L'intelligenza artificiale legge i dati della tua azienda con una velocità che nessun analista può eguagliare. Ma legge solo quello che c'è scritto. E in ogni azienda c'è una parte di realtà che nei dati non arriva mai, o arriva distorta.
Un modello predittivo può restituire una previsione di vendita precisa al decimale e sbagliare completamente direzione. Non perché l'algoritmo sia difettoso, ma perché nessuno gli ha detto che quel calo di ordini a marzo era dovuto a un fornitore in crisi, non alla domanda. O che quel cliente codificato in tre modi diversi è sempre lo stesso.
Sono i punti ciechi dell'AI: le zone in cui un'analisi automatica, lasciata sola, produce risposte convincenti e sbagliate. Conoscerli è il primo passo per usare l'intelligenza artificiale come uno strumento affidabile e non come un oracolo.
L'AI non distingue un dato corretto da uno sbagliato: li tratta allo stesso modo. Anagrafiche duplicate, unità di misura incoerenti tra stabilimenti, codici articolo riutilizzati negli anni, campi compilati "tanto per chiudere l'ordine": tutto entra nel modello con lo stesso peso.
In un ERP come JD Edwards, che spesso raccoglie vent'anni di storia aziendale, questi strati si accumulano. Un'analisi di marginalità su dati non riconciliati può indicare come poco redditizio un prodotto che in realtà è tra i migliori, solo perché i costi di trasporto sono stati imputati male.
Serve qualcuno che sappia dove i dati sono affidabili e dove no. È un lavoro di governance, prima ancora che di analisi.
Una parte decisiva di ciò che accade in azienda non viene mai registrata. Un accordo verbale con un cliente storico, una promozione decisa all'ultimo con la GDO, un cambio di formato concordato con il buyer: per l'AI questi eventi non esistono, ne vede solo gli effetti.
Il risultato è che il modello cerca una spiegazione dove non c'è. Un picco di vendite legato a un'operazione commerciale una tantum diventa un trend da replicare. Un calo dovuto a un ritardo logistico diventa un segnale di disaffezione del mercato.
Chi conosce i processi sa leggere dietro il numero. L'AI, senza questa conoscenza, si limita a interpolare.
Ogni modello predittivo si basa su un'ipotesi: che il futuro somigli al passato. Quando il contesto cambia, questa ipotesi crolla e la previsione con lei.
Gli ultimi anni lo hanno dimostrato più volte: pandemia, rincari energetici, oscillazioni nel costo delle materie prime agricole, nuove regole di etichettatura. Un algoritmo addestrato su serie storiche stabili continua a proiettare quella stabilità anche quando non c'è più.
Riconoscere il momento in cui i dati storici smettono di essere una buona guida è una valutazione umana. Così come decidere quali scenari simulare e con quali ipotesi.
L'AI è molto brava a trovare relazioni tra variabili. Non sa però se una relazione è una causa, una coincidenza o l'effetto di un terzo fattore che non compare nei dati.
Se le vendite di un prodotto crescono insieme alle visite degli agenti, il modello può suggerire di aumentare le visite. Ma forse gli agenti visitano di più i clienti che stanno già comprando di più. Agire su quella correlazione significherebbe spostare risorse senza ottenere nulla.
Distinguere tra "va insieme a" e "provoca" richiede di conoscere il business. È qui che l'esperienza di chi lavora nei processi diventa un filtro indispensabile.
I modelli statistici lavorano sulla media e tendono a scartare ciò che se ne discosta. Spesso, però, le informazioni più preziose stanno proprio negli scostamenti.
Un ordine anomalo può essere un errore di inserimento, oppure il primo segnale di un nuovo canale di vendita. Un lotto con rese fuori norma può essere rumore, oppure l'avvisaglia di un problema su una linea di produzione. Trattati come outlier da eliminare, questi casi spariscono dall'analisi.
Decidere quale eccezione ignorare e quale approfondire è una scelta che richiede giudizio. E le conseguenze di quella scelta ricadono sull'azienda, non sull'algoritmo.
Colmare questi punti ciechi non significa rinunciare all'AI, ma affiancarle tre competenze che nessun modello possiede da solo.
Governance del dato. Definire quali fonti sono affidabili, come si riconciliano le anagrafiche, chi è responsabile di ogni informazione. Senza questa base, anche il modello migliore lavora su fondamenta fragili.
Conoscenza dei processi. Sapere come nasce un dato dentro l'ERP, quali passaggi lo trasformano e dove si possono introdurre errori. È ciò che permette di interpretare un risultato invece di subirlo.
Capacità di fare le domande giuste. L'AI risponde a ciò che le si chiede. Formulare la domanda corretta, scegliere gli scenari da simulare, sapere quando un risultato "non torna": è qui che si decide il valore di un'analisi.
C'è poi un principio che diventa decisivo quando l'AI non si limita ad analizzare, ma agisce: è il caso degli agenti che inseriscono ordini o creano transazioni. Il controllo deve poter tornare all'uomo in qualsiasi momento. Un agente opera in un perimetro definito, con gli stessi permessi dell'utente per cui lavora, e non cambia le regole né le policy aziendali.
Quando incontra un caso fuori norma, l'agente si ferma e passa la decisione a una persona. Ogni sua azione deve poter essere verificata, corretta o annullata. Un'automazione che non si può interrompere o ripercorrere non è un aiuto: è un rischio.
È la linea che la nostra CEO Paola Pomi ha descritto nell'intervista a Sistemi&Impresa per il numero speciale "La voce dei clienti": in Sinfo One ogni passo nell'adozione dell'AI prevede una strategia di backup umana. L'AI lavora come un assistente personale, solo sui dati a cui l'utente ha accesso, sia quando interroga il sistema sia quando crea transazioni. Il modello non è quello che punta a sostituire le persone, ma quello in cui l'AI le supporta. Pomi lo spiega con un'immagine: lasciare l'AI senza controllo è come chiudere in casa da solo un bambino di sei anni, raccomandandogli di non fare danni, senza sapere cosa si troverà al rientro.
Il punto non è controllare l'AI a valle, ma progettare fin dall'inizio un sistema in cui dati, modelli e persone lavorano insieme.
In oltre 40 anni di progetti ERP, su piattaforme e settori diversi, abbiamo visto quanto la qualità di una decisione dipenda dalla qualità del dato che la sostiene. Per questo, quando parliamo di intelligenza artificiale, partiamo sempre dalle fondamenta: dati governati, processi conosciuti, obiettivi chiari.
Con SiBy lavoriamo sulla governance e sulla qualità dei dati aziendali, così che ogni analisi parta da informazioni riconciliate e affidabili. Con Oracle EPM Cloud costruiamo simulazioni e scenari in cui le ipotesi sono esplicite e verificabili. E affianchiamo i team aziendali perché sappiano leggere i risultati, non solo riceverli.
L'AI può dire molto della tua azienda. Quello che non dice, devono saperlo le persone che la guidano.