AI nella logistica: utili veri ma l'85% dei progetti fallisce

L'intelligenza artificiale nella logistica ha smesso di essere una slide da convegno. Oggi genera utili misurabili: chi ottimizza i percorsi con algoritmi taglia i chilometri del 10-20%, e chi ha adottato l'AI per primo dichiara costi logistici inferiori del 15%. Ma dietro il titolo trionfale c'è un dato scomodo: la maggior parte dei progetti fallisce, e quasi mai per colpa dell'algoritmo. Il punto vero è che gli utili arrivano da una fascia stretta di applicazioni, e a decidere chi guadagna non è il modello ma la qualità dei dati che lo alimentano.

Dove l'AI genera utili davvero, adesso

Le aziende non investono a caso. La quota maggiore va alla previsione della domanda e all'ottimizzazione delle scorte (circa il 72% dei progetti), seguita dall'ottimizzazione dei percorsi (58%) e dal controllo qualità (45%). Sono le aree con ritorni concreti in 6-12 mesi. Un esempio numerico: ridurre del 10-20% i chilometri percorsi vale fra 200.000 e 400.000 euro l'anno per una flotta di 50 veicoli. La manutenzione predittiva sui macchinari abbatte i fermi del 30-40% secondo McKinsey. In magazzino, i robot mobili autonomi arrivano a ritorni sull'investimento oltre il 250% nei casi meglio riusciti.

Il contesto italiano dà la scala: la logistica conto terzi vale 111,2 miliardi di euro di fatturato, generati da quasi 78.000 imprese, e l'Osservatorio Contract Logistics del Politecnico di Milano proietta il mercato oltre i 117 miliardi. Su questa base, anche un punto percentuale di efficienza in più si traduce in centinaia di milioni.

Cosa paga oggi e cosa è ancora promessa

In pratica l'AI logistica si divide in due. Genera utili adesso: previsione della domanda, ottimizzazione delle scorte, routing dei mezzi e manutenzione predittiva, tutte aree con dati storici abbondanti e ritorni documentati. È ancora promessa: l'approvvigionamento autonomo (su cui investe solo il 24% delle aziende), la gestione predittiva del rischio fornitori e i magazzini interamente autonomi. La differenza non è tecnologica. Le prime applicazioni lavorano su serie storiche ricche e strutturate; le seconde no. Chi vende AI come soluzione universale sta vendendo la seconda categoria al prezzo della prima.

Il vero discrimine è il dato, non l'algoritmo

↗ AI Act, cosa cambia dal 2 agosto: la guida per profilo

Ecco la tesi che i comunicati evitano: tra il 70% e l'85% dei progetti di AI nella supply chain fallisce, e la causa dominante è la qualità dei dati, non i limiti del modello. Il 95% dei progetti pilota non arriva mai alla scala reale. Il motivo è tangibile: quando si passa da un test su 200 codici prodotto a un catalogo da 8.000, circa due terzi dei dati necessari sono sparsi tra gestionale, sistema di magazzino e sistema di trasporto, in formati incompatibili e con campi mancanti. Un modello addestrato su dati sporchi produce previsioni sporche, e in logistica una previsione sbagliata è uno scaffale vuoto o un magazzino pieno di invenduto.

In Italia il divario è netto. Circa il 30% delle aziende committenti ha avviato progetti di AI, ma si scende al 19% tra le piccole imprese contro il 46% delle grandi. Non è che le grandi abbiano algoritmi più intelligenti: hanno i dati in ordine. Le piccole partono con i sistemi che non si parlano, ed è lì che il progetto muore prima di generare un euro.

L'AI in logistica genera utili, questo è vero e non è più un'ipotesi. Ma li genera per chi ha fatto il lavoro noioso a monte: dati puliti, sistemi integrati, storici affidabili. Comprare il modello è la parte facile e costa meno di quanto sembri. Metterlo in condizione di funzionare è il vero investimento, ed è lì che si separano le aziende che guadagnano da quelle che mostrano un bel pilota e poi si fermano.