A cura di Gopinath Polavarapu, Chief Digital e AI Officer di JAGGAER
Negli ultimi tempi sempre più esperti stanno lanciando l’allarme sul rischio che gli investimenti in intelligenza artificiale siano poco sostenibili. Molte aziende temono infatti che il cosiddetto FOMO (Fear of Missing Out, ossia la paura di restare indietro rispetto ai concorrenti) le stia spingendo verso progetti ambiziosi, ma privi di una strategia chiara per trasformarli in ricavi concreti. Il 2026 si prospetta come un anno decisivo: le aziende dovranno correggere questa tendenza, passando dalla sperimentazione alla realizzazione, e collegare ogni sviluppo di AI a risultati di business misurabili e tangibili. Proprio per questo, il pragmatismo sarà centrale: dati, processi interni e strategie di AI dovranno essere rafforzati e allineati a obiettivi di business concreti.
Nella supply chain, questo significherà innanzitutto garantire che i sistemi possano scambiarsi informazioni in modo fluido e che l’AI possa operare su dati puliti, aggiornati e ben collegati tra loro. Significherà anche spostare l’attenzione verso soluzioni AI pensate specificamente per il settore in cui l’azienda opera. In sostanza, la pragmatic AI premierà le aziende che conoscono davvero il loro mercato e costruiscono strumenti su misura, invece di inseguire idee generiche o troppo ambiziose.
La necessità di collegare più direttamente gli investimenti in AI con i risultati economici reali è ormai concreta e guiderà gran parte degli sviluppi del 2026. Per garantire un ritorno tangibile sull’investimento, le aziende punteranno su soluzioni che rispondano a problemi concreti e immediati: strumenti AI pragmatici, progettati specificamente per la supply chain.
Se l’automazione precedente garantiva miglioramenti incrementali dell’1-3%, la pragmatic AI può oggi generare incrementi di efficienza o risparmi significativi dell’ordine del 20-30%, concentrandosi sulla risoluzione dei punti critici e sulla semplificazione dei processi esistenti. Non si tratta di una promessa futura: questo livello di risultati rappresenta già oggi il riferimento per un’AI che meriti davvero di essere finanziata e implementata.
Un esempio concreto di AI nativa della supply chain riguarda gli agenti AI che automatizzano la redazione di RFP (Request for Proposals), RFQ (Request for Quotations) e contratti tramite generative AI. Analizzando documenti esistenti, l’AI supporta i team di procurement e supply chain generando nuovi documenti conformi a regole e clausole, riducendo drasticamente i tempi di lavoro manuale e liberando risorse per attività a maggiore valore aggiunto.
L’onboarding di nuovi fornitori è un altro ambito in cui l’AI può portare valore, migliorando l’efficienza e generando risparmi. Spesso, i buyer sono obbligati per legge a raccogliere tutta una serie di informazioni e certificazioni dai fornitori. Non si tratta quindi di un semplice formalismo, ma di requisiti vincolanti.
Tuttavia, la compilazione di questi questionari di onboarding può essere molto dispendiosa, soprattutto per le piccole e medie imprese, che rischiano di essere escluse dalla supply chain. Al tempo stesso, i fornitori che superano questo ostacolo tendono a trasferire i costi aggiuntivi sui prezzi finali, riducendo i risparmi per i buyer. Grazie all’AI nativa della supply chain, è possibile addestrare un agente AI a estrarre automaticamente le informazioni necessarie da pochi documenti chiave, riducendo tempi, costi e complessità per entrambe le parti.
Un altro ambito in cui l’intelligenza artificiale sta già generando un impatto concreto sui risultati economici è l’analisi comparativa delle clausole contrattuali. In passato i team legali esaminavano manualmente i contratti, individuando le differenze rispetto agli standard aziendali, con un elevato dispendio di tempo e risorse. Oggi, grazie ad agenti di AI addestrati al confronto delle clausole dei fornitori, è possibile identificare automaticamente le criticità, segnalare gli scostamenti e proporre riscritture delle clausole non conformi, riducendo i tempi di revisione e accelerando l’intero processo di approvazione.
Esistono molte applicazioni in cui soluzioni di AI progettate per settori specifici generano già valore economico misurabile. Il 2026 segnerà una svolta verso un approccio più pragmatico, con investimenti concentrati su iniziative dai benefici immediati e tangibili. In questo contesto, le soluzioni che non dimostrano già in fase di sperimentazione un miglioramento delle performance di almeno il 20% difficilmente saranno giustificabili. È quindi imminente una nuova ondata di pragmatic AI, che premierà le aziende capaci di investire in modo selettivo e orientato al ritorno sull’investimento.
