattaforma – il CEO John Sicard ha osservato che la tecnologia di Rubikloud infonderà l’AI nelle applicazioni di pianificazione di Kinaxis ¹⁶. Questa integrazione dovrebbe eventualmente permettere a Kinaxis di generare più input di pianificazione automaticamente (come previsioni di base o stime del lift promozionale), riducendo l’inserimento manuale dei dati. Detto ciò, Kinaxis manca ancora di un vero motore di ottimizzazione dei prezzi per un uso generale – la funzionalità di Rubikloud è principalmente rivolta all’efficacia delle promozioni commerciali e al pricing di base nel retail. Attualmente non competono nel dynamic pricing per settori come la distribuzione o la manifattura. Architettura e Scalabilità: La caratteristica distintiva di Kinaxis era la sua architettura in-memory – tutti i dati di pianificazione vengono caricati in memoria per consentire calcoli rapidissimi e la propagazione immediata dei cambiamenti. Il vantaggio è la velocità, ma lo svantaggio risiede nei costi e nella scalabilità: con l’aumentare dei dati fino a milioni di combinazioni SKU-località, i requisiti di memoria (e di costo) crescono drasticamente. I sistemi in-memory possono diventare very expensive da scalare, richiedendo spesso enormi cluster di server o costringendo gli utenti a limitare il livello di dettaglio per rientrare nella RAM disponibile. Kinaxis ha affrontato ciò passando al cloud e adottando un modello più elastico, ma gli utenti avanzati devono ancora confrontarsi con compromessi tra la granularità del modello e le prestazioni. In termini di costi, Kinaxis rappresenta un investimento sostanziale, e poiché è un sistema di supporto alle decisioni (non un risolutore autonomo), il ROI dipende fortemente dall’uso efficace, da parte dei pianificatori, degli strumenti what-if. Grado di Automazione: Kinaxis supporta una certa automazione – ad esempio, è possibile configurare automated triggers o “agents” per gestire determinate attività (e stanno esplorando l’“agentic AI” per gestire automaticamente le eccezioni di routine ¹⁷). Tuttavia, in pratica, la maggior parte dei clienti di Kinaxis lo utilizza principalmente per highlight exceptions and facilitate collaboration, anziché lasciare che il sistema prenda decisioni in modo autonomo. Gli avvisi e i dashboard per le eccezioni costituiscono una parte centrale del suo impiego. Questo riflette l’approccio tradizionale: il software segnala problemi (es. “this order will be late” o “inventory below safety stock”) e sono gli umani a decidere come intervenire. Come già osservato, questa dipendenza dalla decisione umana—anche per casi di routine—è in contrasto con il concetto di una supply chain autonoma. Kinaxis sembra riconoscere ciò e sta investendo in AI “co-pilots.” Infatti, l’azienda ha recentemente annunciato nuove funzionalità AI (Kinaxis “Maestro” con generative AI) che mirano a consentire “fully autonomous planning workflows” ¹⁷ in futuro. Tuttavia, questi sviluppi sono ancora proiettati al futuro; al momento, chiamare Kinaxis autonomous would be a stretch. Rimane uno strumento eccellente per una rapida ripianificazione e analisi degli scenari, ma nella maggior parte dei casi lascia la decisione all’utente. Un’altra considerazione: Kinaxis, come molti suoi pari, si è espansa attraverso acquisizioni — inclusi Rubikloud (per forecasting and pricing driven by AI) e MPO (per l’order orchestration, acquisita nel 2022). Pur non essendo frammentato come piattaforme tipo E2open, ogni componente acquisito richiede tempo per essere pienamente integrato. Se l’AI per il pricing e le previsioni di Rubikloud rimane in qualche modo separata dal motore principale di pianificazione, allora l’ottimizzazione congiunta di prezzo e inventario non sarà senza soluzione di continuità. Ad esempio, un utente potrebbe ricevere una previsione della domanda dall’AI ma comunque regolare manualmente le scorte di sicurezza o ignorare le raccomandazioni dell’AI per mancanza di fiducia — reintroducendo così il giudizio umano nel processo e rompendo la catena dell’autonomia. In sintesi, Kinaxis è altamente stimata per ciò che fa – la pianificazione interattiva – ma è più un “advanced driver-assistance system” che una macchina a guida autonoma. Aumenta significativamente la produttività e la rapidità di reazione dei pianificatori, ma non elimina la necessità di pianificatori umani qualificati. Le aziende dovrebbero essere caute da qualsiasi implicazione che l’AI di Kinaxis risolverà automaticamente compromessi complessi; in realtà, il software è efficace solo nella misura in cui lo sono i pianificatori e i parametri che lo guidano. Fino a quando Kinaxis non dimostrerà che i suoi nuovi agenti AI possono gestire la pianificazione con una supervisione umana minima, rimane un gradino al di sotto delle soluzioni veramente focalizzate sull’autonomia.

8. SAP IBP (Pianificazione Aziendale Integrata) – Interfaccia Moderna su Pratiche Vecchie di Decenni. L’IBP di SAP è il successore del famigerato SAP APO e fa parte della suite SAP SCM. Essendo SAP, è spesso la scelta predefinita per le grandi imprese che utilizzano SAP ERP. IBP fornisce moduli per la previsione della domanda (con una funzione di “rilevamento della domanda”), ottimizzazione dell’inventario, pianificazione dell’approvvigionamento e S&OP, tutti unificati sul database in-memory SAP HANA. Sulla carta, sembra disporre dei componenti di un sistema autonomo – compreso un ottimizzatore per l’inventario multi-livello e alcune capacità di machine learning (attraverso l’integrazione con SAP Leonardo AI e metodi previsionali basati su ML). Tuttavia, in pratica, IBP è una soluzione fortemente manuale, guidata da consulenti. Richiede una configurazione significativa: le aziende devono impostare aree di pianificazione, definire figure chiave, configurare algoritmi e stabilire euristiche per la pianificazione. I pianificatori scelgono ancora quali modelli statistici applicare per le previsioni, determinano gli obiettivi per le scorte di sicurezza o i livelli di servizio e revisionano manualmente gli avvisi di eccezione. Il cosiddetto “rilevamento della domanda” di IBP è essenzialmente un aggiustamento previsionale a breve termine basato sui dati recenti – un concetto fortemente promosso dopo l’acquisizione di SmartOps da parte di SAP e il lavoro svolto da Terra Technology. Eppure, il “rilevamento della domanda” si è dimostrato in gran parte un termine di moda – un rebranding della previsione a breve termine che spesso produce solo miglioramenti marginali in termini di accuratezza e può talvolta introdurre rumore. In realtà, sebbene l’incorporazione di ulteriori dati in tempo reale possa affinare le previsioni, non può eliminare l’incertezza previsionale; se applicato in modo ingenuo, può persino reagire eccessivamente a fluttuazioni casuali. Molti fornitori (E2open, o9, ToolsGroup, ecc.) offrono funzionalità simili di “rilevamento della domanda” ¹⁸ e fanno audaci affermazioni in merito ai miglioramenti dell’accuratezza previsionale. L’hype, tuttavia, supera di gran lunga il beneficio tipico, ed è per questo che lo consideriamo vaporware quando viene presentato come una panacea. SAP IBP include questa funzionalità, ma le aziende riportano risultati contrastanti – certamente non rende il piano di domanda auto-rigenerante o autonomo senza revisione umana. L’ottimizzazione congiunta di inventario e pricing è assente in SAP IBP. SAP non include un motore nativo di ottimizzazione dei prezzi all’interno di IBP. La gestione dei prezzi per la maggior parte dei clienti SAP avviene tramite sistemi separati o processi manuali (alcuni utilizzano strumenti standalone di SAP come SAP Condition Contracts, mentre altri si affidano a software di pricing di terze parti). Di conseguenza, la pianificazione di SAP rimane compartimentalizzata: le aziende possono ottimizzare l’inventario o la produzione basandosi su una domanda presunta, ma influenzare tale domanda tramite la definizione dei prezzi esula dall’ambito di IBP. Ciò rappresenta una limitazione fondamentale quando si discute di una vera ottimizzazione end-to-end della supply chain. Tecnologia e scalabilità: SAP IBP funziona sul database HANA di SAP – un database colonnare in-memory. Le prestazioni possono essere elevate per i calcoli, ma il costo può aumentare rapidamente man mano che crescono le esigenze di memoria e calcolo. Molti calcoli in IBP (come l’esecuzione di un ottimizzatore globale o previsioni su larga scala) vengono eseguiti in batch durante la notte, e non istantaneamente in tempo reale. SAP ha introdotto alcuni algoritmi interessanti (ad esempio, un ottimizzatore per l’inventario che utilizza modelli stocastici derivati dall’acquisizione di SmartOps, e alcune tecniche di previsione basate su machine learning). Ma va notato: nessun algoritmo SAP si è mai fatto conoscere in benchmark esterni come la competizione M5. Il fornitore tende a dichiarare “20% di miglioramento nell’accuratezza previsionale” nei materiali di marketing, ma senza partecipare a competizioni aperte o pubblicare in dettaglio i metodi, tali affermazioni restano puramente asserzioni aziendali. È più sicuro presumere che le previsioni di SAP siano standard (anzi, molti clienti IBP utilizzano modelli statistici abbastanza basilari o addirittura motori di previsioni esterni, poiché quelli integrati non sono rivoluzionari). L’“AI” in SAP IBP si presenta principalmente sotto forma di componenti aggiuntivi opzionali (come l’utilizzo di SAP Analytics Cloud per ottimizzare in automatico i modelli previsionali, o l’uso di ML per rilevare eccezioni). SAP promuove inoltre l’idea di una “supply chain autonoma” in dichiarazioni d’intento ad alto livello, ma i prodotti concreti sono in ritardo. La forza di SAP risiede davvero nell’integrazione con i sistemi transazionali – IBP integrerà facilmente i dati di SAP ERP e invierà i piani per l’esecuzione. Tuttavia, ironicamente, l’integrazione dei dati non equivale all’integrazione delle decisioni. Le aziende che utilizzano SAP hanno spesso ancora operatori che rielaborano il piano, lo inseriscono in SAP ERP e poi lo eseguono. Conclusione: SAP IBP è affidabile e completo come strumento di pianificazione, ma non è un veicolo senza conducente. Si affida ancora a impostazioni regolabili dall’utente in ogni fase – dai parametri dei modelli previsionali ai profili di copertura dell’inventario, fino alle euristiche per l’allocazione delle forniture. Questa alta configurabilità è quasi l’antitesi dell’autonomia: il sistema si aspetta che gli utenti codifichino gran parte della logica decisionale (o perlomeno definiscano delle soglie). L’approccio di SAP digitalizza essenzialmente il processo di pianificazione tradizionale, anziché reinventarlo fondamentalmente con l’AI. Di conseguenza, il grado di automazione rimane limitato. IBP genera numerosi avvisi e messaggi di eccezione pensati per essere azionati dai pianificatori, segnalando che il sistema spesso restituisce il controllo agli umani ogni volta che i piani deviano dalle aspettative. È altresì significativo che nessun fornitore sia più associato a implementazioni grandi e personalizzate (e persino a fallimenti d’implementazione) rispetto a SAP nello spazio SCM; se l’ottimizzazione autonoma fosse veramente plug-and-play, costi di servizio così elevati e risultati incoerenti sarebbero molto meno comuni. A dire il vero, SAP dispone di risorse enormi e potrebbe far evolvere IBP rapidamente. Ma, a partire dal 2025, se l’obiettivo è un sistema di pianificazione veramente autonomo, IBP richiederebbe tanta personalizzazione e sovraccarico manuale da non essere la scelta principale. Fornisce analisi capaci e una piattaforma unica per la pianificazione, ma l’autonomia deve essere implementata attraverso gli sforzi del cliente, se si può parlare di autonomia.

9. E2open – Tutt’uno, maestro di nulla (nella Pianificazione). E2open è una bestia alquanto diversa: è una piattaforma per la supply chain nota per la sua rete multi-impresa (che connette numerosi partner commerciali) e per una frenesia di acquisizioni che le hanno conferito un portafoglio estremamente ampio. Oggi, E2open include componenti per pianificazione della domanda, S&OP, pianificazione dell’approvvigionamento, logistica, procurement e altro, grazie all’acquisizione di numerose aziende nel corso degli anni. In particolare, ha acquisito Terra Technology (per il rilevamento della domanda e l’ottimizzazione dell’inventario multi-livello) nel 2016, Steelwedge (per l’S&OP) nel 2017, e più recentemente software per il trasporto (BluJay, Cloud Logistics) e dati di canale (Zyme, ecc.) ¹⁹. In teoria, E2open può ottimizzare l’intera supply chain – dalla produzione, passando per la distribuzione fino al cliente finale – incorporando dati sugli inventari di canale e vincoli dei fornitori. Lo propone come una soluzione end-to-end su una piattaforma cloud unificata. La realtà, però, è che l’unità di E2open riguarda più le vendite che la tecnologia. Le applicazioni acquisite restano moduli distinti, integrati principalmente a livello di dati tramite la rete di E2open e presentati in un’interfaccia utente condivisa (l’interfaccia “Harmony”) ²⁰. Sotto il cofano, tuttavia, restano motori differenti – per esempio, il motore di rilevamento della domanda di Terra e il motore di pianificazione di Steelwedge – ciascuno con la propria logica. Pur avendo mantenuto e leggermente migliorato questi componenti, l’integrazione profonda (come una vera ottimizzazione congiunta) rimane limitata. Aspetti di autonomia: La comunicazione di E2open include moltissimi termini d’ordine – si parla di “automazione guidata dall’AI”, “pianificazione ed esecuzione continua”, “pensiero outside-in (guidato dalla domanda)”, ecc. ²⁰. La tecnologia di rilevamento della domanda di Terra è effettivamente un approccio simile all’AI (utilizza dati a valle e machine learning per aggiustare le previsioni). E Steelwedge offriva un flusso di lavoro per la gestione delle eccezioni. Ma, se esaminata, la pianificazione di E2open si basa ancora su metodi tradizionali: previsioni statistiche che possono incorporare alcuni segnali esterni, ottimizzatori che operano con parametri definiti dall’utente e numerosi flussi di lavoro collaborativi che coinvolgono gli umani (le espressioni “collaborazione previsionale” e “gestione delle eccezioni” compaiono frequentemente nei materiali di E2open ²⁰, indicando che il sistema segnala problemi che le persone devono risolvere). L’elemento distintivo di E2open è la rete – ad esempio, la sua piattaforma può condividere automaticamente una previsione della domanda con un fornitore e ottenere il suo impegno, per poi adeguare il piano. Si tratta di un’utile automazione della comunicazione, ma non equivale a un’AI che decida il piano ottimale. È più uno strumento di coordinamento facilitato. Ottimizzazione congiunta di inventario e prezzo: E2open non dispone di una soluzione per l’ottimizzazione dei prezzi nella sua suite. Offre alcuni strumenti di “modellazione del canale” che aiutano in aspetti quali promozioni, incentivi e programmi di orientamento della domanda nei canali di distribuzione ²⁰. Tuttavia, questi strumenti mirano più a gestire sconti o garantire la disponibilità dei prodotti, piuttosto che a stabilire algoritmicamente i prezzi ottimali. Quindi, come per SAP, il ciclo di ottimizzazione di E2open risulta essenzialmente interrotto al momento della decisione sui prezzi – si presume l’esistenza di input relativi ai prezzi anziché sceglierli autonomamente. Tecnologia e prestazioni: Data la sua storia, i componenti di E2open variano. Il rilevamento della domanda di Terra era considerato all’avanguardia un decennio fa per l’affinamento delle previsioni a breve termine. Steelwedge era uno strumento puramente cloud (ma sostanzialmente un tool OLAP e in stile foglio di calcolo) per l’S&OP. Il vecchio sistema di E2open (derivato da “TradeMatrix” di i2) riguardava la visibilità multi-livello, non l’ottimizzazione intensiva. Il problema qui è la presenza di molto codice legacy che opera dietro una facciata cloud lucida. I clienti hanno riportato che l’esperienza utente di E2open è migliorata con l’interfaccia Harmony, ma la profondità delle capacità analitiche non ha superato nettamente quella dei concorrenti. Inoltre, mantenere così tanti moduli sembra aver messo a dura prova E2open – sono stati segnalati rallentamenti nell’innovazione mentre l’azienda si concentrava sull’integrazione delle acquisizioni e (essendo stata società pubblica fino a poco tempo fa) sul raggiungimento degli obiettivi finanziari. In effetti, la traiettoria di E2open ha incontrato turbolenze: nel 2025 il suo prezzo azionario era crollato, e ha accettato di essere acquisita da WiseTech Global ¹⁹. WiseTech (una società australiana di software per la logistica) era interessata principalmente alla rete e alle soluzioni logistiche di E2open. Non è chiaro quanto investiranno nelle capacità di pianificazione e “ottimizzazione autonoma” di E2open rispetto a una possibile razionalizzazione del portafoglio. Da un punto di vista scettico, la grandiosa visione di E2open di una soluzione per la supply chain a tutto in uno è stata più un PowerPoint che una realtà. Ogni componente può offrire valore nel proprio ambito (Terra può migliorare in modo modesto l’accuratezza delle previsioni a breve termine; il MEIO può impostare buffer di inventario; ecc.), ma unirli tutti in modo che la supply chain si gestisca per lo più da sola va oltre ciò che E2open ha raggiunto. In effetti, E2open spesso vende i moduli singolarmente per risolvere inizialmente problemi specifici ²⁰, e i clienti potrebbero non espandersi fino a utilizzare l’intera suite. Ciò suggerisce che persino i clienti lo vedono come un insieme di strumenti, e non come un cervello integrato. Fino a quando non emergeranno prove (ad esempio, studi di caso in cui un’azienda ha lasciato che l’AI di E2open pianificasse ed eseguisse automaticamente in procurement, produzione e distribuzione con minimi interventi umani), E2open rimane un insieme di soluzioni di fascia media piuttosto che un leader nell’ottimizzazione autonoma.

Riassunto Scettico e Conclusioni

La visione di una supply chain autonoma – un sistema che anticipa, pianifica e agisce in modo ottimale con un input umano minimo – sta guidando il marketing di molti fornitori nel 2025. Eppure, come dimostra il nostro studio, le offerte reali sono un miscuglio, spesso lontane da tale visione. Alcuni attori (in particolare Lokad, RELEX, o9 e, forse, la nuova incarnazione di ToolsGroup) stanno allineando la loro tecnologia con i requisiti fondamentali per l’autonomia: previsione probabilistica di ogni incertezza, ottimizzazione congiunta delle decisioni relative a inventario e prezzatura, capacità di calcolo scalabili per gestire assortimenti ampi e framework decisionali che producano azioni chiare (ordini, allocazioni, variazioni di prezzo) anziché infiniti avvisi. Questi fornitori tendono inoltre ad avere codebase più moderne, o perlomeno con meno bagaglio, permettendo loro di incorporare in modo più integrato i metodi AI più recenti. Non è un caso, per esempio, che il team di Lokad abbia dimostrato la sua maestria previsionale in competizioni aperte ¹ – qualcosa da cui la maggior parte dei grandi fornitori ha preferito stare alla larga – o che RELEX, un entrante più recente, abbia integrato l’ottimizzazione dei prezzi nella sua piattaforma fin dall’inizio, piuttosto che come un ripensamento.

D’altra parte, i fornitori legacy (Blue Yonder, SAP, Oracle in una certa misura, persino Kinaxis) dispongono di funzionalità estese, ma spesso in compartimenti stagni, e si affidano a workflow guidati dall’uomo con l’AI a supporto decisionale. Spesso fanno anche affermazioni che mettono a dura prova la credibilità: miglioramenti che mancano di contesto, oppure promesse costellate di buzzword con scarsi dettagli tecnici. Una sana dose di scetticismo è giustificata quando un fornitore si vanta di “incorporare oltre 200 driver della domanda” o di “ricalcolare le previsioni per l’intero assortimento in pochi secondi”. In pratica, l’utilizzo di centinaia di fattori della domanda porterebbe probabilmente a un overfit e sovraccaricherebbe qualsiasi modello (rendendolo un incubo da mantenere – un risultato veramente di tipo “black box”), e “previsioni istantanee per migliaia di SKU” di solito implica un modello molto semplicistico (dato che modelli complessi richiedono tempo; se fosse davvero istantaneo, potrebbe trattarsi di una semplice estrapolazione ingenua). Abbiamo cercato prove di sostanza dietro tali affermazioni. Per esempio, i fornitori che vantano previsioni “alimentate dall’AI” – hanno pubblicato i metodi o partecipato a qualcosa come la competizione M5? In caso contrario, abbiamo considerato queste affermazioni come mera retorica di marketing, almeno fino a prova contraria. Analogamente, il termine “rilevamento della domanda” è stato particolarmente popolare da parte di SAP ed E2open; abbiamo constatato che si tratta principalmente di un rebranding della previsione a breve termine basata sulle vendite recenti, la quale secondo diverse fonti fornisce rendimenti decrescenti e può persino risultare controproducente se applicata in modo ingenuo ¹⁸. Nessuno dei fornitori che sostiene il “rilevamento della domanda” ha fornito risultati trasparenti e sottoposti a peer-review che dimostrino una capacità significativamente superiore rispetto alle previsioni tradizionali ben calibrate.

Un altro campanello d’allarme sono i fornitori che evidenziano “configurabilità,” “centinaia di parametri,” o “l’utente può definire la propria strategia” come un aspetto positivo – questo spesso significa che il sistema in sé non è sufficientemente intelligente da individuare la politica giusta, affidando tale responsabilità all’utente. La vera autonomia deriva dal sistema che impara e si adatta, e non dal chiedere all’umano di codificare regole o soglie. Allo stesso modo, un’enfasi su “allerta, torri di controllo, e gestione delle eccezioni” (comune con Kinaxis, SAP, ecc.) suggerisce che il software restituirà molti problemi agli esseri umani. Ciò è fondamentalmente opposto a un approccio guidato dall’IA, in cui il software dovrebbe gestire il routinario e segnalare solo ciò che è veramente straordinario. Se la proposta di valore di un fornitore è sostanzialmente “ti avviseremo dei problemi più rapidamente”, è utile ma non autonomo.

La qualità dell’integrazione è un altro tema: molti fornitori sono cresciuti tramite acquisizioni, il che, come discusso, tende a ostacolare un’ottimizzazione fluida. L’ottimizzazione congiunta di inventario e pricing è particolarmente significativa – nessuno dei grandi operatori affermati ha iniziato con entrambe le capacità, e integrarle successivamente è estremamente impegnativo (differenti dati, approcci algoritmici diversi, compartimentalismi organizzativi nella società cliente, ecc.). Non sorprende quindi che Lokad e RELEX – che danno priorità all’integrazione del pricing con le decisioni di supply chain – siano aziende più recenti; hanno progettato le loro soluzioni in un’epoca in cui il prezzo dinamico e l’IA erano già considerazioni chiave. Al contrario, i fornitori più datati stanno affrettandosi ad aggiungere tali componenti ora (ad es. ToolsGroup che acquista Evo, Kinaxis che acquista Rubikloud). Lo scettico si aspetta che tali integrazioni incontrino intoppi: latenza dei dati tra i sistemi, obiettivi incoerenti (un sistema che minimizza l’inventario, un altro che massimizza il margine – come si riconciliano automaticamente?) e, semplicemente, il tempo necessario per unire tecnicamente codebase o interfacce utente. Fino a quando non vedremo un caso cliente reale in cui, ad esempio, l’ottimizzazione unificata di price+inventory di ToolsGroup funzioni senza intoppi su larga scala, supporremo che ci siano ancora lavori da compiere.

Scalabilità ed efficienza dei costi non possono essere trascurate in questa discussione. Alcuni fornitori (Blue Yonder, SAP) si affidano a architetture pesanti in memoria o a cloud di dati di terze parti che possono diventare molto costosi su larga scala. Un sistema veramente autonomo deve elaborare regolarmente enormi quantità di dati (segnali di domanda, stati dell’inventario, prezzi dei concorrenti, ecc.). Se ciò comporta bollette esorbitanti per il cloud compute o richiede hardware esotico, ciò rappresenta un ostacolo pratico all’autonomia (l’azienda sarà costretta a ridurre l’ambito della soluzione per controllare i costi, portando nella migliore delle ipotesi a un’automazione parziale). Come già detto, gli approcci basati su Snowflake potrebbero cadere in questa trappola – gli incentivi a ottimizzare il codice sono disallineati ¹⁴, per cui gli utenti potrebbero finire per pagare un premio per ogni piccola query. Nel frattempo, Lokad ha costruito il proprio motore focalizzato sulle prestazioni (con un linguaggio di programmazione personalizzato) per elaborare i dati in modo efficiente ²¹, e il modello in memoria di Kinaxis, pur essendo costoso, era almeno ottimizzato per la velocità. La domanda chiave: il fornitore sta trasferendo le inefficienze computazionali (e i relativi costi) al cliente? Se sì, ciò suggerisce che la soluzione potrebbe non scalare autonomamente – i clienti tenderanno a controllare quali dati inserire per evitare costi elevati, vanificando lo scopo di un’IA che dovrebbe inghiottire i dati.

Infine, è importante sottolineare che nessun fornitore ha un tasso di successo del 100%. Ciascuna di queste aziende ha avuto progetti falliti – la differenza risiede nel fatto che siano trasparenti in merito e imparino dai propri errori oppure li nascondano dietro facciate di marketing. Quando si valutano affermazioni tipo “miglioramento medio del X%” o “nessuna implementazione fallita”, bisogna essere estremamente cauti. Il caso Dillard’s vs i2 con una sentenza di 246 milioni di dollari contro i2 ¹⁰ è un esempio estremo ma serve a ricordare che affermazioni audaci possono portare a delusioni costose se la tecnologia non riesce a sostenerle. Noi preferiamo fornitori che presentano risultati specifici e misurabili, corredati da un contesto (ad es. “il cliente A nel settore elettronico ha migliorato il livello di servizio dal 92% al 96% per gli articoli a lento movimento, con una riduzione dello stock del 10% dopo 1 anno – utilizzando previsioni probabilistiche della domanda e ottimizzazione dei prezzi”). Affermazioni generiche come “stockout ridotti del 30%” senza un contesto (baseline, periodo, condizioni) sono praticamente prive di significato e probabilmente selettive o addirittura fittizie.

In conclusione, a partire dal 2025 il mercato mostra alcuni progressi legittimi verso l’ottimizzazione autonoma della supply chain. Alcune soluzioni si distinguono per essere tecnicamente robuste e lungimiranti. Lokad emerge come la nostra scelta migliore grazie al suo approccio olistico, basato sulla probabilità, e alle evidenze di eccellenza nella previsione – sembra infatti consentire un processo decisionale robotico in ambito di inventario e pricing, trattando la supply chain come un problema di ottimizzazione quantitativa da risolvere con il minimo intervento umano ²¹. RELEX e o9 non sono molto distanti, offrendo ciascuno forti credenziali in tema di IA e un design integrato (in particolare RELEX per il retail). ToolsGroup sta evolvendo in maniera ammirevole, riconoscendo la necessità di una logica unificata per prezzo/inventario, anche se la sua autonomia è buona solo quanto l’integrazione delle sue nuove acquisizioni. Aera Technology rappresenta un approccio complementare promettente – affronta autonomamente gli aggiustamenti in tempo reale nell’esecuzione, che potrebbe essere abbinato a un altro sistema per la pianificazione. Nel frattempo, le grandi suite legacy (Blue Yonder, SAP, Oracle) offrono ampiezza, ma continuano a richiedere una guida umana significativa, e pertanto andrebbero affrontate con cautela se l’obiettivo è una supply chain “a pilotaggio automatico” a bassa manodopera. Possono far parte di una strategia di supply chain digitale, ma aspettarsi che operino come un sistema autonomo probabilmente porterà a frustrazioni.

In definitiva, ottenere una supply chain autonoma è tanto un percorso quanto l’acquisto di un software. Anche la migliore piattaforma richiede la costruzione di fiducia – le aziende devono lasciare che gli algoritmi gestiscano il sistema per poter constatare i benefici, cosa che può rivelarsi culturalmente difficile. I fornitori in cima alla nostra classifica offrono gli strumenti per farlo, mentre quelli in fondo probabilmente ti trascineranno nuovamente in una gestione manuale delle emergenze nonostante tutte le promesse luccicanti. Raccomandiamo di concentrarsi su fornitori che enfatizzano modelli trasparenti e probabilistici, un’ottimizzazione economica, e che abbiano casi d’uso reali di automazione – e di esigere da qualsiasi fornitore spiegazioni concrete su come funziona la propria IA e su come sia stata validata (se non sono in grado di fornirle, sii molto scettico). In un ambito saturo di buzzword, attenersi a un approccio che cerca la verità, basato su evidenze, ti sarà molto utile. Dopotutto, gestire una supply chain “in pilota automatico” è un obiettivo allettante – ma solo se il pilota automatico è stato rigorosamente testato e dimostrato in condizioni turbolente, e non solo in un volo dimostrativo.

Note a piè di pagina