P&G, la pianificazione dei turni in magazzino scende da 8 ore a 20 minuti

Il 6 novembre 2026 IIoT World ha pubblicato un'intervista video della serie CxO con Keith Moore, CEO di AutoScheduler.AI, dedicata all'uso dell'IA nei magazzini di Procter & Gamble. Il dato principale: la pianificazione giornaliera della forza lavoro, che richiedeva circa 8 ore per turno, oggi richiede 20 minuti.

Una precisazione necessaria: la fonte è il racconto del CEO di un fornitore. L'articolo è stato riassunto con strumenti di IA e rivisto dalla redazione, ma non offre verifiche indipendenti dei numeri. Vanno quindi letti come indicazioni, non come benchmark validati.

Il problema: un piano che dura dieci minuti

Nei campus produttivi di P&G il piano di lavoro, costruito in circa otto ore, di solito saltava entro dieci minuti dall'inizio del turno. Le cause sono quelle note a chiunque lavori in logistica: guasti alle attrezzature, assenze per malattia, camion in ritardo. I trasferimenti con navetta tra gli edifici devono essere sincronizzati con precisione, quindi un solo ritardo costringeva a ripianificare continuamente.

Secondo Moore la radice è nel software legacy a compartimenti stagni: un sistema di gestione del lavoro e uno strumento di slotting separato dialogano di rado, benché l'efficienza della manodopera dipenda da dove si trova la merce e da quando arrivano i camion.

La soluzione: un livello semantico e un builder no-code

AutoScheduler.AI ha impiegato sei anni per costruire un livello semantico: un insieme unificato di conoscenza strutturata che codifica come opera in modo ottimale un magazzino. Collega i dati di WMS ed ERP con algoritmi che conoscono le capacità delle attrezzature e i calendari delle baie. Questo automatizza le decisioni universali, circa l'80% delle operazioni.

Il restante 20% è specifico di ogni sito: uno smistatore con regole di carico particolari, un flusso di cross-dock attivo solo in certi giorni. Invece di un ciclo di sviluppo IT di circa sei mesi, la piattaforma offre ai supervisori un builder di IA no-code. Senza esperienza di programmazione, hanno creato quasi 500 app personalizzate, per esempio per programmare le consegne di materie prime a specifiche linee o per gestire flussi di rifornimento particolari.

Un'app citata verifica, quando un carico è carente di prodotto, i dati SAP ed ERP sulle spedizioni future allo stesso cliente e propone sostituzioni per proteggere il fill rate. Ha sostituito un'attività manuale che impegnava due persone; il supervisore che l'ha creata avrebbe fatto risparmiare al proprio sito 150.000 dollari entro due giorni dal rilascio.

Spiegabilità come leva di adozione

L'IA agisce come agente decisionale trasparente: registra in linguaggio semplice il proprio ragionamento matematico. Un supervisore di banchina con vent'anni di esperienza può ricostruire perché è stata fatta una raccomandazione, contestare i compromessi e modificare i parametri.

Un sistema che l'operatore può interrogare e correggere ha più probabilità di essere usato.

Cosa si può portare a casa

Tre spunti per chi lavora in automazione e software industriale:

• Architettura a due livelli: logica di base standardizzata e casi limite configurabili localmente, da chi conosce il processo.
• Spiegabilità: motivazioni leggibili e parametri modificabili riducono la diffidenza degli operatori.
• Mappare prima le decisioni: il consiglio di Moore è non perdersi in una pulizia infinita dei dati, ma individuare quali decisioni si prendono, perché e con quali dati, automatizzare le più rilevanti e abbandonare i fragili fogli di calcolo.

Una nota di taglio personale: l'articolo non cita simulazione a eventi discreti né gemelli digitali. Tuttavia un piano che si rompe in dieci minuti suggerisce che testare scenari di ritardi e assenze prima del turno sarebbe un complemento naturale all'ottimizzazione. È una considerazione nostra, non un elemento della fonte.