AI in magazzino: prima mappare le decisioni, poi pulire i dati

Il 10 novembre 2026 IIoT World ha pubblicato un articolo basato su un'intervista video della serie CxO con Keith Moore, CEO di AutoScheduler.AI. Il tema è un ostacolo comune ai progetti di intelligenza artificiale in ambito logistico: l'idea che i dati debbano essere perfetti prima di poter iniziare.

Una precisazione sulla fonte: si tratta del punto di vista del CEO di un fornitore, non di una ricerca indipendente, e l'articolo non riporta cifre di prestazione. Il testo è inoltre dichiarato come riassunto con strumenti di AI e rivisto dalla redazione. Va quindi letto come un insieme di indicazioni metodologiche, non come una prova di risultati.

Il problema: bonifiche infinite

Secondo Moore, molte aziende che introducono l'AI nei magazzini iniziano con un'enorme attività di pulizia dei dati, spesso pluriennale, che rischia di rinviare i miglioramenti operativi a tempo indeterminato. La sua alternativa è invertire l'ordine: prima si mappano le decisioni, poi si stabilisce quale qualità del dato serve davvero a prenderle.

"Your data only has to be as perfect as the decisions you're going to make on it."

Cinque passi per mappare le decisioni

L'approccio descritto nell'intervista si articola così:

• catalogare i dati che lo stabilimento o il magazzino già possiede;
• documentare come le decisioni vengono prese oggi;
• tracciare come i dati alimentano ciascuna decisione e che cosa ne provoca la modifica;
• separare le decisioni standardizzabili a livello di rete da quelle specifiche del singolo sito;
• ordinare le decisioni per impatto rispetto alla prontezza dei dati e automatizzare dall'alto verso il basso.

Il vantaggio è evidente: la qualità del dato diventa un requisito legato a una decisione concreta, quindi misurabile e limitato, invece di un obiettivo generico e senza fine.

Spiegabilità per la fiducia degli operatori

Un operatore di magazzino esperto, osserva Moore, non seguirà alla cieca la raccomandazione di una macchina. Per questo ogni applicazione registra equazioni, vincoli e compromessi alla base delle proprie decisioni.

Nel processo descritto:

• prima del go-live la piattaforma mostra la propria logica e chiede a chi la configura se gestirebbe i compromessi in modo diverso, e la risposta viene registrata insieme alle regole;
• quando un operatore mette in dubbio una raccomandazione, il sistema ripercorre i dati lungo il flusso decisionale e ne espone il ragionamento;
• l'operatore può discutere e correggere la logica, generando una traccia di audit documentata.

AI specifica per il dominio

Moore sostiene che i modelli generalisti dei grandi laboratori non incorporano la conoscenza dei vincoli fisici: i tempi di movimentazione delle attrezzature, le baie di carico riservate a certi tipi di merce, l'effetto a catena di un camion in ritardo su tutta la pianificazione. AutoScheduler.AI ha invece verticalizzato i propri algoritmi, combinando machine learning e competenze di consulenza sulla supply chain; la piattaforma di base era stata costruita in origine per Procter & Gamble.

Perché conta per chi lavora in automazione

Anche senza condividere le posizioni commerciali del fornitore, il metodo è trasferibile. Nei progetti di scheduling, simulazione e digital twin, la tentazione di attendere il dato perfetto è la stessa, e così il rischio di perdere l'adesione degli operatori se il sistema è una scatola nera.

Indicazioni pratiche:

• partire da un inventario delle decisioni, non da un progetto di data cleaning generale;
• definire per ogni decisione la qualità del dato strettamente necessaria;
• incorporare vincoli fisici e regole operative nel modello, non delegarli a un sistema generico;
• registrare logica, ipotesi e correzioni degli operatori per costruire fiducia e tracciabilità.

Resta da verificare, caso per caso, quanto bene funzioni in pratica: l'articolo non offre dati che lo dimostrino. Come criterio di avvio di un progetto, però, la sequenza decisioni prima, dati poi merita attenzione.