L’intelligenza artificiale in fabbrica viene spesso presentata come una soluzione capace di migliorare le previsioni, ridurre gli sprechi, aumentare l’automazione e rendere più rapide le decisioni. Ma quando si passa dalla teoria alla realtà della produzione, molte aziende scoprono che l’AI da sola non basta. Se non dialoga con l’ERP, le distinte base, gli ordini e i vincoli reali di pianificazione, resta un esperimento interessante, ma ai margini dei processi operativi.
Per questo la distanza tra entusiasmo e risultati resta ampia. In Italia, secondo il Politecnico di Milano, nel 2025 ha avviato almeno un progetto di AI il 71% delle grandi imprese, ma solo l’8% delle PMI; nello stesso tempo, a livello UE il 46,45% delle imprese usa ERP e il 53% utilizza almeno un software di business specializzato come ERP, CRM o BI. Il punto, quindi, non è solo introdurre nuove tecnologie, ma trasformare una base digitale già presente in processi decisionali più intelligenti e continui.
Per capire dove l'AI può creare valore davvero, conviene partire dal processo: in quale punto l'ERP raccoglie già abbastanza segnali da permettere all'AI di suggerire o correggere una decisione utile?
L'ERP industriale non è soltanto un archivio transazionale. È il punto in cui si incontrano dati di produzione, acquisti, tempi, costi, disponibilità materiali, avanzamento ordini, qualità e controllo di gestione. Quando l'AI lavora fuori da questo perimetro, tende a produrre insight scollegati dal contesto operativo; quando invece si appoggia a quel dato unico, può incidere su decisioni che hanno un effetto reale su piano produttivo, servizio e marginalità.
In questo quadro, l'AI non sostituisce il sistema gestionale: lo rende più leggibile e più reattivo. McKinsey sul divario tra AI ed ERP osserva che solo circa il 40% delle organizzazioni rileva un impatto a livello EBIT dalle iniziative AI, proprio perché molti casi d'uso non sono sostenuti da processi end-to-end, dati coerenti e tecnologie capaci di portarli a scala. In manifattura questo significa capire se una previsione della domanda può tradursi in un piano realistico, se un alert su un'anomalia tocca una commessa strategica, se un suggerimento sugli acquisti tiene conto davvero di lead time, scorte e saturazione impianti.
Quando il dato resta frammentato, l'AI aggiunge complessità. Quando invece lavora su una base comune, aiuta a leggere più velocemente le eccezioni e a dare priorità alle decisioni che contano. È per questo che, nella manifattura, l'AI utile nasce meno da use case "magici" e più da processi già tracciati ma ancora difficili da governare in tempo utile.
I casi d'uso che producono valore prima sono spesso quelli meno scenografici, perché insistono su decisioni frequenti, ripetibili e già alimentate da dati gestionali. In questi casi l'integrazione con l'ERP fa la differenza tra una demo e un risultato misurabile.
Un caso particolarmente solido riguarda il forecast della domanda. Se l'AI legge storico ordini, stagionalità, mix cliente, backlog e variabili esterne, può migliorare la qualità delle previsioni e ridurre gli errori che si trascinano nella pianificazione. Ma il vantaggio vero emerge quando il forecast non resta in un cruscotto separato: deve aggiornare scenari di approvvigionamento, capacità produttiva e date di consegna. Secondo McKinsey sulle manufacturing lighthouses, un caso di demand forecasting ha aumentato l'accuratezza delle previsioni del 27% in tre anni.
Lo stesso vale per la pianificazione operativa. Qui l'AI può aiutare a gestire la cosiddetta system nervousness: continue ripianificazioni, cambi di priorità, colli di bottiglia che si propagano lungo la linea. Non serve promettere un piano perfetto, ma un motore capace di simulare scenari, evidenziare i vincoli davvero critici e suggerire dove intervenire subito.
Anche gli approvvigionamenti offrono un terreno molto concreto. In un ERP industriale i segnali esistono già: lead time fornitore, puntualità storica, rotazione delle scorte, fabbisogni MRP, scostamenti di prezzo, criticità materiali. L'AI può usarli per segnalare rischi di stock-out, anticipare rotture di fornitura e suggerire priorità di riordino.
La qualità offre un ulteriore campo di applicazione. Computer vision, analisi delle non conformità, correlazione tra parametri di processo e difetti, classificazione automatica delle cause: sono tutti esempi in cui l'AI crea valore se il risultato rientra nell'ERP e diventa azione su lotto, rilavorazione, blocco o revisione del ciclo. Nello stesso studio McKinsey, un toolkit di computer vision ha ridotto i difetti del 49% in quattro mesi.
Un ambito utile riguarda anche il supporto decisionale sulle eccezioni. Un copilot che legge ordini aperti, livelli di servizio, avanzamenti e scostamenti KPI può aiutare un responsabile di produzione o un planner a capire dove intervenire per primo.
Molti progetti si bloccano perché partono dal caso d'uso più ambizioso invece che da quello più governabile. In manifattura, spesso, l'AI rende di più quando entra in processi già esistenti e ne aumenta precisione, velocità o capacità di presidio.
Il valore si vede soprattutto quando l'AI aiuta a dare priorità alle attività, ridurre gli sprechi, leggere più rapidamente i KPI e gestire le eccezioni. In pratica, l'AI aiuta a capire quali ordini, materiali, impianti o fornitori meritano attenzione adesso, quali scostamenti rischiano di pesare davvero sui margini e dove serve intervenire prima che il problema si propaghi.
Qui c'è un dato utile da tenere a mente. Secondo il World Economic Forum su AI industriale, il 68% dei manufacturer ha già implementato almeno un use case AI, ma solo il 16% ha raggiunto i target prefissati e il 98% segnala difficoltà nello scaling. Il punto, quindi, non è accumulare casi d'uso: è scegliere quelli che si innestano su un processo reale, hanno un owner chiaro e possono essere misurati con KPI operativi comprensibili anche al business.
Prima di chiedersi quale modello usare, conviene capire se l'azienda è pronta a renderlo utile. In molti contesti industriali il limite non è l'algoritmo, ma la qualità della base dati e la capacità di far dialogare funzioni diverse intorno allo stesso processo.
Tra i prerequisiti conta anzitutto la qualità del dato. Distinte incoerenti, anagrafiche duplicate, tempi ciclo non aggiornati o registrazioni tardive compromettono qualsiasi progetto. Se i dati ERP non descrivono bene il processo, l'AI impara male e decide peggio.
Conta poi l'integrazione IT-OT. Per molti use case industriali servono sia i dati gestionali dell'ERP sia quelli che arrivano da macchina, linea, MES, sensori o sistemi qualità. Se questi mondi non comunicano, si ottengono modelli parziali.
Serve anche la Business Intelligence. Non perché la BI basti da sola, ma perché crea il terreno minimo per misurare cosa succede, confrontare scenari e verificare se il caso d'uso sta migliorando davvero il processo.
C'è infine un prerequisito organizzativo. Planner, produzione, qualità, acquisti, IT e controllo di gestione devono convergere almeno sul perimetro del problema, sui dati da usare e sul KPI da spostare. Se l'AI resta un progetto dell'IT, tende a fermarsi prima della messa a terra.
La scelta migliore raramente coincide con il caso d'uso più avanzato. Di solito conviene partire da un'area in cui la decisione è frequente, il costo dell'errore è evidente e il dato è già abbastanza disponibile. Un buon primo use case dovrebbe toccare un collo di bottiglia reale, usare dati recuperabili senza progetti infiniti, produrre un output traducibile in azione, avere un owner operativo e potersi misurare in tempi brevi.
Per questo spesso funzionano meglio progetti come il forecasting su famiglie prodotto ad alta variabilità, gli alert su ritardi fornitori critici, il supporto alla schedulazione in reparti instabili o la classificazione delle non conformità dove il rework pesa davvero sui margini. Sono casi d'uso meno "teatrali" di un'AI onnisciente, ma molto più adatti a costruire fiducia e metodo.
In fondo, la domanda giusta non è se l'AI entrerà nell'ERP industriale. Sta già succedendo. La vera discriminante è un'altra: se verrà usata per aggiungere complessità oppure per rendere più leggibili e più governabili decisioni che oggi l'azienda prende già, ma con troppo attrito. I progetti che lasciano il segno partono sempre da lì.