Trasformazione dei settori

L’IA nella logistica e nella gestione della catena di approvvigionamento

Previsione della domanda, ottimizzazione dei percorsi con ORION di UPS, robot nei magazzini di Amazon e Symbotic, trasporto merci senza conducente e manutenzione predittiva: dove l’IA nella logistica dà risultati, dove fallisce e i numeri d

AI.info Team · 2026-08-05

Il settore che si regge sulle previsioni

La logistica è un’attività fondata sulle previsioni, anche se ha l’aspetto di un’azienda di autotrasporti. Ogni posto in magazzino, percorso di consegna e container è una scommessa su cosa servirà, dove e quando. È proprio per questo che, nell’ultimo decennio, il machine learning è penetrato così a fondo nelle operazioni della catena di approvvigionamento: prevedere la domanda, pianificare i percorsi e distribuire le scorte sono problemi di ottimizzazione per i quali esistono enormi dataset etichettati e benefici chiari e misurabili.

A differenza di altri settori, dove il ritorno sull’investimento nell’IA è ancora teorico, la logistica offre una documentazione di sistemi impiegati sul campo, risparmi reali e fallimenti reali che risale a oltre un decennio fa. Vale la pena esaminare questa storia per ciò che è, anziché attraverso la lente dell’entusiasmo generico per l’IA.

Previsione della domanda: il primo successo dell’IA nella catena di approvvigionamento

Prima che qualcuno la chiamasse «IA», rivenditori e produttori usavano già le previsioni statistiche per pianificare le scorte. A cambiare è stata la varietà di segnali che i modelli possono ora elaborare contemporaneamente: dati dei punti vendita, meteo, eventi locali, orientamenti espressi sui social, prezzi dei concorrenti e calendari promozionali, forniti ad alberi decisionali con gradient boosting o reti neurali anziché a modelli ARIMA basati soltanto sullo storico delle vendite.

Walmart ha descritto l’uso di una «rilevazione della domanda» basata sull’IA, che tiene conto del meteo, degli eventi locali e dei cambiamenti nelle abitudini d’acquisto per affinare le previsioni a un livello più vicino a quello del singolo negozio, anziché al livello regionale o nazionale tipico dei sistemi precedenti. Unilever ha riferito di un lavoro sulle previsioni basate sull’IA che ha contribuito a ridurre in misura significativa gli esaurimenti delle scorte nell’insieme dei suoi prodotti. Studi indipendenti sui processi di previsione nel commercio al dettaglio hanno rilevato che aggiungere il machine learning ai metodi statistici tradizionali può migliorare l’accuratezza delle previsioni di circa il 20 per cento e ridurre i costi di mantenimento delle scorte in misura analoga: cifre che sembrano modeste finché non le si moltiplica per una rete di migliaia di negozi e milioni di SKU.

Tra i fornitori attivi in questo mercato sono emersi pochi nomi. Blue Yonder, società di software per la pianificazione con sede in Arizona e di proprietà di Panasonic, afferma di elaborare 25 miliardi di previsioni basate sull’IA al giorno e sostiene che, durante il fine settimana degli acquisti del Ringraziamento del 2025, ha mostrato la disponibilità delle scorte in appena 10-12 millisecondi e stimato le date di consegna per oltre 1,2 miliardi di SKU.

Walgreens ha indicato nel sistema di gestione degli ordini basato sull’IA di Blue Yonder il motore che le consente di promettere l’evasione degli ordini in 30 minuti. o9 Solutions e Kinaxis competono nella stessa categoria di piattaforme di pianificazione «control tower», proponendo in sostanza la stessa soluzione: sostituire previsioni basate su fogli di calcolo e separate tra loro con un unico modello che concili continuativamente domanda, offerta e vincoli, anziché farlo nell’ambito di un ciclo di pianificazione mensile.

I limiti, però, sono reali. I modelli di previsione valgono quanto i segnali della domanda su cui sono addestrati, e le loro prestazioni peggiorano nettamente di fronte a shock davvero nuovi — una pandemia, una guerra, il blocco di un canale — perché, per definizione, non esiste uno schema storico da cui imparare. Le previsioni basate sull’IA sono eccellenti nell’interpolare schemi noti e relativamente scarse nell’anticipare le discontinuità, proprio quando avere previsioni accurate conta di più.

Magazzini e robotica: dove l’IA è diventata fisica

In nessun luogo l’impatto dell’IA sulla logistica è stato più visibile che nei magazzini stessi. La storia comincia con un’acquisizione: nel maggio 2012 Amazon comprò Kiva Systems, una startup di robotica del Massachusetts, per 775 milioni di dollari. All’epoca era la sua seconda acquisizione più grande di sempre. I robot arancioni di Kiva facevano una cosa solo in apparenza semplice: anziché mandare un dipendente a percorrere le corsie in cerca di un prodotto, portavano interi scaffali modulari a un addetto al prelievo che restava fermo.

Secondo una nota di Deutsche Bank del 2016, il cambiamento ridusse il tempo che intercorreva tra il «clic e la spedizione» di Amazon da circa 60–75 minuti a circa 15 minuti e abbassò i costi operativi di circa il 20 per cento nelle strutture convertite. Kiva fu ribattezzata Amazon Robotics nel 2015 e smise di vendere a clienti esterni. A questa scelta viene ampiamente attribuita la nascita del resto del settore della robotica per magazzini: i concorrenti svilupparono alternative per i rivenditori che non potevano più acquistare la tecnologia di Kiva.

Da allora il settore è cresciuto enormemente. Il 1 luglio 2025 Amazon ha dichiarato che la sua rete logistica globale aveva superato il milione di robot impiegati: una cifra che oggi appare più come una soglia minima che come un traguardo. Alla flotta si sono aggiunti sistemi più recenti: Proteus, il suo primo robot mobile completamente autonomo autorizzato a muoversi negli spazi aperti dei magazzini accanto ai lavoratori, senza essere confinato in aree recintate, e Sequoia, un sistema integrato di robot mobili, strutture a portale e bracci robotici che, secondo Amazon, identifica e immagazzina le scorte fino al 75 per cento più velocemente rispetto ai precedenti processi svolti soltanto da persone. Un braccio robotico complementare chiamato Sparrow, che usa pinze a ventosa e visione artificiale, è progettato per prelevare e riporre gli articoli di gran parte del catalogo Amazon.

Al di fuori di Amazon, Symbotic è diventata la più grande azienda indipendente nell’automazione dei magazzini basata sull’IA, combinando robot mobili autonomi ad alta velocità, strutture di stoccaggio ad alta densità e sistemi di pallettizzazione basati sulla visione artificiale. Il suo cliente più noto è Walmart. Nel gennaio 2025 Symbotic ha completato l’acquisizione dell’unità Advanced Systems and Robotics di Walmart, insieme a un accordo commerciale in base al quale Walmart si è impegnata a installare sistemi di automazione in circa 400 dei suoi centri Accelerated Pickup and Delivery. Secondo quanto riportato, l’accordo vale circa 520 milioni di dollari per Symbotic. Nell’ultimo trimestre per cui erano stati comunicati i dati a settembre 2026, il portafoglio ordini di Symbotic ammontava a 22,5 miliardi di dollari, in gran parte legati ad accordi con Walmart.

L’aspetto notevole della robotica per magazzini è che la sua convenienza economica raramente dipende dall’eliminazione completa del lavoro umano. Il modello economicamente dominante resta quello dei «robot che portano i prodotti alle persone»: le macchine spostano le scorte verso un addetto che svolge il lavoro di precisione necessario a prelevare articoli specifici. Non prevale invece il prelievo interamente robotizzato, perché afferrare prodotti di qualsiasi tipo resta un problema di visione artificiale e manipolazione più difficile che spostare pallet sul pavimento. La capacità di Sparrow di gestire la maggior parte del catalogo Amazon, ma non tutto, riflette direttamente questo divario.

Amazon ha messo di nuovo alla prova quel limite, per poi fare un passo indietro. Blue Jay, un robot a più bracci annunciato nell’ottobre 2025 per smistare e spostare pacchi nelle strutture per le consegne in giornata e sviluppato, secondo Amazon, in circa un anno, è stato fermato nel gennaio 2026, secondo Business Insider, dopo i test in una struttura della Carolina del Sud: meno di sei mesi dopo la sua presentazione. Amazon ha riassegnato il team e ha dichiarato che «quasi tutte le tecnologie verranno trasferite e continueranno a supportare i dipendenti in tutta la nostra rete». Un robot per il prelievo a più bracci, costruito in un anno, non ha retto alla prova dell’economia di una struttura operativa: lo stesso limite che Sparrow mostra dal versante opposto.

Pianificazione dei percorsi: l’algoritmo che ha portato il risparmio di carburante nei titoli

Se un sistema ha fatto più di ogni altro per convincere il settore della logistica che gli algoritmi potevano superare gli addetti umani alla pianificazione delle consegne, è ORION (On-Road Integrated Optimization and Navigation) di UPS. Introdotto nella flotta statunitense di UPS nel corso degli anni 2010, ORION valuta circa 200.000 possibili permutazioni del percorso per le consegne giornaliere di un singolo autista. Tiene conto del traffico, delle fasce orarie di consegna e della capacità del veicolo per scegliere una sequenza quasi ottimale in una frazione del tempo che servirebbe a un pianificatore umano.

UPS ha dichiarato che il sistema fa risparmiare all’azienda nell’ordine di 100 milioni di miglia e 10 milioni di galloni di carburante all’anno, con un risparmio annuo di centinaia di milioni di dollari e una riduzione significativa delle emissioni di carbonio. In seguito UPS ha aggiunto al piano giornaliero statico originale il ricalcolo dinamico dei percorsi in tempo reale, permettendo a ORION di modificare un percorso durante la giornata anziché ottimizzarlo soltanto una volta, ogni mattina. È un miglioramento che può sembrare modesto — qualche miglio in più risparmiato per autista al giorno — ma i suoi effetti si sommano in una flotta di decine di migliaia di veicoli.

La lezione fondamentale di ORION si è rivelata ampiamente applicabile: la pianificazione dei percorsi è un problema di ottimizzazione combinatoria e i moderni sistemi di ottimizzazione, che spesso combinano tecniche classiche della ricerca operativa come la programmazione a numeri interi misti con stime dei costi ottenute tramite machine learning, superano sistematicamente gli addetti esperti alla pianificazione delle consegne quando una rete supera una certa dimensione. Piattaforme concorrenti — dai moduli di ottimizzazione dei percorsi integrati in Blue Yonder e o9 agli strumenti indipendenti come Route4Me e Onfleet — hanno applicato la stessa logica a flotte per le consegne dell’ultimo miglio molto più piccole di quella di UPS.

Il trasporto merci con camion autonomi è l’estensione più speculativa della stessa logica: non si tratta solo di scegliere il percorso, ma di eliminare il conducente. I progressi sono stati reali, ma più circoscritti di quanto suggerissero le prime previsioni. Nel 2025 Aurora Innovation ha avviato operazioni di trasporto merci completamente senza conducente — senza neppure un conducente di sicurezza — lungo il corridoio tra Dallas e Houston, estendendole in seguito a una tratta di circa 600 miglia tra Fort Worth ed El Paso. Fino alla fine di giugno 2026 ha dichiarato di aver percorso quasi 440.000 miglia senza conducente su dieci percorsi negli Stati del Sun Belt statunitense. Il 22 luglio 2026 ha poi lanciato un camion senza conducente di seconda generazione; Charger Logistics e Value Truck ne hanno annunciato l’impiego nella stessa settimana.

«Il lancio delle operazioni senza conducente dello scorso anno ha dimostrato che la nostra tecnologia poteva operare in sicurezza sulle strade pubbliche; ora la nostra nuova piattaforma getta le basi per operare su larga scala. L’impiego del nostro camion di seconda generazione ci permette di mettere su strada centinaia di camion autonomi e, in ultima analisi, di metterli a disposizione di un maggior numero di clienti». — Chris Urmson, amministratore delegato e cofondatore di Aurora

Kodiak Robotics, che nel dicembre 2024 ha avviato operazioni commerciali senza conducente su strade private nel Texas occidentale per un cliente del settore energetico, è poi diventata Kodiak AI ed è approdata al Nasdaq attraverso una fusione da 2,5 miliardi di dollari con Ares Acquisition Corporation II. A ottobre 2025 aveva impiegato 10 camion senza conducente con Atlas nel bacino del Permian e puntava ad avviare operazioni autostradali senza conducente nella seconda metà del 2026. Alla fine di settembre 2026, la preparazione del suo dossier di sicurezza per il lancio del trasporto a lungo raggio senza conducente entro la fine dell’anno aveva raggiunto il 96%. Entrambe le aziende restano limitate a corridoi e condizioni meteorologiche specifici, anziché offrire la copertura di una rete senza vincoli di percorso e operativa con qualsiasi tempo, necessaria per trasformare il trasporto su camion su vasta scala. È un promemoria del fatto che, in questo settore, «impiegato» e «diffuso ovunque» sono affermazioni molto diverse.

Porti: un’automazione dal percorso più lungo

I terminal container hanno adottato l’automazione prima e in modo più completo rispetto a gran parte del settore logistico, soprattutto perché i porti sono siti fissi e ad alta intensità di capitale, nei quali gru automatizzate e veicoli a guida automatica possono essere integrati nell’infrastruttura stessa. Il terminal Maasvlakte 2 del porto di Rotterdam è spesso citato come uno dei più automatizzati al mondo: veicoli senza conducente trasportano i container tra la banchina e l’area di stoccaggio, e circa l’80% dei movimenti delle gru è automatizzato, mentre le restanti operazioni manuali vengono svolte a distanza.

Rotterdam, Amburgo e Anversa hanno continuato ad aggiungere sistemi di pianificazione e gestione delle aree di stoccaggio basati sull’IA all’automazione fisica, con l’obiettivo di prevedere gli arrivi delle navi e ottimizzare la disposizione dei container. Il porto di Los Angeles usa un sistema chiamato Port Optimizer per prevedere i volumi delle merci e coordinare i flussi dei camion: una risposta, in parte, alla congestione del porto del 2021–2022, finita nei notiziari in prima serata.

L’automazione dei porti mette in luce una distinzione importante: gran parte di ciò che viene chiamato «IA nei porti» è in realtà IA aggiunta a un’automazione che esiste da decenni — le gru automatizzate per la disposizione dei container esistono dagli anni 1990 — con il machine learning impiegato soprattutto per la pianificazione e le previsioni, più che per l’automazione fisica in sé, che rappresenta una conquista ingegneristica distinta e precedente.

Resilienza: che cosa hanno insegnato davvero al settore la pandemia e il Mar Rosso

La crisi delle catene di approvvigionamento durante la pandemia è stata, in larga parte, un effetto frusta: il fenomeno ben documentato per cui piccole oscillazioni della domanda si amplificano in grandi variazioni degli ordini e delle scorte man mano che risalgono la catena di approvvigionamento. Il caso più chiaro è quello dei semiconduttori: nel 2020 le case automobilistiche cancellarono gli ordini di chip prevedendo un crollo della domanda, i produttori di chip destinarono quella capacità ad altri clienti e, quando nel 2021 la domanda di veicoli si riprese, le case automobilistiche si ritrovarono in fondo alla fila. Il risultato fu una carenza che, secondo le stime, comportò la mancata produzione di 8,2 milioni di veicoli solo in quell’anno.

Nessun sistema di IA previde in anticipo quell’inversione; gli strumenti che si rivelarono utili in seguito servirono soprattutto a individuare il problema e a reagire più rapidamente, non a prevedere meglio uno shock senza precedenti.

Quell’esperienza ha cambiato ciò che offrono i software per la «visibilità della catena di approvvigionamento». project44, piattaforma di Chicago per la visibilità logistica usata da circa 2.000 aziende che spediscono merci, nel 2025 ha trasformato la propria piattaforma Movement in quello che definisce un sistema di «Decision Intelligence», aggiungendo agenti di IA al monitoraggio delle spedizioni in tempo reale. Tra questi figurano un «AI Disruption Navigator» che, secondo l’azienda, può segnalare le interruzioni su scala globale e stimarne l’impatto economico su spedizioni specifiche, e agenti di IA per la qualità dei dati pensati per colmare automaticamente le lacune nella visibilità dei dati dei vettori.

Resilinc, società che monitora i rischi delle catene di approvvigionamento, commercializza un sistema «EventWatch AI» che, a suo dire, esamina oltre 104 milioni di fonti in 200 paesi. È il tipo di strumento che ha trovato largo impiego durante la crisi del trasporto marittimo nel Mar Rosso, iniziata alla fine del 2023, quando gli attacchi degli Houthi alle navi commerciali hanno spinto circa il 30% del commercio mondiale di container che normalmente passa per il Canale di Suez su una rotta molto più lunga intorno all’Africa meridionale. Questo ha aggiunto circa 4.000 miglia e circa due settimane ai viaggi interessati e ha contribuito a quadruplicare alcune tariffe spot per i container.

Flexport ha assunto la posizione pubblica più ambiziosa su quanta parte dell’attività degli spedizionieri l’IA potrà infine automatizzare. All’inizio del 2025 ha lanciato in una sola volta più di 20 prodotti basati sull’IA, tra cui strumenti che consentono agli utenti di chiedere in linguaggio naturale lo stato di una spedizione e ottenere risposte sulla catena di approvvigionamento, strumenti di pianificazione delle scorte e della domanda basati sull’IA e agenti vocali di IA per comunicare con i vettori. Nel novembre 2025 il suo amministratore delegato, Ryan Petersen, ha dichiarato che, secondo le misurazioni dell’azienda, all’inizio dell’anno il 20% del lavoro operativo era automatizzato e che prevedeva di chiudere l’anno con una quota di circa la metà.

Sono misurazioni dell’azienda stessa e non è stato pubblicato alcun confronto verificato da una revisione indipendente tra la situazione precedente e quella successiva. Vanno lette come un’affermazione, non come un risultato verificato. L’attività degli spedizionieri resta comunque un ambito plausibile in cui metterla alla prova: gran parte del lavoro consiste nel riconciliare ripetutamente dati tra vettori, documenti doganali e trattative via email, attività più vicine a quelle che i grandi modelli linguistici sanno svolgere bene rispetto al lavoro fisico non strutturato o a quello che richiede molto giudizio.

Manutenzione predittiva: il successo meno appariscente

Lontano dai robot che attirano i titoli, la manutenzione predittiva potrebbe essere l’applicazione dell’IA più costantemente redditizia nella logistica, proprio perché il suo ritorno sull’investimento è poco spettacolare e facile da misurare: il guasto imprevisto di un camion costa caro, mentre individuare un componente che sta per guastarsi costa poco in confronto. Penske Truck Leasing, che gestisce oltre 430.000 veicoli, ha descritto come combina dati telematici in tempo reale e modelli predittivi per individuare tempestivamente i problemi di manutenzione.

Knight-Swift, uno dei maggiori vettori statunitensi nel trasporto di carichi completi su camion, ha dichiarato che gli strumenti predittivi la aiutano a evitare ogni mese un numero significativo di chiamate al carro attrezzi per veicoli fermi lungo la strada. Non sono trasformazioni spettacolari: sono riduzioni graduali dei tempi di fermo e della gravità delle riparazioni, i cui effetti si accumulano su grandi flotte. È anche per questo che figurano tra gli impieghi dell’IA nel settore meno controversi e meno gonfiati dalle aspettative.

I limiti, senza illusioni

L’arrivo dell’IA generativa nella logistica è stato più complicato rispetto agli impieghi nell’ottimizzazione e nella robotica descritti sopra, proprio perché i modelli linguistici producono allucinazioni e i dati delle catene di approvvigionamento non perdonano simili errori. I ricercatori che studiano questo incrocio hanno segnalato modalità di errore concrete: specifiche o certificazioni dei fornitori inventate che, se ritenute attendibili, potrebbero causare fermi reali della produzione o richiami di prodotti; una tendenza documentata dei sistemi di IA che ottimizzano localmente, come un agente «egoista» che regola il proprio nodo in una catena di approvvigionamento, a peggiorare l’effetto frusta nell’intera rete anziché correggerlo; e il problema più ordinario che gran parte dei dati logistici si trova ancora in formati incoerenti, distribuiti tra sistemi preesistenti mai progettati per alimentare in modo affidabile un modello.

Secondo indagini condotte tra i dirigenti, una quota considerevole delle organizzazioni che usano l’IA generativa ha già subito almeno un incidente negativo legato a un risultato inesatto o frutto di un’allucinazione.

Il quadro che emerge da tutti gli esempi di questo articolo è coerente: nella logistica l’IA funziona meglio quando il problema è ben delimitato, misurato con abbondanza di dati e si ripete su larga scala, come definire i percorsi di una flotta di consegne, spostare un pallet o rilevare la domanda settimanale di un prodotto ben consolidato. Funziona peggio quando la situazione è davvero nuova, poco strutturata o comporta conseguenze gravi in caso di errore: un’interruzione geopolitica dei trasporti marittimi su cui nessuno ha addestrato un modello, oppure una domanda in linguaggio naturale la cui risposta, sbagliata ma espressa con sicurezza, appare identica a una corretta.

I responsabili delle catene di approvvigionamento che hanno ottenuto un valore concreto dall’IA sono, quasi senza eccezioni, quelli che hanno tenuto distinte queste due categorie, invece di presumere che un chatbot potesse sostituire un centro di controllo o che un modello di previsione potesse prendere il posto delle scorte fisiche di sicurezza quando una guerra chiude una rotta marittima.