Un ordine schedulato in ritardo può indurre un planner a intervenire sulla capacità produttiva, per esempio aggiungendo un turno di lavoro. Ma la causa del ritardo potrebbe trovarsi altrove: nella mancata consegna di un materiale critico da parte di un fornitore.

È l’esempio usato da Stefano Fazio, Pre-Sales Manager e Solution Architect di DGS, gruppo italiano specializzato nella consulenza e nei servizi ICT per la trasformazione digitale di imprese e pubbliche amministrazioni. Attiva in ambiti che spaziano dalla cybersecurity all’intelligenza artificiale, fino alle soluzioni per i processi industriali e la supply chain, DGS ha registrato, secondo i dati diffusi dalla società, 400 milioni di euro di ricavi nel 2025. Il gruppo conta oltre 2.700 professionisti e 30 sedi in Italia, con Roma e Milano come principali poli operativi.

Fazio è intervenuto in una tavola rotonda del convegno dell’Osservatorio Supply Chain Planning del Politecnico di Milano, dedicato alla pianificazione delle filiere in condizioni di incertezza. Il suo intervento si è concentrato su due componenti della proposta DGS: il Collaboration Hub e il Tutor AI, presentato come strumento di supporto ai planner nell’interpretazione degli output dei sistemi di pianificazione.

AI nella supply chain: quando il planner non conosce le ragioni di un output

Nella risposta a una domanda sull’uso consapevole dell’intelligenza artificiale, Fazio ha collocato al centro il rapporto tra il planner e le decisioni prodotte dai sistemi di supply chain management.

“Una decisione è davvero consapevole quando il planner comprende con chiarezza le motivazioni che l’hanno generata”, ha detto Fazio. Per il manager di DGS, il tema riguarda in particolare la possibilità di leggere le logiche che hanno condotto una piattaforma a suggerire una determinata priorità, una modifica del piano o una nuova schedulazione.

Fazio ha osservato che, nelle piattaforme tradizionali di Supply Chain Management, i pianificatori non sempre conoscono le logiche sottostanti alle decisioni del sistema. Il caso dell’ordine in ritardo rappresenta, nella sua descrizione, una situazione in cui la lettura immediata del problema può portare verso una soluzione che non interviene sul fattore che ha effettivamente generato il ritardo.

Il planner può attribuire il ritardo a un vincolo di capacità e decidere di aggiungere un turno di lavoro. La causa può invece risiedere nella disponibilità di un materiale, non arrivato nei tempi previsti dal fornitore. Nella ricostruzione di Fazio, distinguere tra vincolo produttivo e mancanza di materiale significa ricondurre il problema a funzioni, interlocutori e azioni differenti.

“Con l’aumentare della complessità e della volatilità, gli ottimizzatori matematici e i modelli statistici rischiano di diventare imperscrutabili”, ha affermato Fazio.

Il Tutor AI per spiegare dinamiche, cause e rischi

Per affrontare questo aspetto, DGS ha affiancato alle proprie soluzioni di pianificazione un “Tutor AI”. Fazio lo ha descritto come un supporto rivolto a chi utilizza le piattaforme, con tre funzioni: spiegare le dinamiche che generano gli output, individuare le root cause dei problemi e fornire indicatori di risk intelligence e di robustezza delle simulazioni.

La prima funzione riguarda gli output prodotti dal sistema. Secondo quanto illustrato da Fazio, il Tutor AI dovrebbe aiutare il planner a ricostruire le ragioni per cui una determinata decisione è stata proposta dalla piattaforma. Nella gestione di un ordine ritardato, ciò significa risalire ai vincoli che hanno portato alla pianificazione di una consegna oltre la data prevista.

La seconda funzione indicata è l’identificazione della root cause. Nel caso presentato durante la tavola rotonda, il Tutor AI dovrebbe consentire di individuare se il ritardo sia legato alla capacità della risorsa produttiva oppure alla mancata disponibilità di un materiale critico. L’obiettivo dichiarato da Fazio è rendere espliciti gli elementi che stanno dietro alla segnalazione o alla raccomandazione generata dal sistema.

La terza funzione è collegata agli indicatori di risk intelligence e alla robustezza delle simulazioni. Fazio ha incluso questi elementi tra le informazioni che il Tutor AI può mettere a disposizione dei pianificatori insieme alle spiegazioni sugli output e alle analisi delle cause.

“Questo approccio accresce la consapevolezza del pianificatore, rendendo il processo decisionale più rapido, condiviso e affidabile”, ha dichiarato Fazio.

Il Collaboration Hub tra demand planning, produzione e distribuzione

Nel suo intervento, Fazio ha collegato il tema della comprensione delle decisioni a quello della collaborazione tra le diverse componenti della supply chain. Per introdurre il punto ha utilizzato una metafora: dopo un inciampo, piede, gamba e braccio devono coordinarsi per consentire al corpo di rialzarsi; movimenti separati non permetterebbero di ottenere lo stesso risultato.

“La collaborazione e il coordinamento sono requisiti essenziali”, ha detto Fazio riferendosi alla gestione della supply chain.

DGS ha sviluppato, all’interno della propria suite, il Collaboration Hub, un ambiente digitale che, secondo la descrizione del relatore, serve a connettere gli attori e i processi collaborativi interni ed esterni alla filiera.

Sul piano interno, Fazio ha elencato alcune delle aree coinvolte: l’integrazione della gestione delle scorte tra demand planner e distribuzione, il coordinamento della produzione, i piani multi-plant e il tavolo decisionale dei processi S&OP, Sales and Operations Planning.

La gestione delle scorte costituisce uno dei punti citati nel suo intervento. Il Collaboration Hub viene presentato da DGS come uno spazio in cui demand planner e distribuzione possono lavorare sullo stesso processo. Sul lato produttivo, la piattaforma riguarda invece il coordinamento tra i piani di produzione e le attività svolte in più stabilimenti.

Fazio ha incluso anche il processo S&OP fra gli ambiti di applicazione. Il riferimento al “tavolo decisionale” richiama un luogo di confronto fra le funzioni che partecipano alla…