Perché le iniziative di AI falliscono in Supply Chain - Ep 168

00:00:00 Introduzione e chiarimento dell’argomento
00:02:55 Aziende che rivalutano vecchi approcci con AI
00:04:28 Fallimenti di ingegneri intelligenti nella supply chain
00:05:44 Traduzione automatizzata del sito di Lokad con LLM
00:09:15 Le quattro prove chiave dei fallimenti
00:12:24 Perché le RFP sono disfunzionali
00:21:28 Perché le serie temporali sono disfunzionali
00:32:47 Perché le scorte di sicurezza sono disfunzionali
00:50:04 Perché i livelli di servizio sono disfunzionali
01:09:59 Domande del pubblico
01:32:15 Riflessioni finali

Sommario

In un recente episodio di LokadTV, Conor Doherty e Joannes Vermorel hanno discusso le carenze intrinseche della supply chain management, in particolare la dipendenza eccessiva dall’AI. Vermorel ha criticato pratiche consolidate come le Richieste di Proposte, le previsioni basate su serie temporali, le formule per le scorte di sicurezza e livelli di servizio, sostenendo che siano obsolete e economicamente insostenibili. Ha sottolineato che l’AI non può rettificare questi problemi radicati, poiché non ha ancora raggiunto l’intelligenza a livello umano. Vermorel ha suggerito che aggiustamenti pratici basati sull’esperienza dei professionisti spesso compensano questi metodi difettosi. La conversazione si è conclusa con una sessione di domande e risposte, evidenziando la sfida di rimuovere processi consolidati nelle grandi aziende.

Sommario Esteso

In un recente episodio di LokadTV, Conor Doherty, Direttore della Comunicazione di Lokad, ha intrapreso una discussione stimolante con Joannes Vermorel, CEO e fondatore di Lokad, riguardo alle insidie delle iniziative di AI nella gestione della supply chain. La conversazione, che si è svolta nel nuovo studio di Lokad, si è incentrata sull’affermazione di Vermorel secondo cui gli approcci tradizionali della supply chain, in particolare quelli che coinvolgono l’AI, sono fondamentalmente difettosi e destinati probabilmente al fallimento.

Vermorel ha iniziato criticando le pratiche consolidate nella gestione della supply chain, che a suo avviso sono rimaste stagnanti dalla fine degli anni ‘70. Ha sostenuto che semplicemente aggiungere l’AI a questi metodi obsoleti non rappresenta una soluzione, ma piuttosto un esercizio di vanità. Vermorel ha sottolineato che i fallimenti delle iniziative supply chain passate, anche quelle guidate da ingegneri estremamente intelligenti, dovrebbero servire da monito contro la dipendenza eccessiva dall’AI.

Conor Doherty ha contestato Vermorel, sottolineando che molti considerano l’AI come una panacea per i problemi della supply chain. Vermorel ha risposto evidenziando i limiti dell’AI, usando l’esempio di ChatGPT. Ha spiegato che se ingegneri molto intelligenti non sono riusciti a risolvere questi problemi, è irrealistico aspettarsi che l’AI, che non ha ancora raggiunto l’intelligenza a livello umano, possa avere successo. Ha sottolineato che l’AI può ridurre i costi e migliorare l’efficienza in aree dove le soluzioni sono già note, ma non può risolvere problemi fondamentalmente difettosi.

La discussione si è poi addentrata nei dettagli del motivo per cui Vermorel ritiene che le pratiche attuali della supply chain siano fuorvianti. Ha identificato quattro aree chiave: Richieste di Proposte (RFP), previsioni basate su serie temporali, formule per le scorte di sicurezza e livelli di servizio. Vermorel ha sostenuto che le RFP, in particolare per il software enterprise, sono disfunzionali perché presuppongono un livello di conoscenza e specificità irrealistico. Ha paragonato il processo allo scrivere una specifica dettagliata per uno smartphone senza comprenderne le complessità, portando a un processo di selezione che spesso esclude i migliori fornitori.

Le previsioni basate su serie temporali, secondo Vermorel, rappresentano un’altra pratica difettosa. Ha spiegato che i dati delle serie temporali possono essere fuorvianti perché non riescono a catturare sfumature critiche, come la differenza tra avere un grande cliente e molti clienti più piccoli. Questa mancanza di granularità può portare a scarse decisioni e a un aumento del rischio.

Le formule per le scorte di sicurezza e i livelli di servizio sono state anch’esse criticate per essere non economiche e eccessivamente semplicistiche. Vermorel ha sostenuto che queste metriche non tengono conto del contesto economico più ampio e spesso conducono a decisioni subottimali. Ha suggerito che un approccio più olistico, che tenga conto dell’intero sistema e del suo impatto economico, sarebbe più efficace.

Conor Doherty ha sollevato il punto che molte aziende ottengono comunque notevoli successi utilizzando questi metodi difettosi. Vermorel ha riconosciuto ciò, attribuendolo agli aggiustamenti pratici basati sull’esperienza dei professionisti sul campo, piuttosto che ai modelli teorici insegnati nella gestione della supply chain. Ha sostenuto che questi professionisti spesso si affidano a fogli di calcolo e sostituzioni manuali per correggere le carenze dei metodi consolidati.

La conversazione si è conclusa con una sessione di domande e risposte in cui sono state affrontate le domande del pubblico. Vermorel ha ribadito che il principale ostacolo al cambiamento nelle grandi aziende è la difficoltà di eliminare processi consolidati. Ha sottolineato che aggiungere nuove tecnologie, come l’AI, è più facile che eliminare pratiche obsolete, anche quando queste ultime porterebbero a risultati migliori.

In sintesi, la visione di Vermorel è che le attuali pratiche tradizionali della supply chain sono fondamentalmente difettose e che l’AI, pur essendo utile in certi contesti, non può risolvere questi problemi radicati. Egli sostiene un approccio economicamente più solido che consideri l’intero sistema e le sue complessità, anziché affidarsi a metriche semplicistiche e obsolete.

Trascrizione Completa

Conor Doherty: Benvenuti a LokadTV, in diretta oggi dal nostro nuovo e francamente splendido studio. Chiudiamo il 2024 con un argomento poco offensivo e leggero, tratto dalla sua discussione a SCT Tech. Joannes Vermorel, alla mia immediata sinistra, spiegherà la sua visione sul perché le iniziative di AI nella supply chain sono probabilmente destinate a crollare e fallire. Sentitevi liberi di inviare le vostre domande in diretta in qualsiasi momento, e ce ne occuperemo più avanti. Nel frattempo, iscrivetevi al canale YouTube e seguiteci su LinkedIn.

E un ultimo dettaglio organizzativo prima di iniziare a parlare di quanto siamo più intelligenti di tutti gli altri. Sarebbe scortese non riconoscere lo sforzo di tanti per rendere lo studio che vedete davanti così bello. Tutto, dagli schermi dietro di me ai microfoni di fronte a Joannes e a me, è il risultato di tanto lavoro a Lokad, in particolare di Maxime Larrieu dietro la telecamera laggiù e di Baptiste Grison. Quindi grazie mille a entrambi per i vostri sforzi. E con questo, Joannes, ti chiedo: perché la gente è così stupida?

Joannes Vermorel: In generale, penso che sia la maledizione della specie umana, compreso me stesso. Ma, in realtà, con questo titolo giocoso, volevo soltanto attirare l’attenzione sul fatto che quello a cui mi riferisco tipicamente come l’approccio tradizionale alla supply chain è stato in gran parte disfunzionale negli ultimi quattro decenni. È stato praticamente un vicolo cieco in termini di tecnologie e pratiche. Ciò che le aziende fanno oggi non è cambiato sostanzialmente dalla fine degli anni ‘70. Sono le stesse ricette numeriche, le stesse idee, e non funzionano molto bene.

Ora, l’idea che si possa semplicemente prendere le cose come sono e aggiungere un pizzico di polvere magica di AI sopra per far sparire improvvisamente quei problemi mi sembra follia o, come dice il titolo, stupidità. Ancora, non credo che le persone fossero stupide alla fine degli anni ‘70 nel tentare quella soluzione. Dico solo che, dopo quattro decenni di fallimenti consecutivi, non imparare dai propri errori è proprio l’inizio della stupidità. Quando vedo aziende che cercano di rivalutare, mantenendo gli stessi approcci e processi nella loro supply chain con l’AI generativa, non devo aspettare per vedere come andranno le cose. So già che semplicemente non funzionerà. Sarà solo una grande perdita di tempo, energia e denaro.

Conor Doherty: Ma molte persone considererebbero, infatti, l’AI come una sorta di soluzione miracolosa per le iniziative nella supply chain. Come se qualsiasi cosa fosse rotta, difettosa o basata su presupposti errati potesse essere rimediare grazie all’inserimento di Gen-AI, per esempio. Quindi stai dicendo fondamentalmente che questo è un approccio fuorviante?

Joannes Vermorel: Assolutamente. Facciamo una pausa per un attimo. Immaginiamo che ChatGPT fosse intelligente come un ingegnere del MIT. Eccellente, ora abbiamo l’intelligenza artificiale generale. Risulta che molti concorrenti di Lokad negli ultimi quattro decenni hanno fatto esattamente così. Prendono ingegneri del MIT, gli affidano grandi progetti per la supply chain, e l’ambizione è eliminare i fogli di calcolo e automatizzare le decisioni. Sono molto intelligenti, si dà loro budget e tempo, eppure hanno fallito.

Quei fallimenti non sono eccezionali. Praticamente ogni azienda che conosco, con un fatturato superiore a un miliardo di dollari e con più di vent’anni di età, ha probabilmente accumulato tre o quattro iniziative di supply chain fallite. Iniziative destinate a eliminare i fogli di calcolo introducendo ricette numeriche molto più intelligenti e integrate, e hanno fallito. Quindi, ora la domanda è: se avete fallito impiegando ingegneri molto intelligenti, perché pensate che utilizzando qualcosa di meno ingegnoso e con strumenti un po’ più sofisticati farà veramente la differenza?

Automatizzare l’intelligenza, il vantaggio è il costo. Ad esempio, in Lokad, abbiamo robotizzato la traduzione del nostro sito web. Ora, se guardate il sito Lokad.com, è disponibile in molte lingue. Per un decennio lo abbiamo fatto con traduttori professionisti. Ora viene fatto automaticamente con modelli linguistici di grandi dimensioni. Eccellente. Ciò che abbiamo risparmiato riguarda il costo, ma fondamentalmente era un problema che già sapevamo risolvere manualmente con le persone. L’AI non ha risolto un problema irrisolvibile, che era la traduzione. Ha solo permesso di farlo in modo più economico e veloce, il che è fantastico.

Ma se torniamo al problema iniziale, che è l"ottimizzazione predittiva, se tutti i vostri tentativi precedenti sono falliti mentre avevate a disposizione ingegneri molto intelligenti, perché pensate che disporre di strumenti meno ingegnosi e un po’ più sofisticati farà davvero la differenza?

Conor Doherty: Quello di cui hai appena parlato solleva questa domanda: quando usi il termine stupidità, vorrei analizzarlo un po’. So che era volutamente provocatorio, ma comunque, quando parli di aziende che prendono decisioni basate su presupposti errati – e entreremo nei dettagli – quando dici che le aziende commettono ripetutamente errori, questa è una forma di errore. Forse potresti classificare questo genericamente come stupidità. Esiste anche un’alternativa, che è l’ignoranza. L’ignoranza è neutra.

La stupidità, l’imbecillità – questi termini originariamente erano presenti nella letteratura psichiatrica e si riferiscono a un deficit cognitivo, denotando un significato molto specifico. L’ignoranza è neutra. Tu e io possiamo avere IQ di 180 in una brutta giornata, ma siamo entrambi ignoranti su molte cose. Non so nulla di botanica, non so nulla di come vengono realizzati i lacci delle scarpe, ma non sono stupido. Non mi manca l’infrastruttura neurale per imparare queste cose; semplicemente non ho il tempo o l’accesso alle informazioni. Quindi, in relazione alla domanda, ci sono aziende che prendono decisioni errate con risultati terribili o subottimali, e poi ci sono aziende che in realtà non sono a conoscenza dell’esistenza di paradigmi alternativi. Vedi questo come due rappresentazioni corrette del problema, o lo vedi semplicemente come persone che sono stupide e commettono errori?

Joannes Vermorel: Sì, è una rappresentazione corretta del problema, il che ci porta al caso di ciò che stiamo esaminando esattamente. Quando osserviamo i dettagli, possiamo decidere se stiamo parlando di stupidità o di ignoranza. La mia tesi per oggi è che, osservando i dettagli, è così ovvio che definirlo ignoranza sarebbe un’esagerazione.

Conor Doherty: Passiamo concretamente ai dettagli. Hai quattro prove chiave, o quattro modi per dimostrare ciò che vedi come il problema della stupidità naturale o dell’ignoranza naturale in termini di decisioni aziendali. Sono le RFP, le previsioni basate su serie temporali, le formule per le scorte di sicurezza e i livelli di servizio. Esamineremo ciascuno in modo sistematico, ma a livello generale, cosa c’è in questi quattro concetti che, secondo te, dimostra la tua posizione?

Joannes Vermorel: Ne ho scelti quattro, ma potrebbero essercene venti. Almeno quattro ingredienti principali della teoria e della pratica tradizionale della supply chain. Questi sono ingredienti fondamentali che si trovano probabilmente nel 90% delle grandi aziende. Per le aziende più piccole varia molto, ma queste pratiche tendono ad essere abbastanza uniformi tra le grandi imprese. Dato che sono molto diffuse, possiamo esaminarle e chiederci: ha senso questo approccio? Ho bisogno di un dottorato del MIT per capire che è completa assurdità oppure no?

Se in un minuto riesci a capire che è un’assurdità totale con una semplice analisi accurata, siamo definitivamente nel campo della stupidità. Se l’unico modo per riconoscere l’errore è attraverso un esperimento molto sofisticato che richiede molti finanziamenti e tempo, allora si tratta molto più di un caso di ignoranza.

Conor Doherty: Come ho detto, esaminiamoli in modo sistematico. Quindi, la prima prova del tuo argomento è l’esistenza delle RFP. Presumo che questo sia un termine generico che includa Richieste di Proposte, Richieste di Preventivi, Richieste di Informazioni, ecc. È tutto?

Joannes Vermorel: Sì, e ancora, specificatamente per il software enterprise dedicato all’ottimizzazione della supply chain. Possiamo discutere di… Non sto discutendo se la RFP sia il modo giusto per reperire carta in grandi quantità o qualche tipologia di merce super ovvia. Il contesto è la supply chain, sì. E più specificamente, perché ancora, se vuoi avere stampanti per codici a barre per la tua supply chain, questo non è ciò di cui sto parlando. Sto parlando specificamente di qualunque cosa tu voglia reperire che possa indirizzare il tuo processo decisionale. Con “supply chain” intendo proprio questo. Non intendo la logistica, non intendo l’assunzione di autisti di camion. Intendo i processi decisionali che regolano il flusso. Quindi, tutti i dettagli minuziosi su cosa acquistare, cosa produrre, a quale prezzo vendere, dove posizionare il tuo inventario, tutto ciò.

Conor Doherty: Va bene, allora te lo rimando subito indietro. Cosa c’è di sbagliato nell’usare il processo RFP per selezionare un fornitore?

Joannes Vermorel: Le RFP sono completamente disfunzionali. Se vuoi farti un’idea di che aspetto abbia una RFP, immagina semplicemente se dovessi scrivere in un documento Word tutte le cose che ti aspetti dal tuo smartphone. È una totale assurdità. Non lo sai nemmeno tu. Ha un miliardo di funzionalità. La maggior parte del funzionamento del tuo smartphone dipende da molte cose delle quali non sei a conoscenza. Limitarsi a elencare tutte quelle funzionalità richiede un lavoro enorme, e se dovessi elencare ciò che pensi faccia il tuo smartphone, molto probabilmente sbaglieresti parecchio.

Immagina di avere centinaia di criteri da coprire, e quali sono le probabilità che, producendo quelle centinaia di pagine di requisiti per il tuo smartphone, tu finisca con un documento che escluda sia Samsung che Apple? Molto probabilmente accadrà.

Il software enterprise è estremamente complesso, e questa complessità riflette principalmente il problema che vuoi risolvere. L’ottimizzazione della supply chain è essa stessa molto complessa e piuttosto complicata, quindi non puoi aspettarti una risposta super semplice. Non stai acquistando ferro a tonnellate o crudo petrolio. Stai acquistando qualcosa di molto sofisticato, e ciò significa che non hai fornitori che siano sostituti l’uno dell’altro. Non esiste una corrispondenza uno-a-uno tra ciò che offre il fornitore X rispetto al fornitore Y.

Il problema delle RFP è che presumono che tu sappia già esattamente qual è la tua soluzione, che tu possa avere una specifica completa, e poi cerchi di canalizzare, teoricamente, un gran numero di fornitori nella tua lista di requisiti. Il software semplicemente non funziona così. Produrre un buon pezzo di software richiede circa un decennio, più o meno. Nessun fornitore adatterà radicalmente la propria tecnologia per la tua RFP. Stai facendo passare tutti attraverso centinaia di pagine di assurdità.

Il processo ha così poco senso che di solito, quando riceviamo RFP, finiamo per avere qualcosa come 400-600 domande, e queste domande sono piene di errori ortografici. Molto spesso, persino il nome della società cliente viene scritto male nel documento perché alle persone non importava nemmeno delle domande stesse. È stato delegato agli stagisti, ai consulenti, a chiunque. Produci una quantità enorme di documenti, e nessuno capisce nemmeno il significato della metà delle domande perché sono formulate così male. La maggior parte delle domande non sono nemmeno domande, ma requisiti travestiti.

Poi il fornitore risponde con dozzine, forse centinaia di pagine di risposte che nessuno legge. C’è un comitato che esamina tutto per tappe, e l’idea che da questo processo completamente irrazionale possa emergere una decisione razionale è semplicemente sbalorditiva. Non c’è niente nella vita reale in cui tu, come individuo, ti impegneresti in un processo così insensato. Perché pensi che improvvisamente, solo perché operi per una grande azienda, ciò che altrimenti apparirebbe completamente folle nella tua vita quotidiana, improvvisamente abbia senso solo perché è prassi di una grande corporazione? Non ha senso.

Conor Doherty: Beh, ancora, un paio di punti da chiarire perché ce ne sono molti. Prima di tutto, la tua critica riguarda… Oh, scusa, lasciami tornare indietro. Ho visto alcune delle RFP di cui parli. Ho visto esempi come, “Hai ancora una macchina fax? Conservi i tuoi rapporti fax in armadi ignifughi?” Voglio dire, ho visto queste cose. Naturalmente, è completamente insensato. Quella è una RFP nello stato attuale. Stai dicendo che in un contesto isolato, divorziato da qualsiasi cattiva esecuzione, semplicemente in generale, il concetto di usare le RFP per cercare un software è una cosa totalmente folle da fare? E se la risposta è sì, per favore spiega quale potrebbe essere l’alternativa.

Joannes Vermorel: No, l’idea di fare ricerche di mercato non è folle. Ovviamente, se vuoi scegliere un fornitore, devi fare delle ricerche di mercato. L’idea che si debba operare seguendo le pratiche consolidate di RFI, RFP è insensata. Questo è il mio punto. Il mio punto è che quelle pratiche sono profondamente difettose, profondamente, profondamente difettose. Quando hai un processo completamente disfunzionale, improvvisare è molto meglio.

Se stai facendo qualcosa che non funziona, che è così terribile, smettila di farlo, e praticamente qualsiasi altra cosa andrà meglio. Qualsiasi cosa che non sia ancora più burocratica. La mia opinione è che quelle grandi aziende sarebbero meglio servite da un processo informale, e basta. Se sei disposto a considerare l’idea di avere una versione superiore del processo, allora esiste anche un percorso alternativo. Ne parlo in una delle mie lezioni sulla ricerca di mercato avversariale, in cui delineo un modo migliore per farlo. Ma anche in assenza della conoscenza di questo modo migliore, eliminare semplicemente questo processo insensato sarebbe già un miglioramento.

Avere un processo super burocratico non è una cosa buona. È una cosa terribile. Rallenta tutto, diluisce la responsabilità di tutti e seleziona negativamente i fornitori. Immagina, di nuovo, torniamo ad Apple. Pensi davvero che Apple, se esegui una RFP per loro, ti presterà davvero attenzione? Modificheranno il loro prezioso iPhone per soddisfare i requisiti della tua azienda? No, non lo faranno. Quindi, quello che stai effettivamente facendo è far sì che i buoni fornitori si escludano volontariamente dalla tua ricerca di mercato, il che è completamente insensato. È l’opposto di ciò che desideri.

La mia opinione è che quando hai qualcosa come il cancro, rimuovi il cancro e non chiederti, “Cosa metto al posto del cancro?” Se hai rimosso il cancro, hai già fatto qualcosa di buono. È un miglioramento. Ora, possiamo discutere di cosa potrebbe essere ancora meglio, cosa sostituirlo, ma il primo stadio è riconoscere che rimuovendo il cancro, stai migliorando la situazione.

Sfortunatamente, ed è qui che arrivo alla stupidità burocratica, è pensare che l’unica alternativa a un incubo burocratico sia un altro tipo di incubo burocratico. È completamente insensato. Chiaramente, in 15 anni di attività non ho mai visto una RFP che non fosse profondamente, profondamente disfunzionale. Sono solo variazioni tra i cerchi dell’inferno. Alcune RFP sono come il quinto cerchio dell’inferno, altre sono come il nono cerchio dell’inferno. Sono solo variazioni in termini di intensità da incubo, ma in ogni caso, sono uniformemente super, super pessime.

Conor Doherty: Quello è stato Thomas Sowell e Dante Alighieri in 60 secondi. È stato molto buono. Beh, in realtà, questo fa da transizione dal primo punto, che riguarda le RFP e la critica delle RFP e delle RFQ, ecc. È proprio come potresti selezionare un fornitore di AI.

Joannes Vermorel: Esattamente.

Conor Doherty: Se posso solo finire la domanda, perché sto facendo una transizione. Il secondo punto, invece, è che una volta selezionato un fornitore di AI, qui passiamo al secondo punto, ovvero la previsione delle serie temporali, che citi come la seconda prova del perché la tua iniziativa AI fallirà. Ora, questo è dopo che hai già selezionato un fornitore. Qual è il problema con le serie temporali?

Joannes Vermorel: Quindi, una volta selezionato… Prima di tutto, molto probabilmente, grazie alla tua RFP, selezionerai un fornitore davvero pessimo. È scontato. Hai un processo che non ha alcun senso, quindi è molto probabile che otterrai uno di quei fornitori peggiori specializzati nel fare tutto ciò che soddisfa le RFP, indipendentemente dalla quantità di assurdità. Sei già in una posizione in cui il fallimento è quasi garantito, anche se il fornitore non fosse troppo disfunzionale. Ma hai davvero selezionato il fornitore disfunzionale in primo luogo. Ora, questo mi porta alle serie temporali.

Le serie temporali sono come l’Alfa e l’Omega della moderna visione tradizionale della supply chain. Cos’è una serie temporale? È semplicemente una serie di punti secondo un determinato periodo. Avrai un valore al giorno, un valore alla settimana o mensile. Quando parlo di prospettiva delle serie temporali, intendo che osservi tutto attraverso le tue vendite o il tuo flusso, aggregato per giorno, per settimana, per mese. Tutto si adatta in qualche modo a quelle serie temporali.

Ovvio, con quelle serie temporali, ciò che vuoi, o almeno secondo la teoria tradizionale della supply chain, ciò che dovresti volere sono le previsioni delle serie temporali, ovvero l’estensione di quelle serie nel futuro. Se hai i dati di vendita fino ad oggi, vuoi avere la previsione, che è semplicemente quelle serie temporali estese nel futuro. Quindi otterrai il numero di vendite di domani, del giorno dopo, ecc.

Conor Doherty: Cosa c’è di male nel ricevere un dato azionabile per pianificare, per esempio, che la domanda della prossima settimana sarà di 10 unità? Suona bene.

Joannes Vermorel: Il problema principale è che la tua supply chain non può essere rappresentata in modo significativo tramite le serie temporali. E cosa significa questo?

Beh, partiamo da una situazione super semplice. Hai un prodotto che viene venduto costantemente a 1.000 unità al giorno. È stato venduto a 1.000 unità al giorno per, diciamo, gli ultimi tre anni. Molto bene. Ok, come appare il futuro? Ora, esaminerò due situazioni diverse che hanno la stessa storia esatta. Situazione numero uno: hai mille clienti distinti, e loro ogni tanto ordinano un prodotto. In aggregato, quei 1.000 clienti ti garantiscono 1.000 unità al giorno. Alcuni clienti se ne vanno, altri arrivano, ma è molto stabile. Quindi, questo genera la serie temporale. Ora, cosa ti dice? Ti dice che hai una domanda molto stabile che sembra piuttosto robusta. Mille clienti non sono milioni, ma non sono zero, quindi sembra buono.

Adesso, la seconda situazione è che hai 1.000 unità al giorno, ma da un solo cliente. Sì, questo cliente è stato molto costante, ordinando 1.000 unità al giorno negli ultimi anni, ma è un solo cliente. Ora, quali sono le probabilità che la domanda possa domani scendere a zero e rimanere a zero per sempre? Ovviamente, dalla prima prospettiva, dove hai mille clienti, non direi che sia impossibile, ma è molto remoto. Anche se dovesse verificarsi un evento catastrofico che danneggi il marchio, la maggior parte dei clienti non ne verrebbe nemmeno a conoscenza. Anche in caso di una massiccia frode, avresti comunque centinaia di clienti che non ne sentirebbero parlare per mesi. Quindi, le probabilità che tutti quei clienti, in perfetta coordinazione, smettano di acquistare da te lo stesso giorno non sono impossibili, ma sono molto, molto basse. Parliamo probabilmente di una probabilità su un milione. È raro.

Al contrario, se hai un solo cliente, basta che un singolo manager decida di scegliere un fornitore diverso, e bam, scendi a zero. Se dici che perderai questo cliente fedele una volta ogni decennio, stiamo parlando di una probabilità dello 0,1%. Non è una su un milione; è di diverse ordini di grandezza superiore. Questo è comunque improbabile, ma rispetto alla prima situazione, è qualcosa che probabilmente accadrà in pochi anni. Dato abbastanza tempo, qualcosa come un decennio, è quasi garantito che avvenga. Qui sto semplicemente descrivendo due situazioni molto basilari che hanno la stessa rappresentazione in serie temporali. Questo è il nocciolo del problema: le serie temporali sono semplicistiche. Puoi avere diverse situazioni che sono completamente differenti eppure presentano esattamente la stessa serie temporale.

Conor Doherty: E questo è importante. Perché?

Joannes Vermorel: Perché le tue decisioni saranno molto diverse. Se hai mille clienti, puoi essere molto conservativo con l’inventario. Puoi dire, per esempio, “Oh, avremo molti mesi di stock in magazzino perché va bene. Se perdiamo alcuni clienti, adegueremo la produzione in modo da non incorrere in un eccesso di stock. Anche se perdiamo clienti, avremo ancora tempo per liquidare l’inventario.” Al contrario, se hai un solo cliente, significa che se questo cliente smette di acquistare, il tuo stock diventa invenduto da un giorno all’altro. Tutto ciò che ti rimane è una svalutazione garantita dell’inventario per tutto ciò che hai.

Quindi, vedi, in termini di decisioni per la supply chain, hai due situazioni molto diverse che richiedono decisioni altrettanto diverse. Ecco perché dico che le serie temporali sono insensate. L’ipotesi è che se inquadri tutto come serie temporali, che è esattamente ciò che fa la visione tradizionale della supply chain, allora puoi prendere decisioni ragionevoli. Quello che dico è di no, non puoi. Non puoi perché le serie temporali non ti permettono di catturare alcuni elementi fondamentali della tua attività. Sei semplicemente cieco. Non importa se hai più serie temporali. Torniamo: un cliente contro 1.000 clienti. Non importa se hai più serie temporali; resti bloccato con il fatto che si tratta di una rappresentazione scadente dei tuoi dati. È una rappresentazione super semplicistica dei tuoi dati.

Conor Doherty: Scusa, solo per essere chiari per chi non capisse a cosa tu stia arrivando: da un punto di vista della gestione del rischio, devi avere approcci differenti in termini di allocazione finanziaria, perché la tua esposizione è diversa.

Joannes Vermorel: È molto diverso. Ancora, se guardiamo agli articoli deperibili in un negozio, le serie temporali ti permettono di rappresentare il tuo livello di stock nel tempo. Quindi, quante unità hai in magazzino, per esempio, di yogurt? Ma la realtà è che i tuoi prodotti sono deperibili, quindi hanno date di scadenza. Consideriamo, ad esempio, che hai 10 unità in magazzino. Secondo la prospettiva delle serie temporali, il giorno prima ne avevi 11, e così via. Hai il tuo livello di stock in continuo aggiornamento. Questa è una rappresentazione in serie temporali. Ora ti chiedi: “Ho 10 unità in magazzino. È buono o non buono? È sufficiente o no?”

Guardiamo due situazioni. Situazione A: i 10 yogurt che hai in stock scadranno tra un mese. Questo è buono. Chi entra nel negozio troverà yogurt con un mese di durata. È positivo per gli yogurt. Ora, situazione B: i 10 yogurt scadono domani. Questo è molto male. I tuoi clienti non gradiranno dover prendere yogurt che scadono domani. Forse un cliente ne comprerà uno solo per il consumo del giorno successivo, ma ogni madre che fa la spesa per una famiglia e vuole organizzare la settimana non comprerà yogurt che scadranno domani.

Quindi, con la stessa rappresentazione, 10 unità oggi, cioè un livello di stock, ti manca un’informazione molto importante, ovvero la composizione delle date di scadenza. Se hai un sistema software interamente progettato attorno all’idea delle serie temporali, questa informazione verrà sempre ignorata dal sistema perché il sistema non è nemmeno in grado di vederla. Non fa parte del paradigma delle serie temporali.

Conor Doherty: E ancora, per essere molto espliciti per chi ascolta, dicendo: “Ok, ho sentito tutto, ho capito quello che stai dicendo, seguo gli esempi. Come influenza questo l’AI? Come si inserisce l’AI in questo quadro?” Anche se stai usando serie temporali o previsione probabilistica.

Joannes Vermorel: Se hai un paradigma in cui l’informazione chiave è persa – ed è proprio questo il caso delle serie temporali – non importa se chi osserva le serie temporali è un’AI, un ingegnere molto intelligente o chiunque altro. L’informazione chiave è già persa. Se osservi i dati delle tue vendite attraverso la lente delle serie temporali, non riesci a vedere il rapporto tra un cliente e molti clienti. Non riesci a vedere le date di scadenza. Ci sono tante cose che semplicemente non si notano. Che si tratti di un’AI, di un ingegnere esperto o di un programma che applica delle regole, l’informazione centrale di cui avresti bisogno è già persa. Non importa quanta tecnologia tu possa accumulare sopra questo paradigma.

Conor Doherty: Va bene, proseguiamo un po’. Abbiamo coperto i primi due approcci: RFP e serie temporali. Il terzo e il quarto possono eventualmente essere raggruppati come metriche, ovvero safety stocks e livelli di servizio. Discutendoli separatamente o insieme, qual è la tua obiezione a riguardo? Perché questi sono piuttosto comuni. La maggior parte delle aziende mantiene politiche piuttosto rigide per safety stock e livelli di servizio.

Joannes Vermorel: Il problema con lo safety stock, per chi ascolta, è che si presume di avere una previsione della domanda basata su serie temporali, si assume che la tua domanda sia distribuita normalmente, che i tuoi lead times siano distribuiti normalmente, e poi scegli il livello di servizio. Questo ti darà una quantità di stock target da tenere a disposizione, ed è proprio questo che si chiama safety stock. È questo, in sostanza, lo safety stock.

Tecnicamente, hai lo stock operativo, che rappresenta la domanda media, e poi lo safety stock è la componente extra oltre la domanda media. Ma questo è solo un dettaglio tecnico. Complessivamente, se sommi lo stock operativo e lo safety stock, ottieni la quantità di stock target che intendi mantenere.

Qual è il problema con questo? Il problema è che è il modo sbagliato di guardare al controllo delle scorte. L’obiettivo dell’azienda è generare profitti. Lo safety stock rappresenta una prospettiva non economica in queste decisioni. Cosa significa? Significa che non viene nemmeno fatto un tentativo di ottimizzare i profitti. Il problema è che abbiamo qualcosa che non tenta assolutamente di ottimizzare i profitti. Perché pensi che questa cosa possa essere favorevole in termini di profitto?

Come si ottimizza realmente per ottenere un profitto? Beh, è molto semplice. Consideri, ad esempio, una situazione semplice, un negozio. Scegli la prima unità di inventario che massimizzerà i tuoi ritorni. Io scelgo questa e la metto nel negozio. È quella che mi garantisce il rendimento più elevato. Scelgo la prima unità che fa questo, e poi devo ripetere il processo con una seconda unità che massimizzi i ritorni. Dal momento che si tratta di un negozio, molto probabilmente la seconda unità che sceglierò non sarà lo stesso prodotto della prima.

Il punto è che voglio distribuire le mie unità extra per coprire una domanda maggiore. Se ti dico che puoi ordinare solo la prima unità, ne scegli una. Ora, se dico che puoi scegliere una seconda unità, molto probabilmente vorrai prendere qualcos’altro perché, per lo meno, vuoi aumentare la copertura in termini di domanda del negozio. Se ti dico che puoi scegliere una terza unità, sceglierai ancora qualcosa di leggermente diverso.

Il punto che sto facendo è che la prospettiva dello safety stock adotta un approccio completamente non economico. Guarda un prodotto in un negozio e, ripeto, per il pubblico, un minimarket potrebbe avere circa 5.000 prodotti distinti sugli scaffali. Considera un prodotto in isolamento e poi decidi in isolamento se vuoi di più o di meno. Sto dicendo che questo è insensato.

Ancora, diamo un’occhiata. Se devi farlo manualmente, sei in un supermercato. Non penseresti in isolamento se hai bisogno di più o di meno di qualcosa. È una questione di compromesso. Hai spazio sugli scaffali limitato, hai una somma di denaro limitata, quindi penseresti, “Ne ho abbastanza di questo? Devo riordinare a sufficienza questo prodotto, o c’è qualcos’altro che dovrei riordinare per primo?” È così che si pensa in termini di ritorno sull’investimento. È così che puoi pensare in termini di prospettiva economica.

Quello che dico è che lo safety stock è una prospettiva non economica. È una prospettiva matematicamente interessante, almeno da un punto di vista educativo, magari per studenti di matematica applicata per dare loro un piccolo esercizio o qualcosa del genere. Ma se dobbiamo passare a una supply chain reale, e ancora, sto considerando una situazione molto semplice come un supermercato, che è una delle cose più semplici che si possano immaginare, vediamo che è una prospettiva non economica. Quindi abbiamo un problema, Houston. Questa cosa non sta nemmeno cercando di migliorare il risultato netto della mia azienda. È semplicemente sbagliata.

L’alternativa che ho descritto è piuttosto semplice. Consiste nello scegliere ciò che mi offre i ritorni più elevati. Scelgo la prima unità e poi la seconda, e così via. Possiamo entrare nei dettagli tecnici di come esattamente fare questo, ma questi sono solo dettagli tecnici. La mia critica allo safety stock è che non può essere un approccio ragionevole perché è un approccio non economico. In pratica, molto spesso si finisce per avere situazioni insensate. Ad esempio, calcoli, secondo i tuoi safety stock, tutte le cose che dovresti mettere nel tuo negozio, e i numeri non combaciano.

Quello che vedi è che è qui che si arriva all’assurdo. Finisci con lo safety stock che ti dice che tutti quei prodotti necessitano di tutte quelle unità, e poiché tutto viene fatto in isolamento, hai 5.000 prodotti, e per ogni singolo prodotto otterrai una quantità. Quando si sommano tutte quelle quantità, il totale non combacia.

Se torniamo alla tua AI, cosa dovrebbe fare la tua AI? Ancora, il tuo paradigma dice che calcoli il tuo safety stock. La tua AI può forse aiutarti a calcolare lo safety stock in modo più preciso. Non sono nemmeno sicuro di come potrebbe aiutare esattamente. Ma la realtà è che hai un paradigma progettato in modo errato. La tua AI, non importa come calcoli il tuo safety stock, finirà comunque per presentare quei strani paradossi. Cosa significa davvero migliorare se hai una prospettiva non economica? La tua AI non può generare significato da qualcosa che non ha un significato economico.

Conor Doherty: Prima di trattare i livelli di servizio, voglio riprendere un punto che hai fatto. Hai descritto gli safety stock come una prospettiva non economica. L’ho capito. Hai anche parlato di usare gli SKU in isolamento, e questo è difettoso. Beh, allora l’opposto, presumibilmente, è guardare le cose in combinazione. Potresti approfondire meglio questo punto riguardo all’isolamento rispetto alla combinazione?

Joannes Vermorel: Sì, voglio dire, ancora, la supply chain è un sistema. Ciò significa che non puoi separare le parti senza cambiarne la natura. Un prodotto venduto su uno scaffale in un supermercato non è la stessa cosa se lo vendessi in isolamento. Le persone, quando vanno in un supermercato, si aspettano una gamma di prodotti, non un solo prodotto. E lo stesso vale per quasi ogni supply chain che non sia banale. Una supply chain reale funziona così. Se stai producendo automobili, devi unire tutte quelle parti per ottenere veicoli funzionanti alla fine della giornata. Non puoi rimuovere le ruote e dire che questa è un’auto. Un’auto senza ruote non è un’auto; è solo qualcos’altro.

Fondamentalmente, hai sistemi in cui esistono molti tipi distinti di beni fisici, e questi hanno senso solo se messi insieme. Ovviamente non significa che, in un’auto, se rimuovi le ruote, l’auto non funzioni affatto. In un negozio, puoi decidere che magari non vuoi avere la senape sugli scaffali. Forse i clienti saranno soddisfatti se non c’è la senape, o al contrario, potresti dover avere tre tipi distinti di senape.

Ovviamente, ci sono molte sfumature a seconda di cosa stai considerando. Non è qualcosa di bianco o nero. Ma fondamentalmente, quando inizi a vendere la senape in un supermercato, ha senso solo in relazione a ciò che accompagna quel prodotto. Quello che sto dicendo è che, adottando una prospettiva che mette queste cose in isolamento, perdi il punto. Perdi ciò che rende il negozio attraente. Perdi il senso delle dinamiche in gioco.

Le persone entrano nel tuo supermercato e non acquistano un solo articolo. Alcuni clienti possono entrare e acquistare un solo prodotto, ma la maggior parte prenderà un carrello pieno di articoli. Quello che dico è che, quando adotti questa prospettiva dello safety stock, adotti un approccio matematico molto strano e sproporzionatamente semplificato che isola i tuoi SKU, i tuoi prodotti, l’uno dall’altro. Anche considerando la tipologia più semplice di supply chain che si possa immaginare, come un supermercato, già non ha alcun senso. Allora perché penseresti che possa avere più senso in qualcosa di più complicato, come aviazione MRO o altro?

Conor Doherty: Lokad ha un termine specifico per questo, tipo la prospettiva del carrello. Penso che abbiamo persino rilasciato una flash card su LinkedIn un paio di settimane fa o forse un mese fa che la descriveva. Come hai detto, le persone in genere non entrano in un supermercato e comprano una sola cosa. Comprano con una lista in mente, e l’assenza di un articolo può portare a perdite. Se le persone acquistano più cose, entrano e comprano 10 articoli, e l'11° articolo che desideravano non c’è ed è un articolo critico, non perdi solo le vendite dell'11° articolo. Se la persona se ne va a causa dell’assenza di quell'11° articolo critico, perdi la totalità delle vendite in quel carrello. Quindi, è la prospettiva del carrello. Esiste una relazione tra tutte queste cose.

Joannes Vermorel: Sì, e il fatto è che se torniamo allo safety stock e all’AI, una volta adottata la prospettiva dello safety stock, non importa se la tua AI è super intelligente o super stupida, economica o costosa, o altro. È già bloccata in un angolo, in una posizione talmente negativa che non ci sarà alcuna soluzione possibile. Ecco perché dico che la stupidità naturale batte sempre l’intelligenza artificiale. Non importa la sofisticazione della tecnologia, la sua accessibilità, la sua manutenibilità. Tutto ciò diventa completamente irrilevante dal momento che hai già inquadrato il problema in modi insensati.

Conor Doherty: Sono d’accordo con te. Concordo, ma direi che penso sia un ottimo esempio della distinzione che ho menzionato prima tra stupidità naturale e ignoranza. Quello che abbiamo appena descritto è un fenomeno reale, ma molto astratto. Richiede un certo grado di comprensione della relazione tra cose che non è immediatamente evidente.

Joannes Vermorel: Non sono d’accordo. Ogni volta che hai una discussione con qualcuno che gestisce un negozio senza alcuna formazione, saprà che non è magia. Non stiamo parlando di matematica super avanzata. Vai da qualsiasi negoziante che ci lavora da una settimana, e capirà che l’assortimento è importante. Non puoi pensare alla giusta quantità di stock per un prodotto in completo isolamento dal resto.

In effetti, è una specie di assurdità molto elaborata che richiede un professore universitario per essere propagata. È assurdo, e l’unico modo per promuovere con successo questo tipo di idea è trovarsi in un ambiente in cui sei completamente protetto dalle conseguenze reali di questa pessima idea. Se gestissi un negozio, non pensaresti in questo modo. Puoi fare un test: parla con chiunque nel tuo quartiere gestisca un qualsiasi tipo di negozio. Se loro pensano in questo modo, non lo fanno. Se parli con la persona che gestisce l’inventario, che passa l’ordine di riapprovvigionamento, come nei negozi Mom and Pop, ovviamente penserà in termini del tutto.

Conor Doherty: Questo è in realtà un buon punto. C’è una distinzione da fare, e mi piacerebbe conoscere la tua opinione in merito. La differenza tra enormi conglomerati da miliardi di dollari con supply chain incredibilmente vaste che passano ordini – diciamo, in termini di decisioni relative alla supply chain, potrebbero essere centinaia di migliaia al giorno – e poi contrapporli ai negozi Mom and Pop, dove si tratta del negozio di Joannes e Joannes estrae i soldi dalla tasca per comprare queste cose ogni giorno.

Mi ricorda qualcosa che Peter Cotton ha detto quando abbiamo parlato con lui un anno e mezzo fa. Ha detto che prendi decisioni molto diverse quando i soldi sul tavolo sono i tuoi. Il modo in cui pensi al problema è molto diverso quando devi estrarre soldi dalla tua tasca. Quindi, sono curioso: perché vedi che le aziende molto grandi prendono decisioni sbagliate, mentre quando hai fatto l’esempio di andare semplicemente al negozio di fianco?

Joannes Vermorel: È lì che risiede la pazzia. Le grandi aziende non prendono quelle cattive decisioni perché, nonostante quanto affermino, seguono le scorte di sicurezza. Le persone che impiegano, invece, non lo fanno. Ed è qui che diventa folle. Qual è il quadro reale? Il quadro è che ci sono professori universitari che sostengono che bisogna fare scorte di sicurezza. Ci sono supply chain textbooks che dicono che bisogna fare scorte di sicurezza. Ci sono fornitori AI-driven del supply chain che affermano di avere scorte di sicurezza guidate dall’AI. Ottimo. Poi ci sono aziende che adottano sistemi guidati dalle scorte di sicurezza, o a volte vengono chiamati buffer o altro. Esistono varie sfumature.

Alla fine della giornata, ci sono impiegati del supply chain chiamati demand and supply planners, category managers, inventory managers—i titoli variano—che usano i loro fogli di calcolo per fare qualcosa di completamente diverso. Di solito, la reazione tipica che ricevo è che, quando ne discuto con queste persone, mi dicono: “Oh sì, le scorte di sicurezza fanno parte del nostro piano per usarle. L’anno prossimo, quando avremo la maturità necessaria, le useremo davvero. Ma per ora, abbiamo avuto così tanti problemi che stiamo facendo qualcosa di completamente diverso. Con i miei fogli di calcolo faccio le cose in modo diverso. So che è un disastro, ma in qualche modo funziona. Con più formazione, un giorno saprò usare le scorte di sicurezza.”

È folle perché la realtà è che qualunque cosa questa persona stia facendo ha in realtà un senso. Questa ricetta alternativa è proprio ciò che ha senso, e le scorte di sicurezza sono solo una farsa, una farsa d’ambiente, che non funziona. Non funzionano dal 1979 almeno, come identificato da Russell Ackoff. Questo è il motivo per cui i fogli di calcolo non potranno mai scomparire in tali contesti.

Ogni volta che diciamo che sostituiremo tutti quei fogli di calcolo disordinati con l’automazione software, tutto fallisce. Fallisce perché la scorta di sicurezza è una cattiva idea. Non importa se hai una scorta di sicurezza supportata dall’AI; resta comunque una cattiva idea. È un’idea così sbagliata che non funziona. Le grandi aziende ci provano, falliscono e tornano ai fogli di calcolo. Le persone ritornano all’atteggiamento di: “Sto facendo qualcosa un po’ a modo mio. Quando avrò più formazione, userò le scorte di sicurezza, ma per ora ho bisogno di qualcosa che funzioni davvero.”

Conor Doherty: A proposito, hai spiegato a lungo come le scorte di sicurezza siano difettose. Presumo che gran parte della stessa critica si applichi anche ai livelli di servizio. Non sono esattamente la stessa cosa, ma in termini di processi decisionali, quale politica stai applicando per giungere a una decisione? Spiega qual è il tuo problema con i livelli di servizio, per favore.

Joannes Vermorel: Il mio problema con i livelli di servizio è che il livello di servizio rappresenta un indicatore super difettoso per la qualità del servizio. In realtà, ha quasi nulla a che vedere con la qualità del servizio. Quello che vuoi è servire bene i tuoi clienti. È un dato di fatto quando gestisci un supply chain.

Ora, consideriamo un negozio al dettaglio di moda di base. Cosa significa avere alti livelli di servizio? Se equipari alta qualità del servizio e livello di servizio, ciò significa che alta qualità del servizio equivale ad un alto livello di servizio. Se dici che il livello di servizio è un buon indicatore della qualità del servizio, allora alta qualità del servizio significa alto livello di servizio.

Se hai un negozio che vende una collezione per il tuo marchio di moda, cosa significa avere alti livelli di servizio? Significa sostanzialmente che hai ancora ogni prodotto, almeno alcune unità, sugli scaffali fino alla fine della collezione. Se hai alti livelli di servizio, significa che il tuo negozio è ancora pieno di articoli fino all’ultimo della collezione. Come fai ad introdurre la prossima collezione nel tuo negozio?

Devi fare spazio lasciando andare la vecchia collezione, il che significa accettare che per quei prodotti i livelli di servizio scenderanno a zero. I clienti possono essere comunque molto soddisfatti nonostante per molti prodotti il livello di servizio sia pari a zero. Man mano che alcuni prodotti vengono ritirati, altri entrano in scena, e i tuoi clienti restano comunque molto contenti. Non esiste alcuna correlazione tra la qualità del servizio, che esiste solo negli occhi del cliente, e ciò che misuri con la tua ricetta numerica, cioè il livello di servizio.

Se i livelli di servizio sono un indicatore estremamente inadeguato della qualità del servizio, perché pensi che un’AI, destinata a guidare i tuoi livelli di servizio, farà cose che abbiano senso per la tua azienda? Proprio come la mia critica alla scorta di sicurezza, questa non è una prospettiva economica. Qui hai un concetto, il livello di servizio, che non è una prospettiva sulla qualità del servizio. Dai uno strumento alla tua AI, quindi la tua AI deve confrontarsi con questo strumento, il livello di servizio, ma risulta che questo strumento è completamente inadeguato a risolvere il problema, ossia la qualità del servizio.

Conor Doherty: Hai usato un paio di belle frasi, una delle quali “i livelli di servizio sono un indicatore super difettoso della qualità del servizio” e “la qualità del servizio esiste solo negli occhi dei clienti”. Ma questo porta a una domanda in due parti. Primo, qual è un buon indicatore? E secondo, se la qualità del servizio esiste solo negli occhi dei clienti, come dovrebbero le aziende sapere concretamente se hanno una buona qualità del servizio?

Joannes Vermorel: Queste sono domande molto valide. Iniziamo esaminando gli indicatori. Facciamo qualche esperimento mentale. È un modo per eliminare quelli totalmente inadeguati. Non abbiamo nemmeno bisogno di condurre un esperimento reale in un negozio; possiamo farlo solo come esperimento mentale. È estremamente economico. Quindi, la prima cosa è che dobbiamo accordarci sul fatto che se prendiamo un negozio con gli stessi prodotti sugli scaffali, nulla cambia. Qualunque cosa pensiamo sia la qualità del servizio non varia. Se osservo lo stesso negozio, con gli stessi prodotti, allo stesso tempo, e non modifico nulla, allora la mia percezione della qualità del servizio non dovrebbe cambiare.

Rivisitiamo il livello di servizio. Molte aziende lo misurano considerando la percentuale di prodotti esauriti o non esauriti. Se il 97% dei tuoi prodotti non è esaurito, avrai un livello di servizio del 97%. Esistono modi differenti per analizzare il livello di servizio attraverso stockouts. Questo accade quando effettui un’ottimizzazione delle scorte di sicurezza, che rappresenta una prospettiva leggermente diversa. Ma qui, questo è il modo in cui molte aziende operano con questo tipo di report, quindi è quello che userò.

Ora, immaginiamo concettualmente di aver deciso che l’assortimento del negozio è raddoppiato. Quindi, avevamo un negozio di moda con, diciamo, 3.000 articoli distinti. Ora diciamo che questo negozio dovrebbe avere 6.000 articoli, ma nel negozio abbiamo ancora esattamente gli stessi 3.000 articoli. Concettualmente, nel sistema informatico che gestisce il negozio, abbiamo semplicemente dichiarato che l’assortimento è il doppio, con più varianti, più colori, più taglie.

Abbiamo cambiato qualcosa dal punto di vista dei clienti? Ovviamente no. È ancora lo stesso negozio, gli stessi pantaloni sugli scaffali, gli stessi colori, le stesse taglie. Nulla è cambiato. Ma nel sistema informatico, abbiamo raddoppiato la gamma dell’assortimento idoneo. Facendo ciò, abbiamo dimezzato il livello di servizio misurato dal tuo sistema informatico. Eri, diciamo, al 97% di livello di servizio, ora siamo a circa il 48%, senza aver modificato nulla nel negozio.

Quindi, per questo dico che, attraverso esperimenti mentali, se hai un indicatore che, cambiando le impostazioni del computer senza modificare nulla nel negozio, può far variare i tuoi numeri in modo arbitrario, allora il tuo indicatore è completamente insensato. Qualunque cosa tu scelga come indicatore della qualità del servizio non dovrebbe ovviamente dipendere da dettagli tecnici dei tuoi sistemi informatici. Sarebbe folle se un fisico dicesse: “Qual è il peso di questa bottiglia?” e la risposta dipendesse dal fatto che il sistema informatico sia configurato in russo o in francese. È semplicemente assurdo. La risposta è ovviamente completamente indipendente. O immagina se il peso dipendesse dal fatto che si tratti di una macchina Linux o Windows. Folle. Quindi, stai guardando a caratteristiche che dovrebbero essere completamente indipendenti dal tuo sistema informatico.

Ciò che ho dimostrato col livello di servizio è che, giocando con l’assortimento, puoi ottenere variazioni enormi nel livello di servizio. Questa è una dimostrazione di quanto questa misura sia effettivamente folle. La mia opinione è che se dobbiamo passare alla qualità del servizio, torniamo all’idea che, se hai qualcosa di fondamentalmente folle, dovresti operare senza di essa. Anche se non hai un’alternativa, è come avere un tumore: rimuovi il tumore e starai meglio senza di esso. Non pensare ancora a cosa dovresti mettere al posto del tumore.

Possiamo avere misurazioni veramente di alta qualità per la qualità del servizio? Sì, possiamo. Questo è un ambito di discussione completamente diverso, e preferirei non addentrarmi in questa zona. Ma capisci il mio punto. Non puoi superare la stupidità naturale con l’intelligenza artificiale. Non importa quanto siano sofisticate le tue tecniche, se il tuo presupposto è molto scorretto, non risolverà il problema. Se inizi con un concetto rotto, con un paradigma rotto, non importa quanta strumentazione aggiungi; il tuo paradigma rimane rotto.

Conor Doherty: Sì, va bene, possiamo accettarlo. Ma la risposta immediata a ciò è quella di un CEO che dice: “Di cosa stai parlando? L’anno scorso ho fatturato 10 miliardi utilizzando le scorte di sicurezza, i livelli di servizio, le RFP e le previsioni mediante serie storiche.” Pur non esistendo un limite al numero di cose che possono essere vere contemporaneamente, e nonostante possano contraddirsi, capisci sicuramente che per certe persone, sentire “sei stupido a fare queste cose” o “sei ignorante” o “queste sono cattive idee” le porta spesso a puntare al risultato finale e dire: “Ma guarda, sto andando davvero, davvero bene. Di cosa stai parlando?”

Joannes Vermorel: Ricominciamo dall’inizio. Negozi di moda. Abbiamo clienti, e nel corso degli anni abbiamo avuto discussioni con potenziali clienti che poi sono diventati clienti. Ci dicevano di ottimizzare i livelli di servizio. È ciò che dichiarano, e se osservi il processo, è scritto così. Ma quando inizi a vedere cosa fanno i professionisti, non è così. Torniamo alle scorte di sicurezza. A quanto pare, nei negozi di moda, quando arriva la nuova collezione, improvvisamente decidono di non riordinare quasi tanto. Intenzionalmente lasciano scendere i livelli di servizio in modo piuttosto significativo. Poi, quando finalmente è il momento della nuova collezione, si ha un breve periodo di svendita e, improvvisamente, c’è spazio a sufficienza per far entrare la nuova collezione.

Quindi, siamo in una situazione in cui le aziende, soprattutto il top management, dichiarano di utilizzare i livelli di servizio, ma in realtà non lo fanno. Le persone in prima linea stanno agendo in modo diverso. Per questo, ancora una volta, quando provi ad automatizzare, fallisce. Quando cerchi di automatizzare, in realtà stai cercando di imporre questa idea disfunzionale al tuo supply chain, e ciò confligge con la realtà, perciò fallisce. Le persone tornano ai fogli di calcolo.

La cosa interessante è che c’è un’enorme quantità di dissonanza cognitiva nel mondo moderno del supply chain. Alcuni dei principi fondamentali, come le serie temporali, le scorte di sicurezza e i livelli di servizio, sono completamente rotti. Le persone in pratica fanno cose totalmente diverse da quelle indicate nei fogli di calcolo. Invece di considerare i livelli di servizio come qualcosa da imporre, li prendono solo come un indicatore e agiscono con molta discrezionalità.

Se trasformiamo la domanda in “È fondamentalmente negativo avere i livelli di servizio come indicatore da qualche parte?” direi di no. È solo una statistica descrittiva tra molte altre statistiche descrittive. In questo ambito, puoi avere una miriade di statistiche descrittive. Non sono né buone né cattive; sono semplicemente più o meno organizzate e ti offrono una comprensione più o meno chiara di ciò che accade. Ma la teoria del supply chain dice qualcosa di molto diverso.

Non dicono che il livello di servizio sia un elemento delle statistiche descrittive; ti dicono che è il tuo obiettivo e che dovresti prendere decisioni che lo corrispondano. Quello che dico è che le persone nelle grandi aziende quasi invariabilmente non fanno così, e hanno ragione. Proprio come per le scorte di sicurezza, se li chiedi, direbbero: “Oh sì, abbiamo i nostri obiettivi di livello di servizio. Abbiamo bisogno di maggiore maturità e un giorno lo faremo. Ma per ora, abbiamo bisogno di qualcosa che funzioni.”

Torniamo alla posizione piuttosto folle in cui i professionisti sanno di fare qualcosa di diverso, e pensano che sarà qualcosa che faranno da grandi, quando avranno più maturità, forse quando avranno un po’ di AI a sostegno. Ma non accadrà, perché il concetto è rotto. Come statistica descrittiva può andare bene, ma come strumento decisionale per la tua azienda è completamente difettoso.

Conor Doherty: Beh, dovevo inquadrare questo. Se l’argomento è – e correggimi se sbaglio – che ci sono aziende che possiedono queste politiche, questi indicatori, e i professionisti li stanno semplicemente ignorando, ma ci sono alcune aziende che stanno andando davvero, davvero bene, stai dicendo che stanno andando così bene per pura fortuna e per l’istinto dei professionisti che mettono il dito in aria e indovinano per caso?

Joannes Vermorel: No, sto solo dicendo che molti di quei problemi, fintanto che non utilizzi un approccio completamente difettoso, permettono soluzioni grezze che comunque funzionano per te. Vedi, la quantità di abilità necessarie per gestire correttamente un piccolo negozio di alimentari non richiede un dottorato da Stanford. Puoi farlo con molto meno. Puoi persino scoprire gradualmente ciò che funziona e ciò che non funziona.

Quello che sto dicendo è che quelle aziende possono godere del successo, ovviamente non grazie alla teoria del supply chain. Hanno persone con un po’ di esperienza che hanno scoperto alcune ricette numeriche che in qualche modo funzionano. Funzionano abbastanza bene. La prova che questa teoria non funziona è che tutte quelle grandi aziende hanno provato ad automatizzare i processi molte volte, praticamente una volta ogni cinque anni negli ultimi tre decenni, e ha fallito ogni singola volta. Le persone sono tornate ai fogli di calcolo ogni volta.

Perché ricorri al foglio di calcolo? La formula per lo safety stock è super semplice. Guidare le decisioni di inventario per raggiungere gli obiettivi di livello di servizio è altrettanto semplice in termini di codifica. È come una passeggiata, stiamo parlando in totale di 50 righe di codice, forse meno. Quindi, se funzionasse, sarebbe già in produzione, e il lavoro di tutte quelle persone sarebbe già automatizzato.

La mia tesi è che non lo è, non è minimamente automatizzato perché quei paradigmi sono rotti e, di conseguenza, non possono essere automatizzati come tali. Quelli che quei fogli di calcolo usati dai supply chain practitioners contengono sono metodi alternativi che di solito sono relativamente semplici, che per caso funzionano, ma che sono concettualmente incompatibili sia con lo safety stock che con i livelli di servizio.

Conor Doherty: Bene, quali strategie pratiche pensi possano ora utilizzare i supply chain practitioners per cercare di prendere decisioni di supply chain economicamente più sensate?

Joannes Vermorel: Vedi, se proviamo a tornare all’AI, il punto è che devi rinunciare a questa illusione che i concetti che conosci, che ti sono stati insegnati a scuola o da qualche associazione per la supply chain, siano semplicemente disfunzionali. Se cerchi di introdurre strumenti sofisticati, magari AI generativa o deep learning o blockchain o qualunque altra cosa ti venga in mente, semplicemente non funzionerà.

Quindi il primo passo è riconoscere che hai un problema paradigmatico. È una parola grossa per dire semplicemente che abbiamo questa teoria tutta sbagliata. Si è scoperto che ciò che stavamo facendo, in maniera quasi istintiva, è in effetti il modo migliore. Ora, se vuoi farlo in maniera veramente sofisticata, puoi provare a formalizzare questo istinto economico, che in sostanza è: non fare nulla che sia estremamente dannoso e costoso per l’azienda. È semplicemente il modo più formale di esprimere la stessa cosa.

Forse, una volta acquisita la giusta prospettiva, potrai adottare le tecnologie sofisticate, ed è proprio questo che fa Lokad. Ma in sostanza tutto inizia inquadrando correttamente il problema da una prospettiva che abbia senso. Finché rimarrai bloccato in una visione disfunzionale e stupida, fare il virtuoso della tecnologia è irrilevante. Questa è la parte triste. Ecco perché posso affermare con relativa sicurezza che quei fornitori di AI falliranno. Non importa se sono talentuosi o meno, non importa se la loro tecnologia è molto buona o molto cattiva, se è economica o esorbitantemente costosa. Tutto ciò è completamente irrilevante. Non funzionerà perché le premesse su cui si basano sono rotte.

Conor Doherty: Bene, Joannes, grazie. Non ho altre domande, ma passo ora ad alcune domande dal pubblico. Grazie mille. Quindi, in nessun ordine particolare, facendo riferimento alle quattro prove, le tue quattro modalità: RFPs, serie temporali, safety stocks e livelli di servizio. Se queste pratiche servono così poco le aziende, allora cosa, secondo te, impedisce ai team di management di scartarle semplicemente?

Joannes Vermorel: Cambiare qualsiasi cosa nelle grandi aziende è difficile, ma esiste una categoria di cambiamenti che è ancora più ardua. In linea di massima, ho notato che in ogni azienda, indipendentemente dalle dimensioni, rimuovere qualcosa è, diciamo, due ordini di grandezza, ossia 100 volte più difficile che aggiungere elementi. Aggiungere un nuovo processo è facile, aggiungere una nuova posizione è facile, aggiungere un nuovo pezzo di software è facile.

Eliminare qualsiasi cosa è molto difficile, in particolare in Francia. Ma ovunque, sai, possiamo scherzare sul fatto che in Francia esista la Banque de France, un’istituzione dedicata alla gestione di una valuta che non esiste dal 1992. Abbiamo un’anti-istituzione dedicata a gestire una valuta che non esiste da 30 anni. E, a proposito, conta circa 14.000 dipendenti a Parigi. Ma vedi, ciò che accade su larga scala negli ambiti governativi si verifica in scala ridotta nelle grandi aziende. Le burocrazie tendono a crescere da sole, questa è la legge di Parkinson.

Quindi, la domanda è: perché il management non rimuove le cose che non funzionano? Il fatto è che le persone stanno già facendo qualcosa di diverso. La politica aziendale ufficiale prevede che tutti usino lo safety stock. La realtà è che ci sono così tante sovrascritture manuali gestite tramite fogli di calcolo che, di fatto, l’azienda utilizza qualcosa di completamente diverso. Questa è la situazione. Continuiamo a recitare la farsa che l’azienda sia guidata dallo safety stock. Io dico: beh, sai, quello safety stock è ancora considerato una caratteristica importante della supply chain dell’azienda. In realtà non lo è. Ma alla fine, il management direbbe: cosa guadagno rendendo ufficiale che gli safety stocks non esistono più? In definitiva, non cambia nulla perché le persone già non lo usano.

Quindi, e vale lo stesso discorso. Una volta che hai un reporting per il livello di servizio, in realtà non ha molto senso. Tuttavia, il vantaggio di rimuoverlo nel brevissimo termine è limitato. A lungo termine, i benefici sono enormi perché si apre la strada a fare qualcosa che ha davvero più senso. Ma nel breve termine, i benefici sono limitati. Ancora una volta, aggiungere elementi è molto più semplice.

Se torniamo all’AI, ciò spiega anche perché c’è tanta voglia di abbracciare le tecnologie AI. È semplicemente un’aggiunta. Aggiungeremo un’altra categoria di elementi all’interno dell’organizzazione, e questo è molto semplice e piacevole, rispetto a dire che rimuoveremo una categoria di elementi che ostacolano il rendere l’azienda più efficiente, più redditizia e nel servire meglio i clienti. È molto più difficile per un manager dire: “Rimuoverò persone e le cose andranno meglio.”

Basta immaginare cosa è successo con Elon Musk su Twitter, quando ha detto: “Ho appena licenziato l'80% del personale e Twitter, ora X, è più fluido che mai”. Ha più utenti che prima e, nel complesso, hanno aggiunto una marea di funzionalità che il team precedente, cinque volte più grande, non era in grado di realizzare nelle decadi passate. Questo riflette il potere del sottrarre elementi, ma è estremamente difficile. È molto, molto difficile. Quindi direi che queste cose non si muovono perché eliminare qualcosa è estremamente difficile, anche se è criticamente importante.

Conor Doherty: Grazie. Prossima domanda, è molto ben formulata. Considerando il tuo storico rifiuto categorico dell’intervento umano, lo consideri un esempio di stupidità naturale?

Joannes Vermorel: Gli override manuali. Voglio dire, dipende. Se stiamo sovrascrivendo una ricetta numerica completamente assurda, va bene. Quello che intendo dire è che la situazione diventa ancora più folle se finisci in circostanze in cui le tue ricette numeriche sono insensate.

Conor Doherty: Quando parli di ricette numeriche.

Joannes Vermorel: È qualunque cosa calcoli le decisioni di supply chain, come quanto dovresti ordinare, quanto produrre, dove allocare lo stock, e via dicendo.

Quindi hai ricette numeriche insensate, perciò è assolutamente normale sovrascrivere manualmente quegli output folli per le decisioni. E ora ciò che accade è che nell’organizzazione finiscono per esserci molte persone che trascorrono intere giornate a sovrascrivere decisioni. Per quanto mi riguarda, ciò è necessario, altrimenti l’azienda si schianterebbe contro un muro a causa di quelle decisioni completamente insensate.

Ora, ciò che succede è che le burocrazie si espandono sempre. Questa è la legge di Parkinson. Le burocrazie si espandono. Se hai persone che trascorrono intere giornate a sovrascrivere manualmente decisioni numeriche, allora ci saranno persone che passeranno l’intera giornata a sovrascrivere gradualmente artefatti numerici. E che cos’è un artefatto? Un artefatto è semplicemente qualcosa che esiste nel tuo sistema, come un service level, una previsione, una previsione giornaliera, una previsione mensile, un budget, o altro.

Qualcosa con cui puoi giocare. Questo numero non ha alcun effetto tangibile sulla tua attività. Potrebbe avere un effetto negativo se da questo artefatto derivassero delle decisioni, magari. Ma molto spesso le decisioni non hanno impatto sugli artefatti. Quindi pensalo semplicemente come giocare con i KPI e simili. Sarà irrilevante, tranne forse agli occhi del management perché avrai un numero che “sembra” migliore.

Ma ancora una volta, la burocrazia si espande. Quindi hai iniziato con una situazione in cui c’erano persone che sovrascrivevano manualmente decisioni necessarie. E ora la burocrazia si espande. Ci saranno molte persone che sovrascrivono artefatti, artefatti numerici, ovvero cose che non contano. Queste saranno persone che giocheranno con le classi ABC, che giocheranno con i service levels, che giocheranno con i coefficienti per gli safety stocks, che giocheranno con i coefficienti di stagionalità, ecc. La lista è infinita.

E quello che sto dicendo è che sì, quegli override numerici sono totalmente folli e inutili. E, a proposito, l’approccio di Lokad – ed è per questo che la gente dice che sono molto scettico – è che se hai una ricetta numerica sensata, non dovrebbe esserci alcun bisogno di un override manuale. Se devi sovrascrivere manualmente i tuoi risultati, è perché la tua ricetta numerica è insensata. Sto parlando di una decisione. Quindi, se la decisione è insensata, devi correggere la ricetta numerica e continuare a farlo finché non rimane neanche una riga insensata.

Finché la tua ricetta numerica produce decisioni insensate, devi continuare a iterare per correggerla, senza eccezioni. Ed è per questo che, a proposito, in Lokad siamo generalmente molto scettici nei confronti di quegli override manuali. Gli override delle decisioni riflettono semplicemente che hai una ricetta numerica cattiva. E l’override degli artefatti numerici riflette semplicemente un lavoro burocratico completamente inutile, che potrebbe essere eliminato del tutto senza cambiare nulla per l’azienda.

Conor Doherty: Sì, si tratta di curare i sintomi e non la causa.

Joannes Vermorel: Essenzialmente, sì, esatto. E, inoltre, agendo nell’interesse delle burocrazie. Ancora, questa è la legge di Parkinson. Le burocrazie tendono a crescere. Quindi, se moltiplichi il numero di impiegati che eseguono quegli override manuali per un fattore 10, avrai dieci volte più aggiornamenti di quei valori. Non renderà migliore la tua supply chain.

Conor Doherty: Beh, per me va bene. Grazie. Prossima domanda. È in due parti. In che modo i sistemi ERP hanno peggiorato il problema e perché non riescono a gestire le previsioni probabilistiche? Hai accennato solo implicitamente alle previsioni probabilistiche in precedenza, ma sentiti libero di approfondire.

Joannes Vermorel: Direi che gli ERP hanno peggiorato il problema, grazie soprattutto ai ricercatori di mercato, rendendo la situazione molto confusa. Per prima cosa, in un ERP non c’è la P, cioè non c’è planning: si tratta di enterprise resource management. Non c’è pianificazione. Ciò che hai è un sistema transazionale. Serve semplicemente a gestire un flusso transazionale. È in sostanza il corrispettivo elettronico, in termini di flusso, del tuo flusso fisico. Ed è positivo. Ti fornisce la rappresentazione elettronica di ciò che avviene fisicamente nella tua supply chain. Ed è positivo.

Il problema è che la pianificazione improvvisamente… Entra in gioco quello che chiamo un sistema di record. Con la pianificazione entriamo nel territorio dei sistemi di intelligenza e di decisione. Ora, perché gli ERP hanno peggiorato la situazione? È perché i fornitori hanno rapidamente capito, verso la fine degli anni ‘90, che i sistemi di record, noti anche come CRUD apps (Create, Read, Update, Delete), erano già diventati una merce comune. Lo erano già da 20 anni.

Al giorno d’oggi, è ancora più incredibilmente banalizzato. E, a proposito, se vuoi avere una vera applicazione di AI generativa come strumento di produttività, è eccellente scrivere codice per le CRUD apps. Quindi ora, con fondamentalmente ChatGPT, puoi letteralmente scrivere applicazioni simili a ERP in modo super, super veloce, perché quelle cose sono semplici. C’è molto codice boilerplate; se ne ha in abbondanza. È incredibilmente ripetitivo. Non è come ingegneria sofisticata.

Quindi, per quelle tipologie di strumenti di produttività, l’AI funziona incredibilmente bene per gestire l’ERM, cioè l’enterprise resource management. Ora, tornando a questa situazione resa confusa: ciò che ti aspetti dai tuoi sistemi informatici per gestire un sistema di intelligenza decisionale è completamente diverso da ciò che ti aspetti da un sistema di record. Un esempio è: quanti millisecondi puoi permetterti di tenere il sistema occupato? Se si tratta di un sistema di record, la risposta è meno di un millisecondo. Qualunque cosa tu faccia, dovrebbe concludersi in un millisecondo.

Perché? Perché il tuo sistema, il tuo ERM, diciamo, si basa su un database centralizzato, che è una risorsa condivisa per tutti e per ogni singolo processo nella tua azienda. Quindi, tutto converge in questo unico database. Se blocchi quel database per un millisecondo, significa che tutto il resto subirà un ritardo di un millisecondo. Potresti dire: “Oh, un millisecondo non è nulla.” Sì, ma ora hai 500 persone a farlo. Ok, non sono 500, sono 500 millisecondi di ritardo che cominciano a farsi notare.

Ora, cosa succede se alcune di quelle richieste bloccano il tuo nucleo relazionale? Sto semplificando per un attimo. All’improvviso, ti ritrovi con un sistema estremamente lento. Ad esempio, la scansione di un codice a barre può richiedere diversi secondi affinché il sistema riconosca ciò che hai appena fatto. Ed è per questo che molte aziende si lamentano: “Oh, il mio sistema ERP è così lento.” La risposta è invariabilmente: è lento perché hai inserito in questo sistema cose che non avresti dovuto inserire.

L’ERM, cioè l’enterprise resource management, dovrebbe occuparsi solo di operazioni che possono essere calcolate in tempo sub-millisecond, quindi estremamente semplici. Se fai qualcosa che non è estremamente semplice, significa che bloccherai il tuo sistema. Stai consumando risorse che in qualche modo bloccheranno il sistema per un tempo misurabile. E se hai abbastanza persone a farlo – e indovina un po’, stiamo parlando di grandi aziende, con tanti processi e molte persone – il tuo sistema diventerà incredibilmente lento. Ed è esattamente per questo che gli ERP, oggi, sono ancora lenti come lo erano 20 anni fa. Anche se, in termini di potenza di calcolo pura, abbiamo computer almeno mille volte migliori. La risposta è: perché sono ancora così lenti? Perché si crea un equilibrio.

Se qualcosa sta rallentando l’ERP a tal punto che ci vogliono diversi secondi perché altri utenti ottengano una risposta dal sistema, allora il dipartimento IT si limiterà a spegnerlo e a impedirlo. E lo capisci. Quindi, essi agiscono come la polizia del consumo dell’ERP. E se c’è qualcuno che esagera, l’IT interverrà a un certo punto e impedirà che quella persona o quel software crei tanti problemi per il resto di noi. Così, c’è questo equilibrio che converge in uno stato in cui è lento ma tollerabile. Ed è per questo che la maggior parte degli ERP è super lenta, ma non così lenta da risultare insopportabile. Perché se si arriva al territorio dell’insopportabile, l’IT interviene e semplicemente spegne il sistema.

Quindi, torniamo ai sistemi di intelligence. Al contrario, se ci pensi, se devi riflettere su come effettuare un rifornimento in un negozio, dovrai esaminare anni di storico delle vendite. Vuoi osservare cosa accade con migliaia, possibilmente decine di migliaia di clienti. Voglio dire, è ovviamente qualcosa che manipola molti dati. Sicuramente è un’operazione per la quale vale la pena investire un pochino più di un millisecondo di calcolo. Il calcolo è economico.

Il problema è che se possiedi un ERM, le tue risorse sono condivise da tutta l’azienda. Quindi, ciò che desideri è avere un sistema di intelligence esterno all’ERM, in modo che possa impiegare tutto il tempo necessario per eseguire quei calcoli sofisticati. Quindi, tornando alla domanda iniziale, i sistemi di record devono occuparsi di operazioni transazionali, che sono regole molto semplificate. La previsione probabilistica è l’archetipo di quelle cose che non vuoi avere nel tuo sistema di record. Voglio dire, ancora una volta, non appena parli di previsione probabilistica si entra nel campo delle distribuzioni di probabilità. Quegli oggetti, in termini di memoria, sono ingombranti. Occorrerà molto spazio per contenere tutte quelle probabilità. Puoi essere molto abile in vari modi, ma diciamolo chiaramente: rispetto ai dati grezzi che hai, questo introduce un sacco di overhead. Stai espandendo i tuoi dati a livello macro per valutare tutte quelle probabilità. Quindi, fondamentalmente, hai qualcosa che per sua progettazione potrebbe essere molto potente, sì, ma non sarà in tempo reale. Se ti addentri in valutazioni probabilistiche sofisticate, non stai operando nel territorio del calcolo in tempo reale. Vuoi qualcosa che ti permetta di allocare gigabyte di memoria e di impiegare, diciamo, secondi per il calcolo. Va bene. La maggior parte delle decisioni della supply chain può permettersi qualche secondo di ritardo, ma il tuo ERP no.

Conor Doherty: Bene, ancora una volta, per riprendere il punto sui sistemi di intelligence e sulla mancanza di necessità di effettuare calcoli in tempo reale, a seconda di ciò che stai cercando di calcolare. Quindi, per dare solo un’idea dell’ordine di grandezza, se prendi l’esempio di un ordine di rifornimento di inventario, se parlassi di un negozio o di un cliente – supponiamo 300 negozi e, per numeri arrotondati, 50.000 SKU – parleremmo di 10 ore, 12 ore, tipo elaborazione notturna, per giungere a queste decisioni, al contrario del sistema di record che invece sarebbe…

Joannes Vermorel: Sì, ma devi mantenere il calcolo, tipicamente come a Lokad, sotto i 60 minuti, sebbene per un motivo completamente diverso. Quindi sì, in teoria, potresti avere un calcolo che richiede 10 ore. In pratica, però, è una pessima idea: se il calcolo si interrompe a metà e devi riavviarlo, stai creando problemi operativi.

Joannes Vermorel: Quindi, vuoi che il calcolo sia sufficientemente breve in modo che, quando devi rifarlo, ci sia ancora ampio margine di tempo. E il secondo motivo, ancor più importante, è che questo calcolo inizialmente non verrà eseguito correttamente. Come ho detto, una ricetta numerica, finché produce risultati assurdi, va modificata e aggiornata fino a ottenere una ricetta che non generi decisioni insensate, il che significa molte iterazioni.

Se hai qualcosa in cui il calcolo si completa in meno di 60 minuti, significa che un ingegnere può fare forse cinque o sei iterazioni al giorno. Se invece il calcolo richiede 10 ore, fai un’iterazione al giorno. Vuoi davvero avere uno strumento che permetta a un ingegnere di iterare molte volte al giorno. E spesso, a Lokad, quando siamo in fase di design e elaboriamo una nuova ricetta numerica, cerchiamo di mantenere il calcolo entro pochi minuti, così da poter effettuare letteralmente decine di iterazioni al giorno.

Conor Doherty: Ci sono esempi, però, passando dal retail a qualcosa come l’aerospaziale. Ci sono situazioni in cui vorresti che le decisioni venissero generate in pochi minuti anziché in un’ora. Per esempio, 60 minuti potrebbero avere conseguenze finanziarie catastrofiche. Quindi, non si tratta di dire che il minimo tempo accettabile è 60 minuti, ma che dipende dal contesto del settore.

Joannes Vermorel: Assolutamente. Ma, vedi, devi considerare che tra un millisecondo, che dovrebbe essere il target prestazionale all’interno di un ERP, e un minuto stiamo parlando di quasi cinque ordini di grandezza. È molto diverso. È letteralmente più di 10.000 volte, sai, il che significa che puoi operare in modo molto, molto differente.

Se vuoi operare al di sotto di un millisecondo, è davvero molto difficile. Molte cose non sono nemmeno possibili. Persino la velocità della luce è piuttosto lenta. Voglio dire, se parliamo di operazioni sotto il millisecondo, significa che la velocità della luce copre solo 300 chilometri. Può sembrare tanto, ma se consideri il viaggio andata e ritorno, un millisecondo corrisponde letteralmente alla velocità della luce. In pratica, non puoi andare oltre i 150 chilometri se devi spostarti.

Quindi, vedi, si tratta di quella velocità in cui improvvisamente ogni comunicazione di rete diventa irrealizzabile. Se vuoi ottenere prestazioni sub-millisecondo, non è consentito effettuare alcun tipo di comunicazione di rete. Persino il caricamento di dati da un disco rotante è praticamente escluso. Un disco che ruota – un disco magnetico – avrà una latenza di circa 10 millisecondi. Quindi, anche caricare qualcosa da un disco è fuori discussione.

Con un drive SSD, cioè un disco a stato solido, puoi farlo, ma anche lì non potrai effettuare troppi accessi. Forse solo qualche tanto. Quello che sto dicendo è che esiste un’enorme differenza tra ciò che puoi fare in un millisecondo e ciò che puoi fare in un minuto. In termini di progettazione dei computer, è completamente diverso. Se hai un minuto a disposizione, puoi effettuare molte chiamate di rete, eseguire calcoli sofisticati, caricare molti dati. È immensamente più semplice da realizzare.

Conor Doherty: Bene, Joannes, grazie. Non ci sono ulteriori domande. Ti ringrazio immensamente per il tuo tempo. È stata circa un’ora e mezza, quindi ti concedo un minuto per un pensiero finale. C’è qualcosa che vorresti dire prima di concludere?

Joannes Vermorel: No, vorrei augurare tanta forza mentale a tutte le persone impegnate nei processi AI per la loro supply chain perché, beh, quei processi falliranno. Mi dispiace moltissimo. Mi dispiace davvero, ragazzi. È semplicemente così. Non prendertela sul personale. Voglio dire, penso che possiate trovare un po’ di conforto nel fatto che le vostre competenze sono irrilevanti, sai. E, tra l’altro, anche le competenze del vostro fornitore a questo punto sono irrilevanti. Quindi, non importa se sei bravo o cattivo, sai. In questo modo, potrai considerarti non troppo male quando il fallimento si presenterà. Non prenderla sul personale. Il fallimento era garantito. Era destinato a fallire fin dall’inizio.

Conor Doherty: Sì, okay. Bene, con questa nota allegra e festosa, Joannes, ti ringrazio moltissimo per il tuo tempo e grazie a tutti per averci seguito. Ci vediamo nel 2025.