Le supply chain globali sono entrate in una fase di incertezza strutturale: agli shock del triennio 2020-2022 sono subentrati rischi più diversificati (tensioni geopolitiche, vincoli normativi, volatilità di costi ed energia). In questo scenario SAP presenta la visione Autonomous Enterprise, portando l’AI dentro i processi con agenti che rilevano, analizzano ed eseguono nei limiti definiti dall’azienda. Ne parliamo con Giacomo Coppi, Head of Supply Chain Management di SAP Italia.
Partiamo proprio dallo scenario. Le supply chain globali hanno vissuto anni di forte discontinuità. Dove siamo oggi?
Siamo in una fase che definirei di normalizzazione della complessità. Dopo gli shock del 2020-2022 – pandemia, colli di bottiglia nei semiconduttori, crisi logistiche – molte aziende si aspettavano un ritorno alla stabilità. Non è andata così. I rischi non sono scomparsi, si sono diversificati: tensioni geopolitiche, nuovi vincoli normativi sulla sostenibilità e sulla trasparenza delle filiere, volatilità dei costi energetici e delle materie prime.
Il risultato è che le supply chain sono diventate strutturalmente più incerte. E questa incertezza si traduce in pressione operativa quotidiana: i pianificatori passano la maggior parte del loro tempo a gestire eccezioni anziché a pianificare in modo proattivo. I manager della supply chain devono prendere decisioni in tempi sempre più compressi, con dati spesso frammentati tra sistemi diversi.
C’è però un elemento nuovo rispetto a pochi anni fa: la consapevolezza. Oggi si guarda alla supply chain come a una leva strategica, non più come a un centro di costo da ottimizzare. E questo ha cambiato le conversazioni che facciamo con i nostri clienti. Non si parla solo di efficienza operativa, ma di resilienza, di capacità di adattamento, di vantaggio competitivo.
In questo contesto, lo scorso maggio, SAP ha lanciato la visione di Autonomous Enterprise. Cosa significa concretamente, e perché ora?
L’Autonomous Enterprise è la risposta di SAP a una domanda che i nostri clienti ci pongono da anni in modi diversi: come faccio a fare in modo che i miei sistemi non si limitino a mostrarmi cosa sta succedendo, ma agiscano quando è necessario?
La risposta non era possibile finché l’AI era ancora prevalentemente un livello di analisi sovrapposto ai processi. Il cambiamento che abbiamo annunciato a Sapphire lo scorso maggio è che l’AI è ora embedded all’interno dei processi stessi. Non si tratta di un’interfaccia che risponde a domande. Si tratta di agenti che comprendono il contesto, ragionano sulle opzioni disponibili, eseguono azioni nell’ambito dei parametri definiti dall’azienda e, quando le situazioni superano quei parametri, scalano alla persona giusta.
L’architettura si articola su tre livelli: la SAP Business AI Platform (1), che fornisce l’infrastruttura per costruire, contestualizzare e governare gli agenti; l’Autonomous Suite (2), che include oltre 200 agenti specializzati e più di 50 Joule Assistants distribuiti su cinque domini – Finance, Spend, Supply Chain, HCM e Customer Experience; e Joule Work (3), il nuovo layer di engagement che consente alle persone di interagire con l’intera rete di agenti in linguaggio naturale.
Siamo arrivati al punto in cui la maturità dei modelli linguistici, la qualità dei dati nelle piattaforme cloud e la profondità dell’integrazione tra sistemi SAP rendono questa architettura non solo tecnicamente possibile, ma operativamente affidabile. Ed è su quest’ultimo punto, l’affidabilità, che voglio essere molto chiaro: l’Autonomous Enterprise non è una supply chain senza persone. È una supply chain in cui le persone si concentrano sulle decisioni che contano davvero.
Entriamo nel merito dell’Autonomous Supply Chain. Cosa cambia nel modello operativo rispetto a oggi?
Il cambiamento più significativo è il passaggio da un modello reattivo a uno che anticipa. Oggi la maggior parte delle imprese opera in modalità “rileva e rispondi”: il sistema segnala un problema, un essere umano lo analizza, decide e interviene. Questo ciclo richiede tempo, e in una supply chain complessa il tempo è un fattore critico. Ogni ora di ritardo nella risposta a una disruption ha un costo, in termini di servizio al cliente, di approvvigionamento di emergenza, di perdita di produzione.
Con un modello autonomo, il ciclo cambia: rileva la disruption, analizza l’impatto sull’intera rete, valuta le possibili rispose, esegue quelle approvate nell’ambito dei parametri stabiliti, presenta alla persona responsabile i casi che richiedono un giudizio umano. Il punto chiave è che l’agente SAP non prende decisioni arbitrarie: opera nell’ambito di guardrail definiti dall’organizzazione, con piena tracciabilità di ogni azione.
Per la supply chain abbiamo costruito sei Joule Assistants – per Demand Planning, Production Scheduling, Logistics, Inventory Management, Supplier Risk e Asset Maintenance – supportati da oltre sessanta agenti specializzati che eseguono le attività specifiche all’interno di ciascun dominio. È un’architettura coordinata, non una collezione di strumenti isolati.
C’è un altro elemento che considero fondamentale: la visibilità multilivello. Molti dei rischi più significativi per una supply chain non si manifestano al primo livello di fornitura, ma nei livelli più profondi. Un fornitore di secondo o terzo livello che entra in difficoltà può creare effetti a cascata che, senza visibilità, emergono solo quando è troppo tardi per intervenire efficacemente. Stiamo lavorando per portare questa visibilità dentro SAP Business Network, rendendo i segnali di rischio rilevabili molto prima.
Aziende come Damen Shipyards si stanno muovendo in questa direzione: stanno integrando SAP Business AI nei loro processi operativi ed esplorando use case embedded e custom per migliorare qualità dei dati, velocità decisionale e orientamento al dato. Hanno aderito pubblicamente alla visione Autonomous Enterprise, non come dichiarazione di principio, ma come scelta strategica concreta.
Focalizziamoci sul Planning, che è uno dei processi più critici. Cosa sta cambiando in concreto, e quali agenti sono già disponibili?
Il planning è l’area in cui l’impatto degli agenti AI è più immediato e misurabile, perché è quella in cui il volume di decisioni quotidiane è più alto e la capacità umana di gestirle è sotto pressione costante.
Il primo strumento che abbiamo reso disponibile è il Planning Assistant, integrato in SAP Integrated Business Planning. Funziona come un coordinatore intelligente: monitora in continuo gli alert di eccezione, li prioritizza in base al loro impatto effettivo sui KPI aziendali, raccoglie i segnali rilevanti da più fonti e li presenta al pianificatore in un unico workspace configurabile. Non sostituisce il contributo umano, aiuta il responsabile a concentrarsi sui problemi che meritano davvero un suo intervento, invece di disperdere il tempo su eccezioni con bassa priorità.
Un aspetto particolarmente interessante è l’integrazione con Joule per l’analisi di scenario in linguaggio naturale. Un pianificatore può descrivere una situazione, per esempio “cosa succede se il nostro fornitore principale di componenti ha un’interruzione di tre settimane?”. Joule genera in pochi minuti un’analisi dell’impatto a valle, con le risposte disponibili e una stima del loro effetto su service level e costi. Un’analisi che prima richiedeva ore di lavoro manuale su più sistemi.
BRF è un esempio che descrive bene questa evoluzione: l’azienda utilizza SAP IBP insieme ad AI e analytics per forecast, inventory management ed exception management, con una riduzione dichiarata del 33% del tempo necessario per accedere e analizzare i dati di domanda e previsione. È anche tra i primi clienti ad aver adottato Joule nell’area del planning, un segnale concreto di come la pianificazione stia passando da funzione reattiva a processo decisionale proattivo.
Sul fronte della produzione, Production Planning and Operations Agent è stato rilasciato in disponibilità generale nel primo trimestre del 2026. Agisce in tre dimensioni: verifica la disponibilità dei materiali per gli ordini di produzione pianificati, valida la capacità produttiva sui centri di lavoro, e, quando tutte le condizioni sono soddisfatte, rilascia automaticamente gli ordini di produzione. Quando invece identifica una carenza o un problema di capacità, propone alternative: componenti sostitutivi, ripianificazioni, aggiustamenti di sequenza. Il production manager riceve solo i casi che richiedono una decisione discrezionale, con tutte le informazioni necessarie già aggregate.
Un secondo agente chiave è Order Reliability Agent, disponibile in SAP Order Management Services che monitora in modo continuo gli ordini in esecuzione, identifica rischi come ritardi, discrepanze di stock o problemi logistici, e può prendere azioni correttive autonome in casi standard. Inoltre, può anche presentare le situazioni più complesse con un’analisi della causa radice già pronta.
Chiudiamo con una prospettiva più ampia: quali sono le condizioni affinché questa trasformazione funzioni davvero?
La tecnologia è la parte più semplice. Le condizioni che determinano il successo sono essenzialmente due: la qualità dei dati e la disponibilità delle persone a cambiare il proprio modo di lavorare.
Sul fronte dei dati, un agente AI è tanto affidabile quanto i dati su cui si basa. Se i dati master sono incompleti o non aggiornati, se i sistemi non sono integrati, se le soglie di guardrail non sono definite con precisione, l’agente produrrà raccomandazioni di bassa qualità. Prima di parlare di autonomia, le aziende devono fare i conti con la qualità della propria infrastruttura informativa. È il lavoro che fa la differenza.
Roca Group, che utilizza SAP IBP per anticipare la domanda e adeguare la produzione, ne è un buon esempio: il cliente stesso sottolinea la centralità dei dati condivisi, della collaborazione lungo la value chain e di un approccio cross-functional. La tecnologia abilita, ma è il modello organizzativo che determina i risultati.
Sul fronte umano, la sfida è convincere i pianificatori e i responsabili di supply chain che delegare decisioni di routine all’AI non significa perdere il controllo, ma guadagnare la capacità di concentrarsi sulle decisioni strategiche. Questo richiede un cambiamento culturale, e i cambiamenti culturali si costruiscono con esempi concreti, con trasparenza sui meccanismi di funzionamento degli agenti e con una governance chiara su chi decide cosa e in quali circostanze.
Le aziende che stanno avanzando più velocemente in questo percorso sono quelle che hanno iniziato da casi d’uso circoscritti, un processo, un agente, un team, hanno misurato i risultati con cura e poi hanno esteso l’approccio in modo graduale. Non è un big bang. È una trasformazione che si costruisce passo dopo passo, con pazienza e rigore. Ma le direzioni sono chiare, e i risultati che stiamo già vedendo sono sufficienti per essere convinti che ne valga la pena.
Lemvigh-Müller è un caso che cito spesso: un agente AI legge documenti ricevuti via Pdf o e-mail, aggiorna il sistema e indirizza le persone verso le sole eccezioni che richiedono l’intervento umano. La prima versione è stata realizzata in duecento ore nell’arco di dieci settimane. Un punto di partenza preciso e misurabile, esattamente l’approccio che raccomando prima di pensare a qualsiasi scaling.
Per saperne di più: Software SCM per la gestione della Supply Chain | SAP
Leggi tutti gli approfondimenti della Room Barometro Integrated supply chain 2026
© RIPRODUZIONE RISERVATA
