Quando si parla di intelligenza artificiale nei progetti aziendali, il divario tra sperimentazione e impatto reale è sempre il tema dominante. Molte organizzazioni hanno avviato progetti pilota, ma poche sono riuscite a portare l’AI in produzione su scala, generando valore ricorrente e misurabile. Il motivo, nella maggior parte dei casi, non è la potenza dei modelli, ma l’assenza di un contesto operativo che permetta all’AI di capire dove intervenire, su quali processi, con quali priorità.
Il bisogno e la soluzione
Telecomunicazioni, automotive, tecnologia, energia, distribuzione chimica: cinque settori diversi, un denominatore comune. In ciascuno di questi casi, il passaggio dall’AI sperimentale a quella operativa è avvenuto quando l’organizzazione ha smesso di cercare la “killer application” dell’intelligenza artificiale e ha iniziato a costruire il contesto di processo su cui farla funzionare. Tutti hanno individuato nella Process Intelligence Platform di Celonis la soluzione. La platform si posiziona come layer orizzontale: crea un digital twin multimodale delle operazioni, espone gli insight agli agenti AI attraverso il model context protocol (Mcp), e orchestra persone, automazioni e intelligenza artificiale con il Celonis Orchestration Engine. Non un’applicazione verticale, ma un’infrastruttura di intelligence che rende l’AI componibile, misurabile e indipendente dai vincoli dei sistemi legacy. I cinque casi proposti mostrano proprio come aziende di settori molto diversi siano riuscite a trovare un denominatore comune nelle soluzioni di Celonis per trasformare i propri processi e rendere l’enterprise AI concretamente operativa.
Deutsche Telekom, procure-to-pay ottimizzato
Deutsche Telekom Services Europe gestisce il processo Procure-to-Pay per l’intero gruppo, con oltre 2 milioni di ordini e quasi 9 milioni di fatture l’anno per un volume di acquisti superiore a 7 miliardi di euro.
Prima di Celonis, il centro servizi condivisi aveva digitalizzato i processi ma non riusciva a individuare le cause profonde delle inefficienze: pagamenti duplicati, sconti cassa persi, penali contrattuali non riscossse. Collegando i dati di oltre 10 sistemi sorgente, tra cui Sap Ariba e Salesforce, la Process Intelligence Platform ha fornito per la prima volta una visione oggettiva dei flussi reali. La soddisfazione di Peter Tasev, senior VP Procure-to-Pay di Dtse trova il riscontro dei numeri: 40 milioni di euro annui di risparmi aggiuntivi sugli sconti cassa, un tasso di pagamento puntuale superiore al 90%, 12 milioni di risparmi dall’automazione e 3 milioni recuperati da pagamenti duplicati bloccati in tempo reale. Oggi 1.500 dipendenti utilizzano Celonis per 150 casi d’uso nell’intero gruppo.
Mercedes Benz, visibilità end-to-end per 30 stabilimenti
Diverso il caso di Mercedes. Per un costruttore automobilistico, la sfida è mantenere precisione e velocità attraverso una delle reti manifatturiere più complesse al mondo: milioni di componenti, fornitori e processi interconnessi.
La piattaforma Celonis si integra in questi casi con i sistemi di produzione e logistica del gruppo, potenziando la piattaforma proprietaria MO360 con visibilità su ogni ordine, componente e processo. L’AI copilot prevede le tempistiche di consegna e ottimizza il sequencing; la Process Intelligence identifica colli di bottiglia nella logistica dei ricambi post-vendita; il rilevamento anomalie basato su AI intercetta deviazioni prima che impattino la qualità produttiva. “La piena trasparenza sui dati lungo la rete produttiva e la supply chain ci consente di agire con maggiore velocità e precisione – spiega Jörg Burzer, Membro del Board di Mercedes-Benz Group AG -. Con centinaia di utenti attivi e un’adozione in crescita, Celonis è diventato un abilitatore chiave della nostra trasformazione digitale”.
Fujitsu, l’AI ottimizza la gestione delle scorte
Da produttore hardware a fornitore di servizi IT e per la digital transformation. E’ la sfida raccolta da Fujitsu che ha avviato cinque anni fa per questo il progetto Fujitra.
Per riuscirci, ha cominciato a trasformare se stessa: il programma One Fujitsu punta infatti a unificare sistemi e promuovere il management basato sui dati. Il caso più significativo nell’ambito di questi progetti riguarda la gestione delle scorte di sicurezza, gonfiate durante la pandemia: oltre 25.000 tipologie di prodotti e 2,5 milioni di articoli distribuiti su 11 sistemi diversi. “Con Celonis siamo riusciti a integrare i dati dispersi su 11 sistemi in un solo mese”, spiega Kazutomi Taneda, responsabile del dipartimento Prs Hardware Support di Fujitsu. Il risultato: una riduzione del 20% delle scorte in eccesso, il 50% in meno di ordini di inventario in sei mesi e un premio interno per l’innovazione AI. “Al di là dei numeri, i team operativi hanno iniziato a identificare e risolvere proattivamente le criticità di processo”, aggiunge Taneda.
Uniper, risparmio sui processi orchestrati con l’AI
Nel settore energetico, Uniper affronta la complessità di gestire impianti di generazione, reti di distribuzione e processi amministrativi su scala internazionale.
L’operatore ha deciso di implementare Celonis su 27 processi distinti, collegando 8 sistemi sorgente e coinvolgendo oltre 350 utenti attivi, con il risultato quantificabile in risparmi a doppia cifra per milioni di dollari. L’ottimizzazione ha toccato ambiti diversi: dalla manutenzione degli impianti, con riduzione dei rischi e dei tempi di attesa dei fornitori, alle risorse umane con processi di recruiting più rapidi, fino ai servizi finanziari interni. “La potente combinazione delle tecnologie AI di Microsoft con la Process Intelligence di Celonis ci consente di identificare i casi d’uso AI a più alto valore, automatizzare intelligentemente i flussi di lavoro e tracciare i guadagni di performance”, dettaglia Damian Bunyan, Cio di Uniper.
Vinmar, visibilità operativa centrale per il business
Vinmar International, distributore globale di plastiche, prodotti chimici e materie prime con fornitori e clienti in oltre 110 Paesi, si trova ad affrontare un problema di visibilità operativa: gli ordini di vendita richiedono il coordinamento di più dipartimenti senza trasparenza condivisa né priorità allineate.
Con Celonis, Vinmar sta trasformando l’intero processo order-to-invoice di un’unità di business da 3 miliardi di dollari in un’operazione automatizzata. Da una cockpit centrale, il team monitora ogni ordine dal momento dell’inserimento fino alla fatturazione. Un agente AI, alimentato dalla Process Intelligence di Celonis, seleziona automaticamente i migliori vettori di trasporto per ogni spedizione, presentando le tre opzioni più vantaggiose a un operatore umano per l’approvazione. “Celonis ci ha dato un vantaggio decisivo nel nostro percorso verso l’AI”, dichiara Vishal Goradia, Ceo di Vinmar, e prosegue “avere i dati in un unico luogo, puliti e coerenti, è il requisito fondamentale per qualsiasi progetto AI”. Il risultato: +20% di produttività operativa e un’organizzazione che da reattiva è diventata, nelle parole del team, “anticipatory”.
L’elenco delle aziende che stanno imboccando queste direzioni continua ad allungarsi: da Akzo Nobel a Daimler Truck, da Latam Airlines a Mondelez, da Toyota Tsusho a Telia. Il messaggio che emerge dai casi è coerente: per industrializzare l’Enterprise AI non basta un modello linguistico potente. Serve un’intelligence di processo che dia contesto, direzione e misurabilità a ogni agente e a ogni decisione automatizzata.
Le esperienze sul campo mostrano ancora che l’AI componibile non è un’”aspirazione”, ma un modello operativo che è già possibile portare in produzione. “L’intelligenza artificiale accelera la transizione dalle applicazioni monolitiche alle architetture modulari, ma una nuova interfaccia non sostituisce la necessità di un livello di intelligenza sottostante – chiosa e conlude Daniel Brown, chief product officer di Celonis -. La proposta rappresenta il layer necessario per le operazioni guidate da AI. Colleghiamo e trasformiamo i dati dell’intero panorama tecnologico in un gemello digitale per fornire in tempo reale l’intelligenza operativa e di processo di cui gli agenti AI hanno bisogno per offrire un valore reale”.
© RIPRODUZIONE RISERVATA
