Le filiere che portano un prodotto dalla materia prima allo scaffale, la supply chain estesa, sono tra i nodi più fragili del business: un ritardo, un fornitore in difficoltà, un magazzino congestionato bastano a generare perdite ingenti. Le aziende hanno riempito questi processi di cruscotti e analisi, ma la decisione resta in mano a persone “sommerse” da emergenze quotidiane. L’intelligenza artificiale agentica promette di cambiare passo: non solo sistemi che suggeriscono, ma che osservano, decidono e agiscono entro regole definite, lasciando alle persone il giudizio sui casi critici. Ne parliamo con Giorgio Chivilo, Senior Industry Specialist Manufacturing, AWS.
Partiamo dalla maturità: a che punto sono le supply chain nel percorso verso l’Intelligenza Artificiale applicata ai processi di Extended Supply Chain?
Il quadro che rileviamo è a due velocità. Cresce la consapevolezza, quasi tutte le organizzazioni poggiano le analisi su strumenti di analisi e, più di recente, di AI, ma la maturità operativa in termini di intelligenza applicata all’esecuzione resta indietro. I dati di mercato lo fotografano:
• 75% delle organizzazioni con supply chain al centro del business si dichiara impreparato a prevenire anomalie (DP World, 2025)
• 85% impiega due o più settimane per identificare il root cause di un problema urgente e risolverlo (AWS, 2025)
• ~301 miliardi di dollari di perdite annue riconducibili alle anomalie delle filiere (IHL Group, 2025)
La tecnologia disponibile è matura, il motivo sta nelle fondamenta su cui le soluzioni si appoggiano: il 56% dei responsabili indica l’integrazione dell’AI con i sistemi legacy come principale ostacolo alla scalabilità. L’ostacolo più grande, però, è la dispersione dell’informazione, che perde integrità e relazioni perché intrappolata in “silo” funzionali. Come sintetizza Gartner (Gartner Survey Finds Technology Integration and Talent Perceived as Key Roadblocks to Scaling AI in Supply Chain , 2026) appoggiare l’AI su fondamenta pensate per l’era analogica consolida le inefficienze e produce ottimizzazioni solo locali, non un salto di valore.
La maturità, allora, si misura nella capacità di portare in produzione, su un dato unificato, contestualizzato e governato, decisioni che prima erano manuali. E su questo aspetto ciò che rileviamo è una maturità ancora medio-bassa.
Qual è il cambiamento di paradigma che l’AI, in particolare quella agentica, introduce rispetto agli strumenti che le aziende già usano?
Il cambiamento sta nell’invertire il triangolo sforzo-valore e la capacità di tradurre questo principio in pratica. La maggior parte delle soluzioni oggi in produzione si ferma alla business intelligence, anche generativa: cruscotti, insight e raccomandazioni che chiedono comunque a una persona di decidere e agire, anche su scenari ricorrenti.
Dashboard sempre più sofisticate hanno richiesto molto lavoro IT dietro le quinte, con una data estate (l’insieme dei sistemi e delle basi dati aziendali) più moderna, ma non hanno risolto l’esigenza chiave: velocizzare la decisione, perché la mole d’informazioni da processare resta grande e le relazioni tra i dati spesso non sono rappresentate a sufficienza. Modernizzare la data estate aiuta ma non centra ancora l’obiettivo di automatizzare le decisioni sia per reagire e mitigare in tempo reale imprevisti, sia restituire ai professionisti della supply chain tempo di qualità per attività ad alto valore. E la modernizzazione del patrimonio dati deve, a questo punto, prevedere di supportare nativamente l’era agentica.
È ciò che illustra lo schema qui sotto. Oggi gran parte del tempo e dello sforzo si concentra sulla base del triangolo, attività ad alto sforzo e basso valore come la gestione delle urgenze/emergenze quotidiane, mentre solo poche persone riescono a dedicarsi al lavoro ad alto valore. Un esempio concreto: un pianificatore che oggi passa l’80% del tempo a gestire emergenze e il 20% a ottimizzare. Con l’AI agentica, le proporzioni si invertono.
L’automazione di una parte delle operazioni e di decision making rovescia il triangolo: libera capacità dalla base e la sposta verso l’alto, dove si generano nuovo valore e migliori risultati di business: più ricavi, migliore esperienza cliente, efficienza operativa e finanziaria.
Questo “spostamento” è reso possibile grazie al passaggio da una tecnologia che assiste a una che analizza ed esegue in autonomia, entro guardrail definiti: un sistema nervoso digitale per supply chain capaci di “adattarsi” e “auto-ripararsi”, che pianifica, osserva, rileva, raccomanda, agisce e apprende di continuo, e rimette la decisione al giudizio umano solo quando le policy lo richiedono. Gartner stima che entro il 2031 il 60% delle disruptions di supply chain sarà risolto senza intervento umano, grazie a supply chain sempre più autonome: non per sostituire le persone, ma per liberarle dal lavoro reattivo, con tracciabilità delle azioni ed escalation, così che l’autonomia non sia mai una scatola nera (Gartner Predicts 60% of Supply Chain Disruptions Will Be Resolved Without Human Intervention by 2031, 2026).
È il modello su cui si basa Amazon Connect Decisions, la soluzione di AI agentica di AWS per la supply chain. I suoi “AI teammates” armonizzano i segnali di domanda in previsioni consensuali, generano piani ottimizzati rispetto ai vincoli e monitorano le operations 24/7, filtrando migliaia di eccezioni, raggruppandole per impatto e, dove autorizzato, eseguendo le azioni approvate. È un triangolo che si rovescia nella pratica.
Scendiamo sul concreto: quali sono i casi d’uso più maturi dell’AI agentica lungo la filiera estesa?
Ragionerei per processi, non per funzioni isolate. Nella pianificazione: rilevamento continuo della domanda e previsioni aggiornate in tempo reale, pianificazione delle scorte e definizione di un piano condiviso a partire da raccomandazioni pronte da approvare e mandare in esecuzione. Nell’esecuzione: rilevamento delle eccezioni, re-planning e nuovo instradamento automatico quando un fornitore ritarda o un nodo logistico si congestiona. Nella visibilità: control tower che non mostrano soltanto lo stato, ma propongono e, dove consentito, attuano la contromisura.
Oggi ci sono ancora molti prototipi e pochi sistemi in produzione capaci di portare vera automazione end-to-end: la differenza tra un prototipo e un progetto che scala sta nel modo in cui lo si disegna, sin dal principio. Si parte dal concetto di un vero e proprio sistema operativo per la supply chain. Come il sistema operativo di uno smartphone coordina app diverse, questo “OS della filiera” coordina dati, modelli, solver matematici e agenti, ed espone le funzionalità come servizi utilizzabili da altri attori del sistema. Non un’unica applicazione, ma un insieme di risorse, strumenti e intelligenza con, alla base, una capacità fondamentale: contestualizzare l’informazione e guidarla attraverso i processi di supply chain.
Due gli elementi abilitanti: il contesto, ovvero un modello dati (spesso un grafo) e un digital twin che integra ERP, WMS, TMS, OMS, dati dei partner logistici e segnali esterni in una vista coerente, e l’orchestrazione di agenti specializzati che dialogano tramite protocolli standard e richiamano le capacità esistenti, native o esposte da soluzioni partner. Così l’intelligenza si integra con il panorama applicativo esistente senza dover riscrivere le applicazioni né attendere anni per rivedere l’intera data estate.
Un caso d’uso spesso trascurato riguarda la tracciabilità end-to-end (visibilità) e la sostenibilità: basandosi su un dato condiviso dall’intera value chain, diventano un sottoprodotto naturale di decisioni meglio informate, in un contesto normativo sempre più stringente.
In AWS, questo approccio si concretizza in Amazon Connect Decisions, costruito su anni di gestione della supply chain di Amazon (400M+ SKU, 25+ strumenti specializzati). Gli AI teammates operano in un ciclo continuo: osservano pattern, rilevano anomalie, raccomandano azioni e, se autorizzati, le eseguono. Si configurano a partire dai documenti operativi dell’azienda (“Knowledge Sources”) e imparano dalle decisioni dei pianificatori tramite “Plan Improvement Actions”. I primi risultati pubblici confermano l’efficacia: Wells Vehicle Electronics ha ridotto le scorte del 7% in tre mesi con fill rate in crescita e penalità azzerate presso un grande retailer automotive, e ha automatizzato il 90% della logica di forecasting migliorando l’accuratezza previsionale di quasi il 40%. TE Connectivity ha utilizzato gli AI teammates per identificare sbilanciamenti domanda-offerta invisibili all’ERP, liberando capitale circolante. Amazon Pharmacy con un meccanismo analogo ha ottenuto un miglioramento dell’accuratezza previsionale del 50% rispetto allo standard di settore.
Leggi tutti gli approfondimenti della Room Barometro Integrated supply chain 2026
© RIPRODUZIONE RISERVATA
