Perché i professionisti hanno ragione nell'ignorare questa visione dell’“AI Era” per la supply chain
Quando circa quaranta professori e figure dell’industria pubblicano una dichiarazione di visione per la supply chain nell’era dell’AI, ci si potrebbe aspettare qualcosa che aiuti un vero professionista della supply chain a prendere decisioni migliori il lunedì mattina.
Il documento a cui mi riferisco è Supply Chain Management in the AI Era: A Vision Statement from the Operations Management Community di Maxime Cohen, Tinglong Dai, Georgia Perakis e trentanove co‑autori. Nell’abstract si annuncia che la comunità dell’operations management (OM) ha “un ruolo e una responsabilità importanti” non solo nel plasmare come l’AI trasforma le supply chain, ma anche nel garantire che le supply chain che supportano l’AI siano “sostenibili, resilienti ed eque”. Successivamente, viene sviluppato un framework a cinque livelli—intelligence, execution, strategy, human, infrastructure—e viene fatta una panoramica di un vasto corpo di letteratura su OM e AI attraverso questo prisma.
Sulla carta, questo suona promettente. In pratica, è un’illustrazione quasi perfetta del motivo per cui i professionisti della supply chain hanno ragione a ignorare la maggior parte della produzione accademica nel nostro settore.
Nel mio recente libro Introduction to Supply Chain, definisco la supply chain come la capacità di gestire le opzioni in condizioni di incertezza nel flusso di beni fisici e sostengo che, in un’economia di mercato, l’obiettivo pratico della supply chain sia aumentare il tasso di rendimento corretto per il rischio di ogni risorsa scarsa con cui essa interagisce—capitale, capacità, tempo, buona volontà. Tutti i soliti desiderabili—maggiori livelli di servizio, tempi di consegna più brevi, trasporti più ecologici, dipendenti più soddisfatti—contano solo nella misura in cui contribuiscono al profitto a lungo termine espresso in valuta forte. La supply chain non è filosofia morale; è economia applicata che sopravvive o perisce secondo la contabilità.
Considerata questa prospettiva, questa “vision statement” fa scattare quasi tutte le bandiere d’allarme che ho imparato a diffidare nella scrittura accademica sulla supply chain: segnalazioni di virtù supra‑economiche, framework che non incidono sulle decisioni reali, una valanga di citazioni autoriferite e la persistente convinzione che un ulteriore livello di modellizzazione delle serie temporali più l’AI moderna possa in qualche modo redimere il paradigma di pianificazione che ha già fallito i professionisti per decenni.
Permettetemi di spiegare il perché.
Virtù Supra‑economiche e l’Etica dei Bilanci Altrui
La frase più rivelatrice dell’intero documento appare nell’abstract:
“La comunità dell’OM ha un ruolo e una responsabilità importanti nel guidare non solo il modo in cui l’AI trasforma le supply chain, ma anche il modo in cui le supply chain che rendono possibile l’AI vengono progettate per essere sostenibili, resilienti ed eque.”
La conclusione ripete lo stesso trio di virtù, dichiarando che l’OM dovrebbe guidarci verso supply chain che siano “più intelligenti, eque e sostenibili.”
Notate cosa succede qui. Prima di dirci a cosa servono le supply chain, gli autori indicano quali aggettivi dovrebbero possedere: sostenibili, resilienti ed eque. Non viene mai enunciato un obiettivo economico esplicito. Il profitto, la produttività del capitale, il rendimento corretto per il rischio—questi appaiono, se appaiono, solo indirettamente. Il documento presume semplicemente che “efficienza” e “resilienza” coesistano con una serie di obiettivi morali preferiti, e che sia dovere della comunità OM promuovere tutti questi aspetti contemporaneamente.
Nel Capitolo 4.4.5 del mio libro, “Supra‑economic goals”, uso questo termine—supra‑economic—per indicare proprio questo schema: appelli a fini che presumibilmente hanno la precedenza sulle “messe” considerazioni monetarie e che quindi giustificano il prevaricare sulla disciplina dei prezzi, dei costi e dei costi opportunità. Talvolta il tono è moralistico (“l’azienda dovrebbe promuovere un’agenda sociale oltre a servire i clienti”); talvolta è apocalittico (“un’imminente catastrofe richiede un immediato sacrificio della redditività”). In entrambi i casi, il meccanismo è lo stesso: il calcolo economico viene silenziosamente declassato, mentre la preoccupazione preferita dell’autore viene elevata al di sopra di esso.
Il problema non è che la sostenibilità o l’equità sarebbero irrilevanti. Il problema è che la scarsità non scompare solo perché le invochiamo. Ogni pallet, ogni ora/uomo e ogni moneta destinati a un obiettivo vengono sottratti ad un altro. Come affermo nel libro: invocare un fine superiore “non dissolve la scarsità; la semplicemente etichetta diversamente i trade‑off … non c’è alternativa a profitti e perdite.”
Se le emissioni di carbonio contano, devono entrare nel calcolo come costi—attraverso i prezzi del carbonio, le regolamentazioni, il comportamento dei clienti o il rischio per il marchio—affinché le decisioni alternative possano essere confrontate in un’unità comune. Se l’equità conta, dobbiamo specificare di chi è, a quale prezzo e con quali conseguenze, in modo da riflettersi nelle decisioni e poter essere verificata successivamente. Altrimenti, stiamo semplicemente abbellendo la discussione con degli aggettivi.
Eppure, il documento di visione dell’AI Era si accontenta di dichiarare che le supply chain “devono” essere sostenibili ed eque, senza mai specificare cosa significano operativamente questi termini, chi li finanzia e in che misura. Nella sezione sull’assistenza sanitaria, ad esempio, ci viene detto che le supply chain per la distribuzione devono operare sotto “stringenti vincoli di sicurezza ed equità.” Dal punto di vista etico, questo suona rassicurante; dal punto di vista della supply chain, è vuoto. Quanto è “abbastanza sicuro” il “sicuro”? Equità per quali gruppi di pazienti, a che costo in termini di produttività sacrificata, e rispetto a quali alternative? Nessun numero, nessun prezzo, nessun trade‑off.
Peggio ancora, il documento presenta questi obiettivi supra‑economici come una responsabilità della comunità OM sui bilanci altrui. È una cosa che un parlamento stabilisca tasse o standard di sicurezza dopo un dibattito democratico; è tutt’altra cosa che gli accademici dicano ai manager che hanno l’obbligo di progettare supply chain “eque” senza alcuna quantificazione esplicita di chi stanno ridistribuendo e a chi. La prima è politica; la seconda è, nel migliore dei casi, paternalismo e, nel peggiore, un silenzioso invito a tradire il dovere fiduciario verso azionisti, obbligazionisti, dipendenti e clienti che potrebbero non condividere le stesse priorità.
Una volta accettato che qualsiasi causa possa rivendicare una priorità supra‑economica, non esiste alcun principio limitante. Come sottolineo nel libro, la storia è disseminata di aziende che si sono entusiasticamente allineate con cause poi riconosciute come disastrose—dalle assunzioni apertamente discriminatorie al sostegno benefico all’eugenetica—armate al tempo di un impressionante “consenso scientifico.” In ogni caso il calcolo economico è stato subordinato alla retorica supra‑economica; in ogni caso, risorse preziose sono state sprecate e avrebbero potuto essere impiegate per servire meglio i clienti.
Il virtue signaling supra‑economico non è un ornamento innocuo. È un fallimento etico a sé stante, perché offusca il giudizio sui trade‑off mentre spende risorse che non spettano agli autori. Una “vision” per la supply chain che inizia e finisce con tale segnalazione insegna alla prossima generazione di professionisti che dovrebbero ottimizzare per aggettivi piuttosto che per le conseguenze in valuta forte delle loro decisioni.
Frameworks, Layers, and the Appearance of Depth
Il secondo marchio distintivo di questo documento è il suo amore per i framework e le citazioni.
Dopo l’abstract, gli autori annunciano che struttureranno la loro discussione attorno a cinque “layers” di interazione tra l’AI e la supply chain management: intelligence, execution, strategy, human e infrastructure. Ogni layer riceve così la propria sezione, e il resto del documento è organizzato secondo questa classificazione.
Non c’è nulla di intrinsecamente sbagliato nella tassonomia. La domanda è sempre: quali decisioni cambierebbero perché ora adottiamo questa particolare tassonomia anziché un’altra? Se, domani, riducessimo i cinque layers a tre, o li dividessimo in otto, un singolo ordine d’acquisto, trasferimento o prezzo sarebbe diverso? Gli autori non tentano mai di rispondere a questa domanda. Il framework agisce come un archivio per idee preesistenti; non diventa uno strumento per prendere decisioni.
I professionisti hanno già visto questo scenario. In Introduction to Supply Chain dedico alcune pagine a come la “pianificazione” sia diventata lo slogan di marketing per i sistemi aziendali negli anni ‘90, anche quando contenevano ben poco più di previsioni delle serie temporali e semplici formule per lo stock di sicurezza. I fornitori di ERP, seguiti da quelli di APS, hanno rilanciato la registrazione generica dei dati come “integrated planning”, poi “advanced planning” e, più recentemente, come “digital twins” e “control towers”. La terminologia è cambiata; i fogli di calcolo e i flussi di lavoro amministrativi sottostanti no.
L’architettura a cinque layers di questo documento sembra un altro giro della stessa ruota. Crea l’impressione di profondità, ma non ci sono evidenze che conduca a decisioni differenti, a una migliore automazione o a una maggiore efficienza economica. Una tassonomia che non modifica ciò che accade sul pavimento del magazzino o durante il rifornimento è, dal punto di vista di un professionista, un ornamento, non un progresso.
Lo stesso vale per la lista dei riferimenti e il modo in cui essa viene utilizzata. Il documento sottolinea di essere nato da un “esteso processo collaborativo” che ha coinvolto 42 ricercatori, professionisti e leader tecnologici, molti dei quali contribuiscono anche al prossimo libro degli autori AI in Supply Chains: Perspectives from Global Thought Leaders. I riferimenti poi fanno fortemente affidamento su quello stesso circuito: molteplici citazioni di Cohen, Dai, Perakis e dei loro co‑autori, insieme a un gruppo di working papers recenti e articoli in stampa redatti dal team.
Ancora una volta, non c’è nulla di illegittimo nel citare il proprio lavoro. Il problema è che l’enorme ampiezza della lista viene presentata come una sorta di prova in sé. Ai professionisti viene offerta una parata di titoli—“How machine learning will transform supply chain management,” “Using AI to detect panic buying,” “Large language models for supply chain optimization”—senza essere spiegato come ciascuno di questi lavori si comporta quando applicato a dati aziendali completi, disordinati, generando decisioni non supervisionate e venendo valutato in base a profitti e perdite reali.
Se gestisci una rete di fabbriche e magazzini, non ti interessa quante pubblicazioni esistono su un argomento. Ti interessa sapere se esiste una ricetta numerica che puoi applicare ai tuoi dati, sotto i tuoi vincoli, che renderà gli ordini d’acquisto, i trasferimenti e i prezzi di domani migliori, in termini di liquidità, rispetto a quelli di ieri. Per questo, un’unica implementazione sul campo ben documentata, con risultati economici completi e limiti chiari, vale più di una dozzina di vision statements e cinquanta citazioni.
Il documento dell’AI Era offre il primo in una forma solo superficiale e aneddotica. Una sezione su “Optimal Machine Learning” menziona due casi di studio di aziende Fortune‑150 in cui, a detta di una società di consulenza, si sarebbero migliorati i livelli di servizio e ridotti i costi di inventario. Al lettore non vengono forniti dati di riferimento, controtipi o dettagli sul capitale totale impiegato o sul profilo di rischio prima e dopo. In altri “spotlights” del settore, ci viene detto che JD.com ha creato un forte team analitico e usato l’AI per spiegare le previsioni alla direzione, o che le organizzazioni umanitarie possono impiegare l’AI per un miglior pre‑posizionamento delle scorte. Tutto ciò potrebbe essere vero; nulla, però, va oltre il livello di un depliant pubblicitario.
Dall’esterno, sembra un circuito chiuso: un cerchio di autori che si citano a vicenda e citano i propri studenti a sostegno di un framework già concordato, con l’occasione di qualche storia di un professionista qua e là. Per gli accademici, questo potrebbe rappresentare il modo in cui un campo segnala la propria attività. Per i professionisti, invece, significa che nulla qui li aiuterà a decidere quanto acquistare la prossima settimana.
AI, Previsioni e il Vecchio Equilibrio della Pianificazione
Il cuore del documento—il “layer intelligence”—è dedicato all’AI stessa. Qui, gli autori descrivono come il machine learning migliori le previsioni, come il reinforcement learning possa essere utilizzato per il controllo dell’inventario, come un paradigma emergente chiamato “decision‑focused AI” incorpori obiettivi di ottimizzazione nella funzione di perdita, e come i large language models (LLMs) possano fornire interfacce in linguaggio naturale e “agentic reasoning via chain‑of‑thought” per complessi problemi della supply chain.
Molto di ciò è tecnicamente accurato in un senso ristretto. Il machine learning può, infatti, incorporare molte funzionalità; il reinforcement learning può, infatti, apprendere politiche in simulazione; gli LLM possono, infatti, analizzare e generare testo attorno a modelli di ottimizzazione. La questione non è se questi strumenti esistano; è se il loro uso, così come descritto nel documento, affronti le reali debolezze strutturali del paradigma di pianificazione nella supply chain.
Non lo fa.
Le previsioni sono un buon esempio. Gli autori affermano che il machine learning “migliora l’accuratezza delle previsioni,” e che previsioni avanzate della domanda possono basarsi su “centinaia di variabili dinamiche provenienti sia da dataset interni che esterni.” Successivamente, nella loro discussione riguardante l’AI decision‑focused, riconoscono che i tradizionali flussi “predict‑then‑optimize” possono disallineare la previsione dalla decisione, e propongono di addestrare i modelli direttamente sui costi delle decisioni a valle.
Tutto ciò procede come se il problema fondamentale delle previsioni per la supply chain fosse la mancanza di sofisticazione nei modelli a serie temporali. Non è così.
Nel libro, dedico un’intera sezione al motivo per cui il paradigma delle serie temporali è strutturalmente inadatto alle decisioni aziendali. Una serie temporale comprime una storia di transazioni in una sequenza di numeri indicizzata per fasce temporali. Tale rappresentazione è soggetta a perdite informative in modi rilevanti. Due strutture di domanda possono produrre serie di vendite settimanali identiche—una in cui mille clienti indipendenti acquistano ciascuno una unità alla settimana, e una in cui un unico grande cliente acquista tutte le mille unità. Nel primo caso, la domanda collassa lentamente; nel secondo, può crollare da un giorno all’altro. La serie settimanale non le distingue, ma il rischio di inventario è radicalmente diverso.
Allo stesso modo, un prodotto che vende dieci unità a settimana potrebbe essere composto da dieci piccoli gruppi o da un grande insieme. La serie temporale sarebbe identica; la posizione di stock sensata differirebbe di un fattore di quattro o più. Le previsioni basate sulle serie temporali, per quanto sofisticate, non possono recuperare informazioni che l’aggregazione stessa ha distrutto. Non si tratta di aggiungere più funzionalità o reti più profonde; la rappresentazione è inadeguata per la decisione.
Il documento non si confronta mai con questa critica strutturale. Assume semplicemente, come in innumerevoli documenti precedenti, che una migliore previsione delle serie temporali sia il collo di bottiglia centrale nella supply chain e che il machine learning sia la risposta naturale. Il breve cenno alle perdite focalizzate sulla decisione è incrementale: i modelli ora ottimizzano una funzione di perdita più rilevante, ma vengono comunque addestrati sullo stesso oggetto.
Peggio ancora, quando il documento affronta criteri decisionali specifici, si limita a citare i soliti sospetti: livelli di servizio e costi di inventario. OML viene elogiato per aver “significativamente” migliorato i livelli di servizio e ridotto i costi di inventario negli studi di caso. La questione economica fondamentale—quanto capitale dovrebbe essere impegnato per quali opzioni, in base a quale profilo di rischio—non viene mai formulata esplicitamente.
Nel libro, chiamo le formule per lo stock di sicurezza “hazardous stocks” e osservo che esse rappresentano un banco di prova per la palese incompetenza nella supply chain. Queste formule si basano sulla scelta di un livello di servizio target—ad esempio, il 95%—e sul trattare quella percentuale come se avesse una connessione intrinseca al profitto. Non è così. Il livello di servizio è un surrogato per un compromesso in termini monetari tra il dolore da esaurimento scorte e il costo di possesso. A meno che non valutiamo entrambi i lati e computiamo esplicitamente il compromesso, puntare al “95%” o “97%” equivale a numerologia. Come ho anche osservato, il livello di servizio è diventato un classico KPI “fuggitivo”: un proxy che si è liberato dalle sue radici economiche e ora comanda l’organizzazione, mentre nessuno è costretto a indicare i prezzi effettivi.
Il documento AI Era non mette in discussione questa cultura dei KPI; vi integra l’IA. Le previsioni vengono migliorate; le politiche di inventario possono essere adeguate; i livelli di servizio diventano un po’ più alti e l’inventario un po’ più basso—and ci viene detto che questo è progresso. Non si fa alcun riferimento ai tassi di rendimento aggiustati per il rischio, a come le opzioni vengano valutate in presenza di un vincolo sul capitale circolante, o a come la performance dei modelli venga giudicata al confine in cui le raccomandazioni vengono reintegrate nell’ERP e il denaro realmente si muove.
Il trattamento dei large language models è un altro esempio. Il documento suggerisce che gli LLM “promettono di rendere gli strumenti di pianificazione avanzata più accessibili” e possono fornire interfacce in linguaggio naturale che “democratizzano l’accesso agli strumenti avanzati per il processo decisionale.”
Nel libro, sostengo che i modelli di linguaggio generalmente consumano ordini di grandezza di computazione superiori rispetto ad algoritmi specializzati che svolgono lo stesso compito e che è improbabile siano competitivi per l’elaborazione di dati numerici. Il loro ruolo legittimo nella supply chain è limitato: accelerare la scrittura e la manutenzione di ricette numeriche e documentazione, ed estrarre caratteristiche da testi non strutturati. Utilizzarli come motori previsionali è esplicitamente fuorviante: sono “mal adatti alla previsione di serie temporali—o al lavoro numerico di qualsiasi tipo” e offrono performance scarse, a costi elevati, rispetto ai modelli statistici di base.
Il documento visionario, ancora una volta, si allinea alla moda: gli LLM diventano problem solver “agentic” in grado di aiutare ad ottimizzare le politiche di reinforcement learning e di ragionare tramite chain‑of‑thought riguardo a complesse decisioni di supply chain. Non vi è alcuna discussione seria sull’affidabilità numerica, sul costo, o sul punto fondamentale che i generatori di testo stocastici rappresentano una base molto debole per impegni non supervisionati che coinvolgono milioni di dollari di inventario.
Privato del suo luccichio di IA, ciò che il documento offre è lo stesso equilibrio di pianificazione che ha dominato per decenni: previsioni come serie temporali, piani come insiemi di serie temporali, livelli di servizio come talismani, persone che convalidano i risultati. L’IA è invitata a sedersi in cima a questo stack come miglioratore, non per sfidare le sue premesse.
Perché i professionisti (e dovrebbero) guardare altrove
Niente di tutto ciò avrebbe importanza se il documento fosse semplicemente un esercizio accademico. Ma è esplicitamente proposto come guida per practitioner ed educatori. I suoi autori concludono con appelli a ricercatori, leader del settore e università, invitandoli a costruire curricula incentrati sulla collaborazione umano–AI, a sviluppare quadri di governance per implementazioni di IA “etica”, e a progettare supply chain che migliorino “resilienza, produttività e benessere sociale.”
La difficoltà è che il modello mentale sottostante non lascia mai il comfort dell’aula del seminario.
Non si insiste che le tecniche vengano testate su intere, caotiche e disordinate fette di dati aziendali, con decisioni non supervisionate e valutate rispetto a un benchmark monetario. Non si insiste che le preoccupazioni supra‑economiche vengano tradotte in prezzi, regolamenti o rischi quantificati prima che possano prevalere sul profitto. Non si insiste che i quadri concettuali siano giustificati dai cambiamenti concreti che inducono nelle emissioni—ciò che viene acquistato, spostato e prezzato—e non dal numero di diapositive che possono riempire.
Nel Capitolo 6.2 del mio libro, quando si discute di intelligenza generale e del ruolo del software nella supply chain, sottolineo che molti modelli pubblicati trattano le scelte progettuali cruciali—obiettivo, vincoli, opzioni ammissibili—come implicite. Operano all’interno di enigmi ordinati e delimitati, lasciando fuori scena la parte disordinata, quella per cui gli imprenditori in realtà vengono pagati. La soluzione è concettualmente semplice, sebbene difficile in pratica: esprimere l’obiettivo economico in termini monetari, enumerare le opzioni ammissibili, definire le condizioni di arresto, e infine scomporre il lavoro in sotto‑problemi delimitati che le macchine possono risolvere.
La dichiarazione di visione AI Era non fa ciò. Parte da aggettivi non prezzati, accumula una classificazione, esamina una letteratura per lo più scritta dai suoi stessi autori e dai loro pari, e poi invoca ancora lo stesso sotto il vessillo dell’IA. È eloquente, sincera e, per chiunque cerchi di gestire una supply chain, quasi interamente fuori tema.
È per questo che i practitioner ignorano questo tipo di lavoro. Non perché siano anti‑intellettuali, ma perché hanno imparato, spesso a proprie spese, che quadri teorici senza funzioni obiettivo, previsioni senza un’onesta discussione dei limiti di rappresentazione, IA senza un metro economico, ed etica senza prezzi convergono tutte nello stesso punto: presentazioni impressionanti, progetti pilota modesti e nessun incremento duraturo del tasso di rendimento dell’azienda.
Se il mondo accademico vuole tornare a contare nella supply chain, dovrà invertire il modello illustrato così chiaramente da questo documento. Iniziare dall’economia, non dagli aggettivi. Tradurre le preoccupazioni—ambientali, sociali o altro—in compromessi espliciti invece che in slogan morali. Giudicare i modelli in base alle loro performance su dati disordinati, sotto vincoli reali, con decisioni non supervisionate e denaro in gioco. Accettare che la pianificazione delle serie temporali è, per molti problemi, una strada senza uscita, e che l’IA non è un fertilizzante magico per un paradigma difettoso.
Fino ad allora, i practitioner non sono soltanto giustificati nell’ignorare tali dichiarazioni di visione. Stanno agendo con prudenza.
