I tre modi in cui l'AI sblocca la trasformazione nel Retail, nei Viaggi e nei Beni di consumo

Sono le 5:45 di un venerdì mattina e la direttrice di un negozio si trova nel retroufficio, intenta a perdere una discussione con il suo stesso edificio. Quattordici dashboard sono aperte su due schermi. Una coda di attività, assemblata durante la notte da quattro sistemi che non si sono mai parlati, richiede la sua attenzione con tre diversi ordini di priorità. Da qualche parte nella corsia sette, la SKU a più alta rotazione del negozio è esaurita da martedì. La telecamera dello scaffale l'ha rilevato martedì. Il sistema di rifornimento l'ha dedotto mercoledì. L'attività per risolverlo è emersa stamattina, all'undicesimo posto, sotto un audit del planogramma e un promemoria di formazione. Lo troverà durante il suo giro di controllo, come i direttori fanno da cent'anni, e a quel punto il traffico del fine settimana per cui il prodotto era stato ordinato sarà già passato.

Il segnale esisteva da quattro giorni. Ciò che non è mai esistito è un modo per agire prima che il momento passasse.

Quella mattina si ripete, con divise diverse, in ogni settore dei beni di consumo. Forrester ha stimato che tra il 60% e il 73% di tutti i dati all'interno di un'azienda rimane inutilizzato per l'analisi dei dati. Nei beni di consumo, circa l'85% dei lanci di nuovi prodotti fallisce entro due anni, e Nielsen attribuisce la maggior parte dei fallimenti non alla qualità del prodotto, ma a un'errata interpretazione delle esigenze dei consumatori e del posizionamento, vale a dire a segnali che esistevano ma sono rimasti ignorati. E quando il sondaggio NVIDIA 2026 State of AI in Retail and CPG ha chiesto alle aziende cosa impedisse loro di scalare l'AI, la barriera più citata non è stata la tecnologia. Sono stati i dati. Questi non sono tre problemi. Sono un unico problema, tassato in tre modi: non si poteva credere abbastanza al segnale per agire (fiducia), non si poteva agire prima che il momento passasse (tempo) o non ci si poteva permettere di interpretare e agire alla scala necessaria (costo). La tesi di questo articolo è che l'AI, implementata come sistema anziché come una serie di progetti pilota, sia la prima tecnologia in grado di contrastare tutte e tre le tasse contemporaneamente, e che le aziende che lo comprendono si stiano per distaccare da quelle che si sono limitate ad acquistare i progetti pilota.

Perché vent'anni di dashboard non hanno colmato il divario

La risposta del settore al segnale ignorato è stata la business intelligence, ed è stata una risposta ragionevole. La BI ha professionalizzato la reportistica, standardizzato le metriche su cui si basano i consigli di amministrazione e offerto a una generazione di commercianti e operatori una base di fatti condivisa. Merita il suo spazio. Ma portava con sé tre limiti strutturali che nessun investimento avrebbe potuto superare.

In primo luogo, la BI poteva vedere solo i dati conformi a uno schema. L'immagine dello scaffale, la foto di manutenzione, la trascrizione della chiamata, la recensione, il post sui social: la maggior parte di ciò che un'azienda di beni di consumo osserva realmente non è mai entrata nel modello, perché leggerla richiedeva l'attenzione umana, e l'attenzione umana era la risorsa più scarsa nell'edificio. In secondo luogo, la BI rispondeva a domande che qualcuno aveva già pensato di porre. Eseguiva calcoli brillanti sulle relazioni fornite; non poteva formulare una visione d'insieme su segnali non predefiniti, che è proprio dove si nascondono le sorprese. In terzo luogo, la BI si fermava a una dashboard. Un operatore esperto doveva comunque notare, interpretare, decidere e indirizzare, per cui l'insight viaggiava alla velocità dell'escalation, e l'escalation viaggiava alla velocità dell'organigramma.

Ciò che è cambiato è che ciascuno di questi limiti è stato rimosso, separatamente e di recente. I modelli di fondazione hanno abbattuto il costo della lettura dei dati non strutturati, consentendo finalmente alle testimonianze dirette di entrare a far parte del record. Il ragionamento probabilistico ha reso computabile il giudizio, per cui lo spazio delle domande ha smesso di essere limitato a ciò che un analista aveva previsto. E la svolta agentica ha disaccoppiato l'azione dal personale, così la distanza tra il sapere e il fare ha smesso di essere misurata in riunioni. Le tre tasse, per la prima volta, hanno una controparte.

Dove si perdevano i segnali

Nel retail, si perdono sul punto vendita. Il nostro lavoro sulle operazioni in negozio basate sull'AI continua a giungere alla stessa conclusione: il punto vendita è l'ambiente più ricco di segnali dell'azienda e il meno capace di metabolizzarli. Le condizioni degli scaffali si conoscono solo camminando. I piani di lavoro si basano sulle curve dell'anno precedente. Gli sprechi vengono conteggiati solo dopo essere finiti nel cestino. E il direttore è l'unico punto di integrazione sovraccarico per una dozzina di sistemi che non sono mai stati progettati per convergere su un unico essere umano alle 5:45 del mattino. Il ciclo sta ora arrivando dove era più necessario: la scansione autonoma degli scaffali presso Harmons ha ridotto le rotture di stock di oltre la metà e gli errori di prezzo di circa il 75%, e Ask Sam di Walmart offre a un collaboratore alla prima settimana la memoria storica di un veterano sul campo. Ciò che sta emergendo è un negozio che gestisce il proprio ciclo, rilevando continuamente scaffali, code e sprechi e agendo entro l'ora, in modo che il giro del direttore diventi un giudizio applicato alle eccezioni piuttosto che la scoperta dell'ovvio.

Nei beni di consumo, si perdono nel motore dell'innovazione. Il modello tradizionale stage-gate esegue revisioni umane sequenziali sui prototipi fisici, e ogni fase è un punto in cui il segnale scade: le recensioni che segnalavano il difetto sono rimaste non lette, i primi dati di vendita (sell-through) che prevedevano il mancato successo sono arrivati dopo l'impegno di produzione, il trend social che giustificava il concept è emerso dopo il riallestimento dello scaffale. Il mio recente lavoro sull'innovazione in questo settore indica un'inversione di tendenza in corso, dai passaggi sequenziali umani alimentati da ricerche obsolete a una lettura computazionale continua del consumatore, eseguita prima di qualsiasi impegno fisico. Le prove pubbliche stanno arrivando: un'azienda globale di salute e igiene ha unificato le ricerche di mercato, le recensioni dei prodotti e i segnali di social listening che un tempo i suoi marketer impiegavano settimane a combinare, e ora passa dal segnale grezzo all'insight azionabile in pochi giorni, recuperando, secondo quanto dichiarato, le ore che i suoi team perdevano nell'assemblaggio anziché nel giudizio, le ore di cui l'innovazione aveva un disperato bisogno. Il vincolo principale di questa trasformazione non è la capacità del modello. Sono i dati proprietari dei consumatori, aggiornati, governati e sufficientemente densi su cui poter ragionare.

Nei viaggi, si perdono tra sistemi che conoscono ciascuno solo metà della storia. La telemetria sapeva che il componente si stava deteriorando; il pianificatore dell'equipaggio no. Il motore delle tariffe sapeva che la domanda stava cambiando; il desk per la gestione dei disservizi l'ha scoperto dalla coda. Il settore è più avanti della maggior parte degli altri nel collegare questi elementi: la manutenzione predittiva legge i segnali su oltre 12.000 aeromobili connessi su Airbus Skywise, Delta definisce i prezzi della sua rete con modelli generativi e i concierge AI sono già sul mercato con Expedia e Hilton. Andando avanti e collegandoli, si ottiene il viaggio che si ripara da solo: il disservizio rilevato nei dati di manutenzione, l'itinerario riprenotato, l'hotel e il trasporto a terra adeguati, il viaggiatore informato del problema e della soluzione nello stesso messaggio. IDC prevede che entro il 2030 fino al 30% delle prenotazioni di viaggio potrebbe essere eseguito da agenti AI, e gli operatori i cui dati possono supportare tale autonomia ne deterranno una quota sproporzionata.

In tutti e tre i settori, il pattern è identico. I modelli non sono il fossato difensivo. I dati sono il fossato difensivo.

Le tre cose che l'AI sblocca

Il pattern ha una forma, ed è la lente che utilizzo con i dirigenti di questi settori. L'attacco dell'AI alle tre tasse procede in tre movimenti, e ogni movimento è l'inversione di uno dei limiti strutturali della BI.

1. I dark data diventano segnali. Il costo in termini di attenzione per la lettura dei dati non strutturati crolla e la maggior parte di ciò che l'azienda osserva (immagini, trascrizioni, telemetria, conversazioni) entra finalmente a far parte del record.
2. Il ragionamento probabilistico espande lo spazio delle domande. Il calcolatore diventa giudizio. Un modello formula una visione probabilistica su segnali per i quali non è mai stato esplicitamente codificato (meteo contro promozioni contro variazione tariffaria di un concorrente) e le sorprese smettono di nascondersi tra le relazioni.
3. La capacità umana si disaccoppia dal numero di dipendenti e dall'esperienza. L'integrazione offre al collaboratore alla prima settimana la memoria storica di un veterano; l'automazione, il caso limite, elimina completamente il ritardo di esecuzione. La distanza tra il sapere e il fare smette di essere misurata in riunioni.

I tre movimenti si susseguono come un ciclo continuo contro il tempo; il tempo reale è l'orologio; la governance è il substrato che conquista la fiducia e controlla i costi.

Ogni movimento è un amplificatore, e gli amplificatori sono indifferenti a ciò che amplificano. L'apertura da sola produce solo più rumore. Il ragionamento da solo, su dati non governati, produce una falsa sicurezza. L'accelerazione da sola produce errori più rapidi. Il segnale senza ragionamento è rumore; il ragionamento senza segnale è falsa sicurezza; l'accelerazione senza nessuno dei due è un errore più rapido. Metti tutti e tre gli elementi sugli stessi dati governati, in tempo reale, e otterrai qualcosa che prima non esisteva.

Ecco perché la governance, la voce meno affascinante nel budget dei dati, si rivela essere il vero valore aggiunto. Governare i dati una volta paga un doppio dividendo: puoi crederci, il che elimina la tassa sulla fiducia, e non pagherai mai più per ricavarli, perché ogni modello, agente e applicazione attinge alla stessa base elaborata e certificata invece di estrarre nuovamente lo stesso corpus, il che elimina la tassa sui costi. La governance è cronicamente sottovalutata perché viene registrata come conformità, mentre il suo ruolo come leva di costo non viene misurato.

L'architettura sottostante

L'approccio operativo descritto sopra richiede a un'unica architettura di fare tre cose contemporaneamente: eseguire il ciclo sense-to-action in tempo reale, dimostrare l'affidabilità di ogni risposta prodotta e fare entrambe le cose senza che l'azienda paghi per elaborare due volte gli stessi dati. Questa è una specifica architetturale, ed è proprio quella per cui è stata creata la Databricks Data + AI Platform.

• Ampliare l'apertura è un problema di ingestion e apertura. Lakeflow Connect porta più di 100 connettori gestiti tra applicazioni aziendali, database e sorgenti di streaming in Delta Lake e Apache Iceberg, formati aperti che mantengono il segnale nell'archiviazione di tua proprietà anziché in un motore proprietario a noleggio.
• Un ragionamento affidabile è un problema di governance e valutazione. Unity Catalog governa dati, modelli e agenti in un unico livello, Unity Catalog Metrics rende le definizioni di business asset governati di prim'ordine in modo che ogni agente risponda a partire dallo stesso significato, e MLflow 3 fornisce la valutazione e il tracciamento che rendono verificabile una risposta probabilistica, colmando il divario che i soli dati governati non possono colmare. Unity AI Gateway estende la stessa governance al traffico di modelli e agenti stessi.
• E agire alla velocità delle macchine è un problema applicativo: Agent Bricks crea agenti valutati a partire dai dati aziendali, Genie mette le risposte governate direttamente nelle mani del direttore del negozio, del pianificatore e del centro operativo, e OpenSharing e Clean Rooms estendono lo stesso segnale governato lungo l'intera catena del valore, dal fornitore al rivenditore al partner, senza copiare i dati o perderne il controllo.

Il punto cruciale è questo: l'adozione parziale del ciclo non si traduce in un valore parziale. Uno stack di amplificazione a cui manca uno stadio amplifica la cosa sbagliata. La decisione sulla piattaforma è il momento in cui un'azienda sceglie se i suoi tre movimenti puntano nella stessa direzione, sullo stesso substrato governato, o se sta assemblando una falsa sicurezza a velocità sempre maggiore.

I casi di studio vengono scritti ora

E la scadenza non è più puramente interna. La stessa disciplina sta per essere esaminata dall'esterno: i consumatori stanno iniziando a delegare acquisti, prenotazioni e compere ad agenti AI che operano su protocolli rilasciati nell'ultimo anno, e McKinsey prevede che il commercio mediato da agenti potrebbe reindirizzare da 3 a 5 mila miliardi di dollari di spesa al dettaglio globale entro il 2030. Quelle macchine d'acquisto leggeranno solo ciò che la governance ha reso leggibile. L'azienda che ha colmato il divario tra i suoi dati e le sue decisioni scoprirà di aver costruito anche l'unica vetrina che una macchina può leggere; i due dividendi della governance ne acquisiscono silenziosamente un terzo.

Trent'anni fa, i rivenditori affermati si trovarono di fronte a una domanda sul web: canale o minaccia, resistere o accogliere. Le aziende che hanno trattato l'e-commerce come una nuova fisica piuttosto che come una nuova vetrina hanno trascorso i due decenni successivi a essere studiate da tutti gli altri. La stessa divergenza si sta delineando ora, e non si creerà tra le aziende con l'AI e quelle senza. Si creerà tra le aziende che metabolizzano ciò che già sanno e quelle che continuano a pagarci sopra le tre tasse.

La preparazione è chiara: dati aggiornati, governati e semanticamente coerenti, ragionamento valutato, azione strutturata. Il segnale nella corsia sette aspetta da cento anni che qualcuno lo legga in tempo. La disciplina non è mai stata un costo superfluo. È la differenza tra un'azienda che sa e un'azienda che agisce.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale