Revisione di Manhattan Associates, Supply Chain e fornitore di software per il commercio omnichannel

Di Léon Levinas-Ménard

Ultimo aggiornamento: dicembre, 2025

Manhattan Associates è un fornitore statunitense di software quotato in borsa con sede ad Atlanta, fondato nel 1990 e storicamente noto per il suo sistema di gestione magazzino PkMS basato su AS/400, prima di espandersi in un ampio pacchetto “supply chain commerce” che copre la gestione del magazzino, la gestione dei trasporti, la gestione degli ordini, il punto vendita, l’inventario nei negozi e, più recentemente, la pianificazione cloud-native e le estensioni AI “agentic”. Il fulcro dell’offerta attuale è la piattaforma Manhattan Active: uno stack SaaS multi-tenant in esecuzione su Google Cloud, costruito attorno a più di 250 microservizi Java/Spring orchestrati su Kubernetes, che espongono API REST e sono progettati per essere “versionless” (rilascio continuo senza aggiornamenti dirompenti) in tutti i moduli WMS, TMS, OMS e di pianificazione. Manhattan colloca la sua ottimizzazione come integrata in queste applicazioni: ottimizzazione continua dei trasporti con un “motore di ottimizzazione adattivo” proprietario, pianificazione della domanda e delle scorte tramite un livello “ibrido AI” (UFM.ai) che combina machine learning con regole ed euristiche, e nuovi assistenti basati su agenti per i flussi di lavoro di pianificazione. Con oltre 3.000 dipendenti, migliaia di clienti nei settori del retail, della logistica, della manifattura e altri, e ricavi annui nell’ordine di circa $1–1.2bn, Manhattan è un attore consolidato nell’APS/SCM. Tuttavia, i materiali tecnici pubblici rimangono fortemente orientati al marketing: i dettagli sugli algoritmi di ottimizzazione, la profondità della modellazione probabilistica e l’effettiva architettura AI sono scarsi, e non esiste alcuna evidenza peer-reviewed o in stile benchmark paragonabile a quella pubblicata da alcuni fornitori specialistici. La tecnologia di Manhattan è chiaramente moderna da un punto di vista dell’ingegneria cloud, ma quanto le sue capacità di AI/ottimizzazione vadano oltre sofisticati sistemi transazionali basati su regole rimane, secondo le fonti pubbliche, solo parzialmente dimostrabile.

Panoramica di Manhattan Associates

Manhattan Associates è stata fondata nel 1990 e ha sede ad Atlanta, Georgia, inizialmente focalizzata sulla gestione dei magazzini per la distribuzione e il retail, per poi espandersi progressivamente nell’esecuzione della supply chain e nel commercio omnichannel.¹²³⁴ È quotata al NASDAQ con il ticker MANH, servendo clienti in tutto il mondo (Americhe, EMEA e APAC) in settori che includono retail, beni di consumo, alimentare e drogheria, fornitori di servizi logistici, industriale e all’ingrosso, high tech e scienze della vita.⁴⁵

Storicamente, il prodotto di punta di Manhattan era PkMS, un WMS basato su AS/400 che divenne ampiamente adottato alla fine degli anni ‘90.³⁶ Col tempo, PkMS si è evoluto nella linea WMOS (Warehouse Management Open Systems), integrata da TMS e altri moduli di esecuzione.⁶ Nell’ultimo decennio, Manhattan ha fatto una svolta verso Manhattan Active®, una piattaforma cloud-native progettata per fornire un ambiente unificato per la gestione dei magazzini, dei trasporti, degli ordini e della gestione del personale, con Active Supply Chain e Active Omni come due famiglie principali.⁷

Manhattan riporta migliaia di clienti a livello globale e diverse migliaia di dipendenti; un recente profilo di lavoro cita circa 3.400 dipendenti e descrive oltre 30 anni di sviluppo tecnologico per “supply chain, inventario e omnichannel.”⁴⁸ In termini di ricavi, un’aggregazione Macrotrends riporta ricavi negli ultimi dodici mesi di circa $1.05bn a Q3 2024,⁶ mentre un riepilogo Webull del Form 10-K 2024 di Manhattan riporta $1.23bn di ricavi (+12% anno su anno).⁹ La discrepanza sembra derivare da diverse finestre temporali e, possibilmente, da arrotondamenti, ma entrambe le fonti collocano Manhattan saldamente nel range del miliardo di dollari a cifra singola—un consolidato fornitore di software orientato all’esecuzione, piuttosto che una startup in fase iniziale.

Il portafoglio attuale è posizionato come una piattaforma di “supply chain commerce”: Manhattan Active Supply Chain (WMS, TM, Yard, Labor), Manhattan Active Omni (OMS, POS, customer service) e Manhattan Active Supply Chain Planning (domanda, inventario, allocazione e rifornimento).⁴⁷¹⁰ Inoltre, Manhattan ha recentemente introdotto componenti Agentic AI che incorporano agenti conversazionali e orientati ai flussi di lavoro all’interno di questi prodotti, commercializzati come “Manhattan Active Agentic AI Solutions.”¹¹¹²¹³

Manhattan Associates vs Lokad

Dal punto di vista della pianificazione della supply chain, Manhattan e Lokad occupano posizioni che si sovrappongono, ma strutturalmente diverse. Manhattan è un fornitore aziendale ampio, i cui principali punti di forza sono nell’esecuzione e nei flussi omnichannel—gestione del magazzino, gestione dei trasporti, orchestrazione degli ordini e unificazione store/online—fornite attraverso una grande piattaforma cloud-native basata su microservizi, concepita per essere vicina ai sistemi operativi (WMS/TMS/OMS/POS).⁷¹⁴¹⁵¹⁰ Lokad, invece, è una piattaforma specializzata di ottimizzazione predittiva: offre un linguaggio specifico di dominio (Envision) e un motore di previsione/ottimizzazione probabilistica il cui unico scopo è produrre decisioni finanziariamente ottimizzate nella supply chain (ordini, allocazioni, piani di produzione, prezzi) sopra gli ERP e WMS/TMS esistenti.¹⁶¹⁷¹⁸

Dal punto di vista tecnico, lo stack Manhattan Active di Manhattan è un ambiente SaaS multi-tenant in esecuzione su Google Cloud, con oltre 250 microservizi implementati principalmente in Java/Spring Boot, containerizzati con Docker e orchestrati su Kubernetes.⁷¹⁴⁸ L’architettura enfatizza aggiornamenti versionless, alta disponibilità e integrazione tramite API REST, con servizi a livello di piattaforma per l’autenticazione, il monitoraggio e l’automazione del ciclo di vita.⁷¹⁹²⁰ L’architettura di Lokad, invece, si concentra su un DSL personalizzato eseguito in un runtime distribuito, con un data store basato su event sourcing e modelli probabilistici proprietari e algoritmi di ottimizzazione; la sua interfaccia web è essenzialmente un front-end per l’ambiente di programmazione Envision e i dashboard risultanti.¹⁷¹⁸ L’enfasi è posta sulla programmabilità e modellazione white-box piuttosto che su un catalogo di applicazioni transazionali pre-costruite.

Dal punto di vista analitico, le affermazioni di Manhattan in materia di pianificazione e ottimizzazione sono integrate all’interno dei singoli moduli. Manhattan Active TM utilizza un “motore di ottimizzazione adattivo” e il machine learning per regolare continuamente i parametri per la pianificazione dei trasporti multi-modali e la riottimizzazione in tempo reale, ma la documentazione pubblica rimane a un livello concettuale e non espone le classi di modelli effettive, le funzioni obiettivo o se vengano utilizzate distribuzioni complete di domanda/tempi di consegna.¹⁰²¹²²¹¹ Manhattan Active Supply Chain Planning pubblicizza analogamente il “hybrid AI”—una combinazione di modelli statistici, ML e regole di business—e un livello UFM.ai, ma ancora una volta i dettagli della struttura probabilistica sottostante, se presenti, sono scarsi.²³²⁴²⁵ Lokad, invece, si posiziona esplicitamente sull’previsione probabilistica e l’ottimizzazione quantitativa, con documentazione pubblica di modelli quantili/distributivi, la sua algebra di variabili casuali Envision e un curriculum nella competizione M5 di forecasting (n. 5 a livello complessivo, n. 1 a livello di SKU).¹⁶¹⁸²⁶

In termini di modello di distribuzione e operatività, Manhattan tipicamente si impegna in grandi progetti di implementazione eseguiti con o da integratori di sistema (ad es. 4SiGHT, JBF Consulting) che configurano Manhattan Active WMS/TMS/OMS per adattarsi alle reti di magazzino e trasporto, mentre le capacità di pianificazione sono consumate come parte di quelle applicazioni.⁷²⁷¹¹ Lokad tende a impegnarsi tramite i propri “supply chain scientists,” creando programmi Envision personalizzati che coesistono con gli attuali WMS/TMS/ERP, trasmettendo le decisioni indietro tramite file o API; la piattaforma stessa è relativamente limitata in ambito (nessuna esecuzione WMS/TMS) ma offre maggiore flessibilità nella modellazione. La proposta di valore di Lokad è incentrata su ottimizzazione finanziaria decision-centric; quella di Manhattan è più ampia—integrando esecuzione, flussi omnichannel e una certa ottimizzazione incorporata—al costo di capacità di modellazione meno trasparenti e meno specifiche per il dominio.

Per un acquirente che cerca principalmente esecuzione end-to-end e orchestrazione omnichannel con un’ingegneria cloud moderna, Manhattan offre una suite completa e una lunga esperienza nelle implementazioni di WMS/TMS. Per un acquirente il cui problema principale è l’ottimizzazione quantitativa in condizioni di incertezza (ad esempio, inventario, produzione, pricing) e che è disposto a investire in un ambiente di modellazione programmabile, l’architettura e lo stack documentato di ottimizzazione/probabilità di Lokad risultano più specializzati e trasparenti. Dalle evidenze pubbliche, le affermazioni di Manhattan in materia di AI e ottimizzazione appaiono più incrementali—miglioramenti integrati al comportamento tradizionale degli APS—mentre Lokad ha orientato fin dall’inizio l’intera sua piattaforma sull’ottimizzazione decisionale probabilistica.¹⁰²³¹⁶¹⁸²⁶

Storia aziendale ed evoluzione

Manhattan Associates ha origini che risalgono al 1990; diverse fonti concordano su questa data di fondazione e su Atlanta come sede centrale.¹²⁴⁵²⁸ Iniziative di marketing e un articolo stampa incentrato su AS/400 mostrano PkMS come un sistema di gestione magazzino progettato per supportare grandi volumi di transazioni e ottimizzare la ricezione, lo stoccaggio e la distribuzione dell’inventario — in sostanza, un primo WMS per centri di distribuzione ad alto volume.³⁶

Negli anni ‘90 e nei primi anni 2000, Manhattan ha ampliato la sua offerta oltre PkMS includendo WMOS (open systems), la gestione dei trasporti e altri moduli di esecuzione, internazionalizzando al contempo la sua base clienti.²⁶ L’azienda è diventata pubblica sul NASDAQ alla fine degli anni ‘90, e nel decennio successivo è stata riconosciuta come fornitore di WMS/TMS in quadranti analitici e rapporti di settore (i dettagli sono omessi qui in quanto aggiungono poco in termini di approfondimento tecnico).

La svolta strategica nell’ultimo decennio è stata verso Manhattan Active®, marchiata come una piattaforma unificata e cloud-native per il “supply chain commerce.”⁷ Il partner terzo 4SiGHT descrive Manhattan Active come l’integrazione della gestione di magazzino, trasporti, ordini e forza lavoro in un’architettura a microservizi, posizionando la piattaforma come il percorso futuro per i clienti esistenti di WMOS e SCALE.⁷ Le pagine “Our Story” e “About Us” di Manhattan rafforzano questa evoluzione: da specialista WMS a fornitore di software per il “supply chain commerce” a tutto tondo, con Active Supply Chain e Active Omni al centro.¹⁴

Dal punto di vista finanziario, Manhattan è cresciuta costantemente fino a raggiungere una fascia di ricavi da miliardi di dollari. Macrotrends riporta ricavi degli ultimi dodici mesi pari a circa $1.046bn a Q3 2024, con un aumento del 13% anno su anno,⁶ mentre un riepilogo Webull del Form 10-K 2024 di Manhattan riporta $1.23bn di ricavi (+12% anno su anno).⁹ In assenza di un’ispezione diretta del PDF del 10-K qui, le due cifre riflettono finestre temporali differenti (TTM vs anno fiscale completo) ma sono coerenti nel collocare Manhattan approssimativamente in una capitalizzazione di mercato a cifra singola e ricavi da miliardi di dollari.

Oggi, Yahoo Finance e StockAnalysis descrivono Manhattan come un fornitore globale di software per la supply chain e il commercio omnichannel, che serve settori tra cui retail, fornitori di servizi logistici, beni di consumo, industriale, high-tech e governo.⁴⁵ Una recente descrizione di lavoro rafforza questo, affermando che da “oltre 30 anni” l’azienda costruisce soluzioni per “i problemi aziendali più complessi nella supply chain, nell’inventario e nell’omnichannel.”⁸ In breve, Manhattan è un fornitore di software aziendale maturo e orientato all’esecuzione, e non una startup AI recente.

Portafoglio prodotti e focus sulla supply chain

Manhattan Active Supply Chain (WMS, TM, Yard, Labor)

Gestione Magazzino. Manhattan Active Warehouse Management (MAWM) è il WMS cloud di punta di Manhattan. Manhattan lo descrive come un WMS “cloud-native, versionless, basato su microservizi” progettato per supportare l’automazione, la robotica e operazioni omnichannel ad alto volume.¹⁵²⁰ La brochure ufficiale lo definisce “l’ultimo WMS di cui avrai mai bisogno,” enfatizzando la scalabilità elastica, gli aggiornamenti senza downtime e l’estensibilità tramite API e livelli di configurazione.²⁰ Un’analisi indipendente di ExploreWMS sottolinea analogamente che MAWM è multi-tenant, ospitato in cloud, e particolarmente rivolto a magazzini grandi e complessi, con funzionalità che includono la gestione del personale, lo slotting e il controllo in tempo reale dell’automazione.²⁷

Gestione dei Trasporti. Manhattan Active Transportation Management (MATM) sostituisce il precedente TMS on-premise di Manhattan. Manhattan posiziona MATM come un TMS unificato e cloud-native in grado di gestire la pianificazione strategica, tattica e operativa attraverso diverse modalità (parcel, LTL, TL, intermodale), con pianificazione globale a più tratte, gestione dei vettori e verifica delle spedizioni.¹⁰ Una pagina dedicata alla “continuous optimization” spiega che MATM esegue continuamente un motore di ottimizzazione adattivo, riottimizzando le spedizioni mano a mano che arrivano nuovi ordini, eventi e vincoli, piuttosto che in rigide esecuzioni batch.²¹

Gestione Area, Lavoro e Vettori. Manhattan Active Yard Management e Labor Management, così come Carrier Management, sono anch’essi forniti come microservizi all’interno di Manhattan Active Supply Chain, sebbene le informazioni tecniche oltre le funzionalità operative (schedulazione dei cancelli, interleaving dei compiti, monitoraggio delle prestazioni) siano relativamente standard nell’ambito degli APS/WMS.⁴¹⁵

Manhattan Active Omni (OMS, POS, Customer Service)

Gestione degli Ordini e Unificazione Negozio/Online. Manhattan Active Omni copre la gestione degli ordini (OMS), l’inventario e l’evasione nei negozi, il POS e il servizio clienti. I materiali di Manhattan enfatizzano una visione unificata di ordini e inventario su tutti i canali, con logica DOM (distributed order management) per decidere tra spedizione dal negozio o dal centro di distribuzione, e supporto per BOPIS, curbside, ecc.⁷ La panoramica di 4SiGHT sottolinea esplicitamente che Manhattan Active fornisce “una visione unica del cliente e degli ordini e una visione unica dell’inventario con un modello di integrazione standard,” riducendo la necessità di soluzioni separate.⁷

Da un punto di vista supply-chain, Omni riguarda più l’orchestrazione e l’esecuzione che una profonda ottimizzazione: DOM basato su regole e priorizzazione configurabile, ma nessuna evidenza tecnica pubblica dettagliata di un’ottimizzazione probabilistica avanzata nello strato OMS.

Manhattan Active Supply Chain Planning (SCP)

Moduli di Pianificazione. Manhattan Active SCP include forecasting della domanda, ottimizzazione dell’inventario, rifornimento e allocazione e (in alcuni materiali) pianificazione di promozioni e assortimenti. Manhattan descrive la suite come impiegante “hybrid AI”—una combinazione di machine learning, ottimizzazione matematica e regole di business—per generare piani.¹⁰²³²⁴

Il modulo di previsione della domanda è concepito per utilizzare ML e AI per tenere conto della stagionalità, delle promozioni e dei fattori causali, con integrazione al rifornimento e all’allocazione per “completare il ciclo.”²³²⁵ Materiali di marketing e un e-book (“Chasing Perfection”) descrivono un UFM.ai che funge da “cervello” per la domanda, l’inventario e il flusso degli ordini, alimentando SCP nonché i sistemi di esecuzione.²⁴ Tuttavia, Manhattan non rivela dettagli algoritmici specifici: classi di modelli, struttura probabilistica (se presente) o come le previsioni vengano tradotte in decisioni economiche non sono esplicitate pubblicamente.

Il commento indipendente (ad es., la copertura di SupplyChainBrain su Manhattan Active SCP) riformula in gran parte le stesse affermazioni di Manhattan sul “hybrid AI” e mette in evidenza benefici quali previsioni più accurate e maggiore produttività dei pianificatori, ma ancora una volta contiene poca profondità tecnica oltre a “usa AI e ML.”²⁵

Soluzioni di Agentic AI

Nel 2024–2025 Manhattan ha introdotto Manhattan Active Agentic AI Solutions, commercializzato come assistenti “agentic AI” integrati in Manhattan Active.¹¹¹² Comunicato stampa afferma che queste soluzioni utilizzano molteplici agenti AI—ad esempio, per la pianificazione, il monitoraggio dell’esecuzione e l’analisi delle cause profonde—che possono collaborare per proporre azioni, e che sfruttano modelli linguistici di grandi dimensioni e la conoscenza di settore di Manhattan.¹¹¹²

Un riassunto di DCVelocity osserva che le soluzioni Agentic AI si collocano sopra Manhattan Active e includono una “agent foundry” per configurare e distribuire agenti per flussi di lavoro specifici.¹³ Un altro articolo di settore spiega che questi agenti possono, ad esempio, identificare anomalie nella domanda, suggerire azioni di mitigazione e aiutare i pianificatori a navigare in scenari complessi.²³

Dalle informazioni pubbliche, queste funzionalità agentiche appaiono come augmentations a livello di flusso di lavoro—assistenti guidati da LLM integrati nelle interfacce utente di pianificazione ed esecuzione—piuttosto che cambiamenti fondamentali nei motori di ottimizzazione di Manhattan. Non esiste documentazione tecnica su come questi agenti si integrino con l’ottimizzazione sottostante o se possano modificare gli obiettivi o i vincoli dell’ottimizzazione.

Architettura tecnica e stack

Piattaforma cloud e microservizi

Manhattan Active è descritto come una piattaforma cloud-native, basata su microservizi e senza versioni. Un articolo dettagliato del partner 4SiGHT afferma che Manhattan Active è costruito come una raccolta di microservizi deployabili indipendentemente, più di 250 in totale, raggruppati in soluzioni come Active Omni e Active Supply Chain.⁷ Sottolinea l’uso di Java, del framework Spring, Docker e Kubernetes, e nota che la piattaforma espone API REST per l’integrazione, con una documentazione estesa per le operazioni aziendali e sui dati.⁷

Un blog di Google Cloud spiega ulteriormente che Manhattan ha ricostruito la sua piattaforma su Google Cloud, sfruttando Google Kubernetes Engine (GKE) insieme ad altri servizi GCP, e che le sue applicazioni sono deployate come microservizi attraverso cluster GKE.¹⁴ La documentazione di rete di Manhattan conferma che Manhattan Active è offerto come SaaS su Google Cloud, utilizzando cluster GKE dietro il bilanciamento del carico di Google Cloud e il networking di Virtual Private Cloud.¹⁹

Il materiale informativo WMS sottolinea che tutte le soluzioni di Manhattan Active sono “senza versioni”: i clienti utilizzano sempre il codice più recente, con aggiornamenti continui applicati senza aggiornamenti dirompenti.¹⁵²⁰ Ciò è coerente con un modello SaaS multi-tenant in cui il software viene continuamente distribuito e non esiste il concetto di ritardo di versione per cliente.

Stack tecnologico da evidenze di sviluppatori e annunci di lavoro

L’articolo di 4SiGHT e un annuncio per Senior Software Engineer forniscono un’idea concreta dello stack di sviluppo di Manhattan. 4SiGHT afferma che per comprendere Manhattan Active è necessaria la familiarità con Java, Spring, Docker e Kubernetes, e che la piattaforma sfrutta “tecnologie open-source moderne e un’architettura cloud-native.”⁷ L’annuncio di lavoro elenca competenze richieste, tra cui Java, Spring Boot, architettura a microservizi, sviluppo di API REST, Kibana, RabbitMQ, Elasticsearch e competenze front-end in Angular/JavaScript/HTML/CSS, insieme a flussi di lavoro basati su Git.⁸

Nel complesso, queste fonti supportano fortemente la conclusione che Manhattan Active è costruito principalmente su uno stack a microservizi Java/Spring Boot, con containerizzazione (Docker), orchestrazione (Kubernetes), messaggistica (RabbitMQ), logging/monitoring (stack Kibana/Elastic) e tecnologie web tipiche per i front-end. Si tratta di uno stack aziendale moderno, convenzionale ma robusto.

Se da una parte questo indica pratiche ingegneristiche solide—microservizi, osservabilità, CI/CD, ecc.—dall’altra non parla, di per sé, della raffinatezza matematica degli algoritmi di ottimizzazione di Manhattan. Questi dettagli rimangono incapsulati in servizi proprietari.

Architettura WMS

La brochure MAWM definisce il prodotto “nato nel cloud” e mette in evidenza caratteristiche quali scalabilità elastica, resilienza e capacità di essere “sempre aggiornato”.²⁰ ExploreWMS osserva che MAWM supporta l’integrazione con l’automazione e la robotica tramite API, ed è progettato per coordinare operazioni complesse di DC con gestione del lavoro, dello slotting e del piazzale.²⁷

L’architettura appare come ci si aspetta da un moderno WMS:

SaaS multi-tenant su GCP
Microservizi per le funzioni principali del WMS (ricezione, stoccaggio, picking, imballaggio, spedizione) e servizi di supporto (identità, configurazione, monitoraggio)
Integrazione tramite API REST, code di messaggi e stream di eventi per l’automazione
Livelli di configurazione per flussi, regole e componenti dell’interfaccia utente

Non esiste documentazione pubblica dettagliata dei modelli di dati sottostanti (ad es., event sourcing vs schemi relazionali), ma data lo stack e i requisiti tipici di un WMS, è ragionevole presumere una combinazione di database relazionali per i dati transazionali e cache/indici distribuiti per le prestazioni. Ciò, tuttavia, è un’inferenza piuttosto che un fatto evidenziato; Manhattan non pubblica dettagli a basso livello su DB/ORM.

Architettura di ottimizzazione TMS

Le affermazioni di ottimizzazione continua di Manhattan Active TM sono più specifiche, anche se ancora fortemente improntate al marketing. La pagina del prodotto afferma che MATM utilizza un modello unificato, in memoria, e un motore di ottimizzazione adattivo per ottimizzare continuamente i piani di trasporto, incorporando eventi in tempo reale, vincoli dei vettori e regole aziendali.¹⁰²¹ Un comunicato stampa di GlobeNewsWire descrive il motore come “multi-modale” e “utilizza il machine learning per regolare centinaia di parametri,” con l’obiettivo di ottenere piani di percorso e di carico più rapidi e di qualità superiore.²²

Un aggiornamento del 2023 di JBF Consulting su Manhattan TMS (Manhattan Active TM) osserva che Manhattan ha essenzialmente riscritto il suo TMS su un’architettura in stile Active, con un design basato su microservizi, cloud-native e un motore di ottimizzazione aggiornato, ma sottolinea anche che la migrazione dai TMS legacy non è banale e che alcuni clienti probabilmente faranno girare entrambe le generazioni in parallelo per un certo periodo.¹¹

Il registro pubblico suggerisce:

L’ottimizzazione è incorporata all’interno dell’applicazione TMS piuttosto che esposta come un servizio di ottimizzazione generico.
Il motore adattivo è basato su euristiche/con supporto ML, regolato tramite machine learning dei parametri piuttosto che una riformulazione completamente matematica.
Manhattan non espone funzioni obiettivo, set di vincoli, o se l’ottimizzazione sia stocastica o deterministica; il marketing menziona ML ma non la modellazione probabilistica.

Da un punto di vista scettico, MATM è chiaramente più di un sistema CRUD—esegue veramente ottimizzazioni non banali—ma la granularità e il rigore della sua ottimizzazione non possono essere valutati completamente dalla documentazione pubblica.

Pianificazione della supply chain e AI ibrida

Le affermazioni di marketing di Manhattan Active SCP ruotano attorno a “hybrid AI” e UFM.ai. La pagina del prodotto SCP descrive l’hybrid AI come la combinazione di machine learning, ottimizzazione matematica e intelligenza decisionale per generare piani che riflettano le realtà di domanda, inventario e capacità.²³ L’e-book “Chasing Perfection” presenta UFM.ai come un layer unificato di gestione del flusso che utilizza l’AI per orchestrare i flussi attraverso la rete, alimentando i moduli di pianificazione con approfondimenti.²⁴

La copertura di SupplyChainBrain e gli e-book correlati (“Game-Changing Power of Manhattan Active SCP”) menzionano caratteristiche quali previsione di base automatizzata, workbench per i pianificatori, gestione delle eccezioni e analisi degli scenari, enfatizzando nuovamente l’hybrid AI ma senza fornire dettagli algoritmici.²⁵

Sulla base di queste fonti, lo stack SCP probabilmente include:

Modelli ML per serie temporali per la previsione della domanda (possibilmente gradient boosted trees o neural networks)
Ottimizzazione deterministica per inventario e rifornimento (ad es., calcolo dello safety stock e del rifornimento, euristiche di allocazione)
Livelli basati su regole ed euristiche per la gestione delle eccezioni e le promozioni

Tuttavia, non ci sono prove esplicite di distribuzioni complete probabilistiche della domanda, griglie quantili o ottimizzazione stocastica paragonabile a quella che pubblicano alcuni fornitori specializzati. Le affermazioni sull’“AI” appaiono credibili a livello dell’uso del ML e dell’analisi, ma non sono supportate da una documentazione algoritmica trasparente.

Integrazione di Agentic AI e LLM

Gli annunci di Agentic AI di Manhattan indicano che l’azienda sta integrando large language models (LLMs) e l’orchestrazione degli agenti in Manhattan Active. Il comunicato stampa su Agentic AI Solutions afferma che questi agenti possono “percepire, ragionare e agire” utilizzando la conoscenza di settore e il contesto di Manhattan, e che sono configurabili tramite una “Agent Foundry.”¹¹ DCVelocity riporta che gli agenti sono progettati per aiutare i pianificatori a diagnosticare problemi, raccomandare azioni e collaborare attraverso le funzioni della supply chain.¹³

Da queste descrizioni, Agentic AI appare come un’architettura a strati LLM + strumenti:

LLMs (possibilmente tramite Vertex AI di GCP data la partnership con GCP²⁴)
Strumenti e API per interrogare i dati di Manhattan Active e invocare i flussi di lavoro sottostanti
Componenti UI (in stile chat o flussi guidati) integrati nelle schermate di WMS/TMS/SCP

Ancora una volta, Manhattan non pubblica dettagli tecnici: fornitori di modelli, approccio al fine-tuning, regole di sicurezza, o come le decisioni degli agenti siano registrate e controllate. L’insieme delle funzionalità è coerente con le tendenze del settore (co-piloti basati su LLM), ma la profondità dell’integrazione con l’ottimizzazione di base non è chiara.

Distribuzione, lancio e ecosistema

Consegna SaaS e infrastruttura

Manhattan Active è offerto come un SaaS multi-tenant su Google Cloud. Il blog di Google Cloud descrive esplicitamente la migrazione di Manhattan da prodotti on-premises/installati localmente a una piattaforma SaaS costruita su GKE, con autoscaling e un’infrastruttura resiliente.¹⁴ La documentazione di rete di Manhattan indica che gli ambienti dei clienti sono isolati logicamente utilizzando VPC di GCP, bilanciatori di carico e pratiche di sicurezza standard.¹⁹

Di conseguenza, il deployment è in gran parte una questione di provisioning dei tenant nel cloud di Manhattan, configurazione delle integrazioni e abilitazione dei moduli rilevanti; i clienti non gestiscono direttamente l’infrastruttura di Manhattan Active.

Metodologia di implementazione e ecosistema dei partner

L’implementazione, tuttavia, non è banale. Il partner 4SiGHT delinea un ampio portafoglio di servizi attorno a Manhattan Active: valutazione dell’upgrade del WMS, servizi di implementazione, formazione, sviluppo e supporto, oltre a strategia e consulenza in ambito magazzino.⁷ La stessa pagina nota che Manhattan ProActive, un’applicazione all’interno di Manhattan Active, aiuta a gestire estensioni personalizzate (user exits, eventi, modifiche all’UI) lungo il ciclo di vita.⁷

L’aggiornamento TMS di JBF Consulting evidenzia analogamente che lo spostamento di Manhattan verso Active TM implica progetti di migrazione, spesso con una notevole fase di progettazione, testing e gestione del cambiamento.¹¹ Queste fonti supportano l’idea che:

Manhattan Active non è uno strumento plug-and-play; richiede progetti di implementazione strutturati.
La personalizzazione avviene spesso tramite configurazione, estensioni e talvolta codice personalizzato, tipicamente con il coinvolgimento di system integrator.
I servizi professionali e la rete di partner di Manhattan rappresentano una parte fondamentale della fornitura di valore.

In pratica, la metodologia di roll-out di Manhattan assomiglia a un classico deployment APS aziendale: progetti plurimensili che coinvolgono la progettazione dei processi, la configurazione, l’integrazione, il testing, la formazione e l’hyper-care, piuttosto che un SaaS self-service.

Studi di caso e clienti di riferimento

Manhattan pubblica numerosi studi di caso. Due esempi danno un’idea della scala:

C&A (fashion retail): uno studio di caso video descrive come C&A ha accelerato la consegna omnicanale con Manhattan Active Warehouse Management, utilizzando MAWM per scalare le operazioni e migliorare il servizio.²⁹
DHL Supply Chain: uno studio di caso evidenzia l’adozione di Manhattan Active Warehouse Management da parte di DHL Supply Chain per supportare operazioni su larga scala e multi-cliente; Manhattan presenta questo come evidenza dell’idoneità di MAWM per ambienti 3PL di livello 1.²⁸

Entrambi illustrano che Manhattan Active è implementato in grandi e complessi magazzini e che il fornitore dispone di referenze credibili nei settori retail e logistico. Tuttavia, questi studi di caso si concentrano sui risultati operativi (throughput, lead times, capacità omnichannel) e raramente quantificano il contributo specifico degli algoritmi di ottimizzazione rispetto alla riprogettazione dei processi, all’automazione o a una migliore visibilità.

AI, machine learning e ottimizzazione: affermazioni vs evidenza

Dove AI/ML è chiaramente presente

Dai materiali disponibili, esistono ambiti plausibili e supportati da evidenze in cui Manhattan utilizza AI/ML:

Ottimizzazione dei trasporti: Il motore di ottimizzazione multi-modale in MATM è esplicitamente dichiarato utilizzare il machine learning per regolare i parametri delle sue euristiche.²²²¹
Previsione e pianificazione della domanda: Manhattan Active SCP fa riferimento a previsioni basate su machine learning, modellizzazione causale e hybrid AI nei moduli di pianificazione.²³²⁵
Agentic AI: Gli agenti basati su LLM sono chiaramente parte della roadmap di Manhattan Active, con comunicati stampa e articoli di settore che ne descrivono l’utilizzo nei flussi di lavoro per la pianificazione e l’esecuzione.¹¹¹³

Questi sono usi credibili dell’AI in un moderno APS.

Dove l’evidenza è più debole o assente

Tuttavia, diverse importanti questioni tecniche rimangono aperte nelle fonti pubbliche:

Profondità della modellazione probabilistica. Manhattan non chiarisce se le previsioni SCP siano vere e proprie distribuzioni di probabilità complete (ad es., griglie quantili) o prevalentemente previsioni puntuali con intervalli di confidenza. Non si fa menzione di ottimizzazione probabilistica dello safety stock o di funzioni obiettivo stocastiche nella documentazione pubblicamente accessibile.²³²⁵
Trasparenza nell’ottimizzazione. Per entrambi TM e SCP, Manhattan non pubblica:
- La struttura delle funzioni obiettivo (ad es., componenti di costo, obiettivi di servizio).
- La gestione dei vincoli (ad es., MOQs, capacità, vincoli della rete).
- Se l’ottimizzazione è deterministica (scenario unico) o stocastica (basata su scenari).
JBF e 4SiGHT confermano che l’ottimizzazione esiste ma non aggiungono dettagli matematici.⁷¹¹
Benchmarking. A differenza di alcuni fornitori specializzati che hanno partecipato a competizioni pubbliche o collaborazioni accademiche pubblicate, non ci sono evidenze (allo stato di fine 2025) che Manhattan abbia sottoposto i suoi algoritmi di previsione o ottimizzazione a benchmark verificati pubblicamente (ad es., partecipazione alla competizione M5, articoli peer-reviewed).
Interni dell’Agentic AI. L’Agentic AI sembra essere costruito attorno agli LLM, ma Manhattan non descrive i fornitori del modello, le strategie di fine-tuning, i meccanismi di sicurezza, né come le decisioni degli agenti siano registrate e verificabili. Data la fragilità degli LLM, questa è un’omissione non banale dal punto di vista del rigore tecnico.

Rispetto allo stato dell’arte

Rispetto allo stato dell’arte nell’ottimizzazione della supply chain accademica e dei fornitori specializzati, le divulgazioni tecniche pubbliche di Manhattan sono modeste:

Non ci sono evidenze pubbliche di programmazione differenziabile, addestramento end-to-end delle previsioni rispetto agli obiettivi di costo, o algoritmi di ottimizzazione stocastica specializzati.
La previsione probabilistica (modellazione completa della distribuzione) non è chiaramente articolata, mentre fornitori specializzati come Lokad documentano esplicitamente approcci quantili/distributivi e pubblicano risultati in benchmark come M5.¹⁶¹⁸²⁶
L’Agentic AI sembra allineato con le tendenze del settore (co-piloti LLM) ma non va oltre; non ci sono evidenze pubbliche di architetture di agenti unicamente sofisticate al di là di ciò che qualsiasi fornitore potrebbe ottenere utilizzando piattaforme LLM pronte all’uso.

In sintesi, le capacità di AI e ottimizzazione di Manhattan sono credibili ma opache. L’ingegnerizzazione della piattaforma cloud è chiaramente moderna; la sofisticazione del nucleo matematico rimane in gran parte asserita piuttosto che dimostrata in modi pubblici e basati su evidenze.

Maturità commerciale e posizionamento

Dal punto di vista commerciale, Manhattan è altamente matura:

Fondata nel 1990, quotata in NASDAQ, con decenni di implementazioni di produzione WMS/TMS.¹²⁴
Fatturato nell’intervallo di circa 1–1,2 miliardi di dollari,⁶⁹ e diverse migliaia di dipendenti.⁴⁸
Ampia base di clienti globale in molteplici settori, con referenze di alto profilo nel retail e nella logistica.⁴²⁸²⁹

Il pivot di Manhattan Active riposiziona l’azienda come un fornitore di suite cloud-native, con una gamma simile ad altri grandi fornitori di APS (ad es., Blue Yonder, Oracle, SAP, o9), con una forza storica particolare in WMS/TMS e portafogli SCP e AI in crescita.

Per le organizzazioni con magazzini complessi, reti di trasporto e flussi omnicanale, Manhattan è un candidato ragionevole quando si valutano sistemi cloud WMS/TMS/OMS—soprattutto se l’organizzazione attribuisce valore a un vendor stack unificato e a un forte ecosistema di partner. Per le organizzazioni che cercano principalmente pianificazione probabilistica avanzata o ottimizzazione, i componenti di pianificazione e AI di Manhattan potrebbero essere troppo integrati e opachi per rappresentare l’unica soluzione; accoppiare l’esecuzione di Manhattan con un livello di ottimizzazione più specializzato (sia interno che tramite un fornitore come Lokad) potrebbe essere un percorso tecnicamente più rigoroso.

Rischi, lacune e domande aperte

Da un punto di vista strettamente tecnico e basato su evidenze, vanno notati diversi rischi o lacune:

Ottimizzazione e AI opache. La documentazione pubblica di Manhattan si concentra sui risultati e su concetti ad alto livello (ottimizzazione adattiva, AI ibrida, agentic AI) ma manca di trasparenza algoritmica. Gli acquirenti non possono valutare facilmente quanto bene il sistema gestisca l’incertezza, i compromessi economici o casi estremi.
Ambito vs profondità. Manhattan copre un ampio ambito (WMS/TMS/OMS/Pianificazione/Agentic AI). L’ampiezza potrebbe limitare la profondità dell’innovazione in una singola area, in particolare nella pianificazione e nell’ottimizzazione, rispetto a fornitori specializzati la cui intera offerta è costruita attorno all’ottimizzazione decisionale probabilistica.
Complessità di implementazione. Le implementazioni di Manhattan Active rimangono progetti di grande scala, spesso coinvolgendo partner e una configurazione/personalizzazione estensiva.⁷¹¹ Questo è lo standard per gli APS aziendali, ma contraddice l’idea implicita di un SaaS leggero che può essere rapidamente testato e scartato.
Sicurezza e robustezza dell’Agentic AI. Senza dettagli tecnici su come gli agenti LLM siano vincolati, verificati e integrati, c’è il rischio di sopravvalutare la loro affidabilità nella pianificazione mission-critical. Le organizzazioni dovrebbero considerare le funzionalità agentiche come strumenti assistivi, e non come decisori autonomi, fino al completamento della validazione interna.
Evidenza delle prestazioni di pianificazione. Non esiste alcun benchmark pubblico che mostri la precisione della pianificazione di Manhattan o la qualità dell’ottimizzazione rispetto alle alternative. Gli studi di caso evidenziano i successi, ma sono intrinsecamente selettivi e orientati al marketing.

Queste preoccupazioni non implicano che le soluzioni di Manhattan siano inefficaci—molti clienti riportano buoni risultati—ma, da un punto di vista tecnico e scettico, le evidenze sono per lo più aneddotiche e controllate dal fornitore piuttosto che validate in modo indipendente.

Conclusione

In termini precisi e non di marketing, Manhattan Associates offre:

Una piattaforma enterprise cloud-native (Manhattan Active) costruita su microservizi Java/Spring, containerizzata su Kubernetes e distribuita su Google Cloud;
Applicazioni WMS/TMS/OMS mature e su larga scala che supportano complesse supply chain globali, con numerosi clienti di alto profilo e un sostanziale ecosistema di partner;
Capacità integrate di ottimizzazione e AI all’interno di TMS e SCP, oltre a funzionalità emergenti di agentic AI che forniscono assistenza basata su LLM per la pianificazione e flussi di lavoro di esecuzione.

Da fonti pubbliche basate su evidenze, la tecnologia di Manhattan è all’avanguardia nell’ingegneria cloud e credibile ma opaca nell’AI/ottimizzazione. La piattaforma va chiaramente oltre le semplici applicazioni CRUD: i moduli di ottimizzazione e pianificazione dei trasporti incorporano una logica algoritmica non banale. Tuttavia, la mancanza di descrizioni matematiche trasparenti, benchmark indipendenti o dettagli pubblicati di modellazione probabilistica significa che le affermazioni sull’AI di Manhattan non possono essere pienamente validate da un osservatore esterno.

Rispetto a Lokad, Manhattan è un fornitore di suite ampio e incentrato sull’esecuzione che integra l’ottimizzazione all’interno delle sue applicazioni, mentre Lokad è una piattaforma di ottimizzazione probabilistica più ristretta ma più profonda costruita attorno a un DSL e a modelli quantitativi espliciti. Le organizzazioni che cercano una suite unificata per l’esecuzione e il commercio tenderanno naturalmente a gravitare verso Manhattan; le organizzazioni la cui principale problematica è la qualità decisionale in condizioni di incertezza potrebbero voler integrare o, in alternativa, optare per una piattaforma in cui le previsioni, i modelli di ottimizzazione e i driver economici siano completamente esposti e programmabili.

In ogni caso, i potenziali acquirenti dovrebbero esaminare attentamente le capacità di AI e ottimizzazione di Manhattan al di là del linguaggio di marketing: richiedere descrizioni concrete dei modelli, delle funzioni obiettivo, dei vincoli e evidenze delle prestazioni sui propri dati, e fare attenzione a considerare le affermazioni sull’agentic o sull’AI ibrida come provate fino a quando non siano verificate nel loro contesto specifico.