Intelligenza artificiale negli acquisti: guida pratica

2026-08-03 · Tommaso Maria Ricci

L'intelligenza artificiale negli acquisti arriva in un momento molto preciso. Nel 2026 il carico di lavoro degli uffici acquisti cresce dell'8% mentre organico e budget operativi calano. Non è la previsione pessimista di un consulente in cerca di clienti: è il dato centrale del 2026 Procurement Agenda and Key Issues Study di The Hackett Group, che misura ogni anno il divario tra quello che si chiede al procurement e le risorse che gli si danno. Più lavoro, meno persone, stessi tempi di risposta attesi dal resto dell'azienda. Quel divario si chiude in due modi soltanto: si abbassano le aspettative, oppure si cambia il modo in cui l'ufficio acquisti lavora.

L'intelligenza artificiale negli acquisti è il tema più frainteso dell'intera trasformazione digitale delle aziende italiane. Viene raccontata come sostituzione del buyer, ed è falso. Viene venduta come piattaforma da comprare, e quasi sempre è il modo più veloce di sprecare il budget. Questa guida spiega cosa cambia davvero nell'ufficio acquisti, quali processi conviene affrontare per primi, quanto costa, in quanto tempo rientra l'investimento e come si costruisce un percorso che non si fermi al progetto pilota.

Non troverai una lista di software. Troverai il metodo che uso quando entro in un'azienda che vuole portare l'AI dentro il ciclo passivo, con dati sporchi, anagrafiche fornitori duplicate e un direttore acquisti che ha già visto fallire due progetti prima del mio.

Perché l'ufficio acquisti è il reparto con il ritorno più rapido

Il procurement ha quattro caratteristiche che lo rendono, insieme al controllo di gestione, il terreno più fertile dell'azienda per l'intelligenza artificiale.

Lavora su dati già strutturati. Ordini, righe d'ordine, listini, condizioni contrattuali, tempi di consegna, non conformità. Sono numeri già codificati nel gestionale, esattamente il materiale su cui i modelli statistici rendono di più. A differenza del marketing, dove buona parte dell'informazione è qualitativa e ambigua, negli acquisti quasi tutto è misurabile.

Ha un impatto diretto e immediato sul margine. Un punto percentuale di risparmio sul costo del venduto vale, in un'azienda manifatturiera con margine operativo del 7%, molte volte di più dello stesso punto percentuale risparmiato sui costi di struttura. Nessun altro reparto ha una leva di questa portata.

È pieno di attività ripetitive ad alto costo del ritardo. Emettere richieste di offerta, confrontare quotazioni, controllare che il prezzo in fattura corrisponda al contratto, sollecitare conferme d'ordine. Ogni giorno di ritardo su una qualifica fornitore può bloccare una produzione.

Genera decisioni che si ripetono migliaia di volte all'anno. Ed è esattamente questa la condizione in cui un modello statistico batte sistematicamente l'intuizione umana: non sulla singola trattativa complessa, dove il buyer esperto resta imbattibile, ma sulle diecimila micro decisioni di riordino che nessuno ha il tempo di ottimizzare una per una.

Il dato di adozione conferma questa lettura. Secondo il 2025 Global Chief Procurement Officer Survey di Deloitte, le organizzazioni che Deloitte classifica come Digital Masters superano o rispettano i piani di risparmio nel 96% dei casi, contro l'80% delle organizzazioni che le seguono, e abilitano innovazione nel 56% dei casi contro il 24%. Il divario non è cosmetico: è la differenza tra un ufficio acquisti che negozia e uno che governa la spesa.

Cosa intendo per acquisti, per evitare progetti sbagliati

Sgombro il campo da un equivoco che genera investimenti mal indirizzati. L'ufficio acquisti non è il reparto che emette ordini. Quello è il ciclo passivo operativo, ed è solo l'ultima porzione del lavoro. Il procurement risponde a quattro domande diverse:

Cosa stiamo comprando davvero, da chi e a quali condizioni? Analisi della spesa, classificazione, individuazione delle sovrapposizioni.
Da chi conviene comprare nei prossimi dodici mesi? Sourcing strategico, gare, negoziazione, contrattualizzazione.
Quanto vale il rischio associato a ogni fornitore? Continuità di fornitura, solidità finanziaria, conformità, dipendenza da fonte unica.
Stiamo pagando quello che avevamo pattuito? Controllo di conformità tra contratto, ordine, bolla e fattura.

L'AI interviene su tutte e quattro con intensità molto diverse, e l'ordine con cui le affronti determina se il progetto produce risultati entro l'anno oppure muore nella fase di raccolta requisiti.

I sette processi degli acquisti che l'intelligenza artificiale cambia davvero

Li ho ordinati per rapporto tra valore prodotto e difficoltà di realizzazione. In quasi tutte le aziende italiane sotto i duecento milioni di fatturato, il punto di partenza corretto è il primo.

1. Analisi della spesa: il progetto che paga tutti gli altri

La maggior parte delle aziende italiane non sa quanto spende, con chi e per cosa. Non per incompetenza, ma perché la spesa è frammentata su descrizioni articolo scritte a mano libera, fornitori censiti più volte con ragioni sociali leggermente diverse, e categorie merceologiche assegnate da chi caricava l'anagrafica dieci anni fa.

Qui l'AI fa una cosa specifica e molto efficace: classifica automaticamente ogni riga di spesa in una tassonomia coerente, leggendo la descrizione dell'articolo, il fornitore, il centro di costo e il conto contabile. Un modello di classificazione addestrato su poche migliaia di righe già categorizzate a mano raggiunge accuratezze tra l'88% e il 95% sulle categorie di primo e secondo livello.

Il risultato pratico è quasi sempre lo stesso, e quasi sempre spiacevole per chi lo riceve:

Tra il 15% e il 25% della spesa risulta fuori contratto, cioè acquistata da fornitori con cui esisteva un accordo migliore rimasto inutilizzato.
Lo stesso codice articolo viene comprato a prezzi diversi da stabilimenti o filiali differenti, con scostamenti che nelle aziende multi sito arrivano regolarmente al 20%.
Una porzione consistente della spesa indiretta, tipicamente tra il 30% e il 40%, non ha alcun presidio: nessuno la negozia, nessuno la misura.

Perché partire da qui è evidente: il risultato è misurabile in euro entro sei settimane, non richiede alcuna previsione e quindi non è contestabile, e produce la lista concreta delle iniziative di risparmio che finanzieranno tutto il resto del percorso.

2. Sourcing e gestione delle richieste di offerta

Il ciclo di una richiesta di offerta è, nella maggior parte delle aziende, un lavoro di segreteria travestito da attività strategica: costruire il capitolato copiando quello dell'anno prima, individuare i fornitori da invitare, inviare, sollecitare, raccogliere risposte in formati diversi, normalizzarle in un foglio di calcolo per poterle confrontare.

L'AI comprime drasticamente ogni passaggio. I modelli linguistici generano la bozza del capitolato partendo dallo storico e dalle specifiche tecniche. Estraggono automaticamente prezzi, condizioni di pagamento, tempi di consegna e clausole dalle offerte ricevute, indipendentemente dal formato, e le riportano su una griglia comparabile. Segnalano le offerte che si discostano dallo standard su una condizione specifica, che è esattamente il dettaglio che sfugge quando si confrontano dodici quotazioni in mezza giornata.

Il tempo ciclo di una richiesta di offerta strutturata scende tipicamente da tre o quattro settimane a otto o dieci giorni. Non è solo efficienza: è la possibilità concreta di rimettere in gara categorie che oggi si rinnovano per inerzia perché manca il tempo per farlo.

3. Gestione dei contratti: dove si nascondono i soldi già persi

L'archivio contratti di un'azienda media italiana è una cartella di rete con centinaia di PDF, spesso scansionati, spesso senza una versione unica riconosciuta. Nessuno sa con certezza quanti contratti si rinnovano tacitamente il mese prossimo, quali contengono clausole di adeguamento prezzo legate a indici, quali prevedono sconti a volume che non abbiamo mai reclamato.

L'estrazione automatica delle clausole risolve il problema in modo brutale. Un modello linguistico legge l'intero archivio ed estrae in forma strutturata: scadenza, preavviso di disdetta, meccanismo di revisione prezzi, penali, livelli di servizio, sconti a scaglioni, condizioni di pagamento, foro competente.

Il ritorno immediato di questo lavoro si compone di tre voci, e nella mia esperienza la terza è la più pesante:

Rinnovi taciti intercettati. Contratti che si sarebbero rinnovati a condizioni peggiori senza che nessuno se ne accorgesse.
Clausole di adeguamento prezzo applicate a senso unico. Quando l'indice scende, il fornitore raramente scrive per abbassare il prezzo. Il modello segnala che avrebbe dovuto.
Sconti a volume mai reclamati. Se il contratto prevede un ulteriore 3% oltre la soglia e la soglia è stata superata a ottobre, quei soldi sono tuoi e vanno chiesti.

Questo è, insieme all'analisi della spesa, il caso d'uso con il ritorno più rapido in assoluto, e lo stesso principio di automazione documentale si applica trasversalmente ad altri processi, come ho descritto nella guida su automazione dei processi aziendali con l'AI.

4. Controllo fattura, ordine e bolla

La riconciliazione a tre vie è il processo più noioso e più sottovalutato del ciclo passivo. Nella pratica di molte aziende viene fatta a campione, perché controllare riga per riga costerebbe più di quanto si recupera. Il risultato è che una quota di errori passa senza essere vista, sempre nella stessa direzione: a favore del fornitore.

Un motore di riconciliazione basato su machine learning impara dai controlli già fatti dagli operatori quali differenze sono accettabili e quali no, e gestisce i casi che mandano in crisi le regole rigide: consegne parziali, arrotondamenti, spese accessorie, note di credito compensate, cambi valuta.

Il tasso di quadratura automatica che si raggiunge sulle fatture di acquisto sta tipicamente tra il 70% e il 90%, con l'operatore che passa dal controllare tutto al validare le sole eccezioni. Il beneficio non è solo tempo: è il recupero sistematico di uno scostamento medio tra prezzo contrattuale e prezzo fatturato che, nelle aziende dove ho misurato questo delta prima dell'intervento, oscillava tra lo 0,4% e l'1,2% della spesa controllata.

5. Previsione dei fabbisogni e riordino

Qui l'AI produce il risultato più visibile a bilancio, perché tocca il magazzino, e il magazzino è capitale immobilizzato.

Un modello previsionale scompone la serie storica dei consumi in trend, stagionalità e residuo, e ci aggiunge variabili che nessun buyer ha il tempo di considerare: portafoglio ordini, promozioni in corso, calendario, prezzi delle materie prime, tempi di consegna reali di ogni singolo fornitore invece di quelli dichiarati a contratto.

I risultati misurabili sono tre e vanno tenuti distinti:

Riduzione delle scorte di sicurezza tra il 12% e il 25% a parità di livello di servizio, semplicemente perché il modello stima l'incertezza reale invece di applicare un coefficiente prudenziale uguale per tutti i codici.
Riduzione delle rotture di stock tra il 20% e il 40% sui codici a rotazione media, che sono quelli dove l'intuizione umana funziona peggio.
Riduzione del capitale circolante immobilizzato, che è il numero che interessa davvero alla direzione finanziaria.

Il legame con il resto della catena è diretto, e chi vuole il quadro completo lo trova nella guida su intelligenza artificiale e supply chain.

6. Valutazione e monitoraggio del rischio fornitore

La qualifica fornitori, nella maggior parte delle aziende italiane, è un questionario compilato una volta all'ingresso e mai più aggiornato. Nel frattempo il fornitore può aver perso il cliente principale, aver ricevuto un decreto ingiuntivo, aver cambiato assetto proprietario o essersi spostato in un'area geografica a rischio.

L'AI lavora qui su due fronti. Sul dato interno costruisce un punteggio di performance oggettivo basato su puntualità reale, tasso di non conformità, tempo di risposta alle richieste di offerta, contestazioni aperte. Sul dato esterno monitora in continuo fonti pubbliche, notizie, protesti, variazioni camerali, e segnala il cambiamento quando avviene invece che alla revisione annuale.

Il valore non sta nel punteggio in sé, ma nel passaggio da controllo periodico a controllo continuo. Una segnalazione che arriva tre mesi prima di un fermo produzione vale più di qualunque risparmio negoziale ottenuto in quell'anno.

7. Supporto alla negoziazione

È il caso d'uso più recente e quello con la maggiore distanza tra promessa commerciale e realtà operativa. Va detto con chiarezza: l'AI non negozia al posto del buyer, e chi lo racconta sta vendendo qualcosa.

Quello che fa concretamente è preparare il buyer meglio di quanto potrebbe fare da solo. Ricostruisce lo storico completo della relazione con quel fornitore, stima la struttura di costo probabile del prodotto partendo dai prezzi delle materie prime e dai coefficienti di lavorazione, individua il potere negoziale reale confrontando quanto pesiamo sul suo fatturato rispetto a quanto lui pesa sul nostro, e propone gli scenari di apertura con le relative soglie di rinuncia.

Sulle categorie a bassa complessità e alto volume di transazioni, la negoziazione assistita in autonomia funziona, tipicamente su rinnovi standard con fornitori di coda. Sopra una certa soglia di importo o di criticità resta un lavoro umano, ed è giusto che lo resti.

Cosa l'intelligenza artificiale negli acquisti non fa

Questa sezione esiste perché quasi tutti i progetti falliti che ho analizzato sono falliti su aspettative sbagliate, non su tecnologia sbagliata.

Non sostituisce il buyer. Sostituisce tra il 40% e il 60% delle attività che oggi lo occupano, e sono quasi tutte a basso valore: normalizzare offerte, inseguire conferme d'ordine, aggiornare fogli di calcolo, cercare un contratto nella cartella di rete. Le attività residue, cioè la costruzione della strategia di categoria, la gestione della relazione con i fornitori critici e la negoziazione complessa, diventano più importanti, non meno.

Non aggiusta i dati sporchi. Se la tua anagrafica fornitori contiene lo stesso soggetto quattro volte con quattro codici diversi, nessun modello ti dirà quanto spendi con quel fornitore. Gartner ha previsto che, fino al 2026, le organizzazioni abbandoneranno il 60% dei progetti di AI non supportati da dati pronti all'uso. La deduplica dell'anagrafica non è un prerequisito noioso da saltare: è il progetto.

Non decide. Un modello produce una raccomandazione con un livello di confidenza. La scelta di cambiare fornitore su un componente critico incorpora informazioni strategiche che nei dati non ci sono: rapporti industriali, piani di sviluppo prodotto, equilibri interni. Resta una decisione di direzione.

Non funziona senza una tassonomia di spesa condivisa. Se acquisti, amministrazione e produzione chiamano la stessa categoria in tre modi diversi, l'AI amplifica il disallineamento invece di risolverlo. L'ordine corretto è: prima la tassonomia, poi i dati, poi il modello.

Non produce risparmi che non fossero già disponibili. Rende visibile e realizzabile un risparmio che esisteva già ma che nessuno aveva il tempo di andare a prendere. La distinzione sembra sottile ed è invece decisiva quando si costruisce il business case davanti alla direzione.

Autovalutazione: la tua azienda è pronta? Scorecard in dodici domande

Prima di parlare di budget e fornitori, misura il punto di partenza. Assegna a ogni domanda 0 se la risposta è no, 1 se è parziale, 2 se è sì, e somma.

Blocco A, qualità del dato

L'anagrafica fornitori è unica e deduplicata, con un responsabile identificato che ne presidia la manutenzione?
Ogni riga d'ordine è associata a una categoria merceologica in modo automatico, senza attribuzioni manuali a posteriori?
Esiste un archivio contratti centralizzato dove, per ogni fornitore attivo, si sa qual è il documento vigente?
Hai almeno ventiquattro mesi di storico ordini coerente, cioè senza cambi di gestionale o di codifica che rendono i periodi non confrontabili?

Blocco B, maturità di processo

Esiste una tassonomia di spesa condivisa tra acquisti, amministrazione e controllo di gestione?
Il processo di qualifica fornitore è documentato, con criteri espliciti e una revisione periodica prevista?
Misuri la performance dei fornitori con indicatori oggettivi presi dal sistema, non con la percezione di chi ci lavora?
Esiste una policy che definisce quale spesa deve passare dagli acquisti e quale no, ed è rispettata?

Blocco C, capacità organizzativa

C'è almeno una persona in azienda in grado di estrarre dati dal gestionale senza chiedere aiuto a un fornitore esterno?
La direzione ha approvato un budget esplicito per progetti di dato e automazione nei prossimi dodici mesi?
Esiste un committente di business, non informatico, disposto a mettere la faccia sul progetto?
Negli ultimi tre anni hai portato a termine almeno un progetto di digitalizzazione che ha cambiato il modo di lavorare delle persone?

Come si legge il punteggio.

Da zero a otto punti significa che non sei pronto per l'AI predittiva, e non è un dramma. Il tuo progetto dei prossimi sei mesi si chiama deduplica anagrafiche e costruzione della tassonomia di spesa. Investire adesso in modelli previsionali equivale a comprare un motore da competizione per un'auto senza ruote.

Da nove a quindici punti è la fascia dove si colloca la maggioranza delle PMI italiane strutturate. Puoi partire subito da analisi della spesa ed estrazione delle clausole contrattuali, che danno risultato in poche settimane. Rimanda di sei mesi il previsionale.

Da sedici a venti punti puoi affrontare previsione dei fabbisogni e scoring di rischio fornitore. La condizione è che il progetto resti in mano agli acquisti e non venga delegato interamente all'area sistemi informativi.

Da ventuno a ventiquattro punti sei nella minoranza. Il tuo tema non è più il pilota, è la scala: governo dei modelli, gestione delle versioni, integrazione degli agenti nei flussi operativi quotidiani.

Un punteggio basso non è una condanna, è una sequenza. Se il risultato ti dice che il problema sta a monte, quella è esattamente la conversazione che conviene avere con qualcuno che ha già ricostruito processi di acquisto dentro aziende vere, prima di firmare qualunque contratto software.

Roadmap 30, 60, 90 giorni

Questa è la sequenza che uso quando entro in un'azienda che vuole portare l'intelligenza artificiale dentro gli acquisti. È deliberatamente lenta nei primi trenta giorni, perché la fretta iniziale è la causa più frequente di fallimento al novantesimo.

Giorni 1 a 30: capire dove sono i soldi

Settimane 1 e 2, mappatura della spesa. Estrai ventiquattro mesi di righe d'ordine e di registrazioni fornitore. Per ogni categoria calcola quattro numeri: spesa totale, numero di fornitori, numero di transazioni, valore medio della transazione. Da soli questi quattro numeri rivelano dove c'è frammentazione da consolidare e dove il costo del processo supera il valore dell'acquisto.

Settimana 3, diagnosi del dato. Misura tre indicatori sulle fonti che userai: completezza dei campi obbligatori, duplicazione in anagrafica fornitori, coerenza tra categoria assegnata e descrizione articolo. Metti i numeri su una pagina. Quella pagina sarà il documento più citato dell'intero progetto.

Settimana 4, scelta del caso d'uso e definizione della metrica. Scegli un caso d'uso soltanto. Uno. Definisci la metrica di successo prima di iniziare, con la baseline attuale in forma numerica: "classificare automaticamente il 90% delle righe di spesa entro il 30 aprile", non "migliorare la visibilità sulla spesa".

L'output dei primi trenta giorni è un documento di due pagine: mappa della spesa, qualità del dato misurata, caso d'uso scelto, metrica e baseline. Costo in licenze software: zero.

Giorni 31 a 60: costruire il pilota sui dati veri

Settimane 5 e 6, preparazione dei dati. Porta i dati necessari in un ambiente separato dal gestionale di produzione. Qui emerge la quasi totalità dei problemi che avrebbero fatto deragliare il progetto una volta in esercizio.

Settimane 7 e 8, costruzione e primo test. Configura lo strumento o costruisci il modello, poi eseguilo in parallelo al processo manuale. Il pilota gira in parallelo, mai in sostituzione, per almeno due cicli completi.

C'è una regola che non negozio mai: il pilota si fa sui dati reali dell'azienda, non sul dataset dimostrativo del fornitore. Un fornitore che dimostra il proprio prodotto solo su dati preconfezionati sta nascondendo il costo di integrazione, ed è lì che finisce metà del budget.

Giorni 61 a 90: validare, decidere, industrializzare

Settimane 9 e 10, validazione contro baseline. Confronta il pilota con il processo manuale sugli stessi periodi. Se il caso d'uso è la classificazione della spesa, misura accuratezza e copertura. Se è la previsione dei consumi, calcola l'errore percentuale medio di entrambi. Se il pilota non batte il processo attuale, il progetto si ferma qui, e fermarlo è un successo: hai speso novanta giorni invece di due anni per scoprirlo.

Settimana 11, disegno del processo a regime. Definisci chi controlla l'output, con quale frequenza, con quale soglia di allarme e chi ha l'autorità di scavalcare la raccomandazione del modello. Un modello senza un proprietario umano si degrada in sei mesi e nessuno se ne accorge finché non produce un danno.

Settimana 12, decisione. Tre esiti sono tutti legittimi: si industrializza, si itera per altri trenta giorni su una variante, si abbandona documentando il perché. Le aziende sane sanno prendere anche il terzo.

Al novantesimo giorno devi avere un caso d'uso in produzione con un beneficio misurato, non cinque piloti in stato permanente. La differenza tra chi ottiene valore dall'AI e chi colleziona proof of concept sta interamente in questa disciplina.

Se ti accorgi che la tua azienda ha bisogno esattamente di questa sequenza ma non ha in casa nessuno che possa guidarla senza fermare il lavoro ordinario, è il tipo di percorso su cui affianco direttamente le direzioni aziendali, con l'obiettivo dichiarato di rendere il team autonomo entro il primo anno.

Quanto costa e come si calcola il ritorno

Le cifre che seguono valgono per il mercato italiano, aziende tra i cinque e i cento milioni di fatturato. Sono ordini di grandezza che ho visto pagare, non listini ufficiali.

Costo di ingresso per caso d'uso

Analisi e classificazione della spesa. Licenza di uno strumento specializzato: da 8.000 a 25.000 euro l'anno in funzione del volume di transazioni. Implementazione, mappatura e costruzione della tassonomia: da 10.000 a 25.000 euro una tantum. Tempo per andare in produzione: da sei a dieci settimane.

Estrazione delle clausole contrattuali. È il caso d'uso più economico in assoluto oggi. Consumo di modelli linguistici per un archivio di qualche migliaio di contratti: da 1.500 a 6.000 euro l'anno. Sviluppo dell'integrazione e validazione: da 8.000 a 20.000 euro. Tempo: da quattro a otto settimane.

Controllo automatico fattura, ordine e bolla. Da 10.000 a 30.000 euro l'anno di licenza, più da 15.000 a 35.000 euro di implementazione, con forte dipendenza dalla qualità dell'integrazione con il gestionale. Tempo: da tre a cinque mesi.

Previsione dei fabbisogni. Da 20.000 a 60.000 euro l'anno se acquistata come soluzione verticale, oppure da 15.000 a 40.000 euro di progetto se costruita su una piattaforma di analisi già presente in azienda. Tempo: da quattro a sei mesi.

Scoring e monitoraggio del rischio fornitore. Da 6.000 a 20.000 euro l'anno, in larga parte costo delle fonti dati esterne. Tempo: da otto a dodici settimane.

La voce che nessuno mette a preventivo

La preparazione dei dati assorbe tra il 50% e il 70% dell'effort totale di qualunque progetto di AI negli acquisti. Se un fornitore ti presenta un preventivo in cui la voce dati pesa il 10% del totale, le possibilità sono due: o la tua azienda ha già una piattaforma dati matura, oppure quel preventivo è incompleto e la differenza arriverà come variante in corso d'opera.

La regola pratica che uso è semplice: metti a budget per la sistemazione dei dati un importo comparabile a quello della tecnologia. Se sembra troppo, considera l'alternativa, cioè far parte di quel 60% di progetti abbandonati.

Le tre componenti del ritorno

Il ritorno di un progetto di AI negli acquisti si compone di tre voci che vanno tenute separate perché hanno gradi di certezza diversi. Il metodo di calcolo completo l'ho descritto nella guida dedicata al ROI dell'intelligenza artificiale, qui riporto la versione applicata agli acquisti.

Risparmio di ore, certezza alta. Ore risparmiate al mese moltiplicate per il costo orario pieno moltiplicate per dodici. Un esempio concreto: settanta ore al mese liberate tra normalizzazione delle offerte, controllo fatture e ricerca contratti, a un costo orario pieno di 35 euro, valgono 29.400 euro l'anno. È il numero che si porta in consiglio perché nessuno può smontarlo.

Risparmio di spesa, certezza media. Va calcolato solo sulle iniziative effettivamente realizzate, non sul potenziale teorico individuato. Se l'analisi della spesa ha evidenziato un milione di euro comprato fuori contratto e ne riporti a contratto seicentomila con un delta prezzo del 7%, il beneficio è 42.000 euro l'anno, non il potenziale del milione.

Riduzione del capitale immobilizzato, certezza media. Una riduzione delle scorte di 400.000 euro, con un costo del denaro al 6%, vale 24.000 euro l'anno di soli oneri finanziari, a cui si aggiungono costi di stoccaggio e obsolescenza.

Il consiglio pratico è di costruire il business case sulla prima voce, dichiarare la seconda come stima prudenziale e trattare la terza come beneficio atteso ma escluso dal calcolo del tempo di rientro. Un business case che si regge sui benefici incerti viene smontato al primo consuntivo. Con questa impostazione il rientro tipico di un progetto ben scelto sta tra i sei e i quindici mesi, più rapido rispetto ad altre funzioni aziendali proprio perché il procurement tocca direttamente il costo del venduto.

Casi reali: cosa è successo in quattro aziende

I casi che seguono vengono da lavori miei. Riporto i numeri che sono stati misurati, non quelli che suonano meglio.

WSB Sport, più 30% di vendite

L'intervento è partito dal marketing, ma il moltiplicatore è stato la disciplina del dato applicata a monte. Ricostruendo la redditività reale per canale e per referenza è emerso che una parte significativa della spesa pubblicitaria alimentava prodotti a margine basso, e che il costo di approvvigionamento di quelle stesse referenze non era mai stato rinegoziato. La riallocazione del budget verso le referenze ad alto margine, unita all'automazione della produzione creativa, ha prodotto un incremento delle vendite del 30%.

La lezione per un direttore acquisti: senza il dato di margine per referenza, che nasce dall'incrocio tra costo di acquisto e prezzo di vendita, quella riallocazione non sarebbe stata nemmeno pensabile.

Hotel, ricavi da nove a dieci milioni

Il lavoro è consistito nel costruire un modello di previsione della domanda per segmento e finestra di prenotazione, alimentato da storico, andamento delle prenotazioni, calendario eventi della città e prezzi della concorrenza, collegandolo a una revisione tariffaria settimanale invece che stagionale.

I ricavi sono passati da nove a dieci milioni, non con più camere vendute ma con la stessa occupazione a tariffa media superiore. La parte rilevante per gli acquisti sta sul lato costi: la stessa previsione della domanda, applicata agli approvvigionamenti di cibo e bevande, riduce in modo sensibile lo scarto e le ordinazioni in urgenza, che sono la voce dove si perde margine senza accorgersene.

Centro medico, più 20% di capacità

Nessun macchinario nuovo, nessuna assunzione. Il collo di bottiglia erano la gestione delle agende e le mancate presentazioni. Un modello di previsione del rischio di assenza per paziente ha permesso sovraprenotazione selettiva e promemoria differenziati, portando a un aumento del 20% delle prestazioni erogate a parità di struttura e personale.

Sul conto economico l'impatto è quasi interamente margine, perché i costi fissi erano già sostenuti. È il caso che uso quando mi si dice che l'intelligenza artificiale serve solo alle aziende grandi.

Agriturismo, raddoppio degli ospiti

Struttura piccola, dati quasi inesistenti all'inizio. Il lavoro è partito dalla costruzione del dato. Sono stati tracciati canali di acquisizione, tasso di conversione e valore medio del soggiorno. Quei numeri sono poi serviti a riallocare la spesa e a ridisegnare l'offerta stagionale. Il numero di ospiti è raddoppiato.

Il punto rilevante per questa guida: non c'era nessun modello sofisticato, c'era la disciplina di misurare. Molte aziende convinte di avere un problema di intelligenza artificiale hanno in realtà un problema di misurazione, e il secondo costa mille volte meno da risolvere.

Gli errori che vedo ripetersi negli uffici acquisti

Comprare la piattaforma prima di avere il caso d'uso. L'ordine corretto è problema, metrica, dato, strumento. Invertirlo produce licenze pagate e non usate, che è il costo più silenzioso della trasformazione digitale.

Affidare il progetto ai sistemi informativi. L'area IT è indispensabile per l'esecuzione tecnica, ma il committente deve essere il direttore acquisti o la direzione generale. Un progetto di procurement guidato dall'IT ottimizza l'architettura e ignora il risparmio.

Automatizzare un processo che andrebbe eliminato. Se emetti una richiesta di offerta per acquisti da duecento euro, automatizzarla significa fare più velocemente qualcosa che non dovresti fare affatto. Prima si elimina, poi si semplifica, solo alla fine si automatizza.

Ignorare la gestione del cambiamento. Il buyer che ha costruito il proprio ruolo sulla conoscenza personale dei fornitori non accoglie con entusiasmo un sistema che rende quella conoscenza esplicita e trasferibile. Va coinvolto come proprietario del nuovo processo, non come destinatario di una decisione presa altrove. Nella mia esperienza il coinvolgimento precoce dei buyer è il singolo fattore che più correla con il successo del progetto.

Confondere adozione e impatto. McKinsey, nella rilevazione The State of AI condotta nel 2025 su 1.993 rispondenti in circa 105 paesi, riporta che l'88% delle organizzazioni usa regolarmente l'AI in almeno una funzione aziendale, in crescita dal 78% dell'anno precedente, ma che solo il 39% dichiara un impatto misurabile sul risultato operativo a livello aziendale. Avere l'AI in azienda e ottenere valore dall'AI restano due condizioni diverse.

Trascurare il quadro normativo. Il regolamento europeo sull'intelligenza artificiale resta la cornice di riferimento. Con l'accordo di semplificazione raggiunto nella primavera del 2026, gli obblighi per i sistemi ad alto rischio dell'Allegato III sono stati differiti al 2 dicembre 2027 e quelli per l'AI incorporata in prodotti regolamentati dell'Allegato I al 2 agosto 2028, mentre gli obblighi di trasparenza e il dovere di alfabetizzazione sull'AI non hanno subito rinvii. Per gli acquisti la classificazione di rischio è generalmente bassa, perché si tratta di sistemi interni di analisi. Diventa un tema serio quando gli stessi modelli producono effetti su persone fisiche, per esempio nella selezione di appaltatori individuali. Il quadro completo degli adempimenti l'ho raccolto nella guida su AI Act e aziende.

Come cambia il ruolo del buyer

Vale la pena essere espliciti, perché è la preoccupazione reale di chi lavora in un ufficio acquisti.

Il buyer del 2020 passava circa il 70% del tempo a raccogliere informazioni e il 30% a usarle. Il buyer del 2028 avrà il rapporto invertito. Le competenze che diventano decisive sono tre, e nessuna è la programmazione.

Costruzione della strategia di categoria. Sapere quali categorie vanno consolidate, quali frammentate per ridurre il rischio, quali portate all'interno. Richiede di conoscere il business, e per questo l'AI non può farlo.
Interrogazione critica dei modelli. Riconoscere quando una raccomandazione è implausibile, capire quali variabili la guidano, distinguere correlazione e causalità. Non serve saper costruire il modello, serve saperlo mettere in discussione.
Gestione della relazione con i fornitori critici. È l'unica parte del mestiere che diventa più importante man mano che tutto il resto si automatizza.

Dove serve formazione, l'orizzonte realistico è di quaranta o sessanta ore per portare un buyer esperto a usare in autonomia strumenti di analisi assistita e a impostare correttamente un problema previsionale. È un investimento con un ritorno molto più rapido dell'acquisto di qualsiasi piattaforma, e si inserisce nel quadro più ampio della produttività aziendale ottenibile con l'intelligenza artificiale.

Il percorso specifico per le PMI italiane

Le PMI hanno tre vincoli che le grandi aziende non hanno, e tre vantaggi che quasi mai sfruttano.

I vincoli sono noti: budget limitato, assenza di competenze interne di analisi dati, gestionali datati o pesantemente personalizzati da cui è difficile estrarre informazione pulita.

I vantaggi lo sono meno. La decisione è rapida perché il decisore è uno solo. I processi sono meno stratificati e quindi più facili da ridisegnare. Il punto di partenza è così basso che i primi interventi producono guadagni percentuali che in un'azienda strutturata sarebbero impensabili.

Il percorso che funziona nelle PMI ha una forma precisa. Si parte dall'analisi della spesa, che costa poco e produce entro sei settimane una lista di iniziative di risparmio quantificate. Si usa quel risultato per finanziare e legittimare il secondo passo, cioè la sistemazione dell'anagrafica e della tassonomia. Solo al terzo passo si arriva al previsionale. Partire dal previsionale in una PMI significa quasi sempre bruciare budget e credibilità in una volta sola.

Sui fornitori di tecnologia vale una regola difensiva semplice: diffida di chi propone la piattaforma prima di aver visto i tuoi dati, di chi non mette per iscritto la metrica di successo del pilota, e di chi non ti spiega cosa succede al modello quando i tuoi dati cambiano. Il tema più generale della scelta tra costruire, comprare e farsi affiancare l'ho affrontato nella guida sull'intelligenza artificiale per le PMI.

Checklist prima di firmare qualsiasi contratto

Usa questa lista come filtro finale. Se non puoi rispondere sì a tutte le voci, non sei pronto a firmare.

Ho definito un solo caso d'uso, con una metrica numerica e la baseline attuale misurata.
Ho misurato completezza, duplicazione e coerenza delle fonti dati che il caso d'uso userà.
Ho un committente di business con nome e cognome, non un comitato.
Il pilota girerà sui miei dati e in parallelo al processo attuale, per almeno due cicli.
Il contratto prevede un punto di uscita al termine del pilota, senza penali.
So chi, a regime, controlla l'output del modello e con quale frequenza.
Ho messo a budget la preparazione dei dati per un importo comparabile a quello della tecnologia.
Il business case si regge sul solo risparmio di ore, con gli altri benefici dichiarati ma esclusi dal tempo di rientro.
Ho verificato se i modelli produrranno effetti su persone fisiche e, in quel caso, ho previsto la valutazione di conformità.
Ho previsto le ore di formazione per il team che userà il sistema.

Da dove parti domani mattina

Se hai letto fin qui e vuoi un'azione concreta da fare nelle prossime quarantotto ore, è questa: estrai dal gestionale l'elenco dei fornitori con cui hai speso qualcosa negli ultimi dodici mesi, ordinali per importo decrescente e conta quanti ne servono per arrivare all'80% della spesa totale.

Nella maggior parte delle aziende italiane quel numero è sorprendentemente piccolo, e la coda che resta è composta da centinaia di fornitori che assorbono la quasi totalità del tempo dell'ufficio acquisti producendo una frazione irrisoria del valore. Quel foglio ti dice due cose insieme: dove sta il potenziale di consolidamento e quale parte del processo va automatizzata per prima.

L'intelligenza artificiale negli acquisti non è un tema tecnologico. È la scelta di smettere di inseguire fornitori per iniziare a governare la spesa. Le aziende che faranno questo passaggio nei prossimi diciotto mesi avranno un vantaggio strutturale di costo sui concorrenti che continueranno a rinnovare per inerzia i contratti dell'anno prima. Se stai valutando da dove iniziare e vuoi un confronto diretto su quale sia il primo passo giusto per la tua struttura, senza vendite di piattaforme, è esattamente il tipo di conversazione da cui parto con le direzioni aziendali che seguo.

FAQ

Cos'è l'intelligenza artificiale applicata agli acquisti?

È l'uso di modelli statistici, di machine learning e di modelli linguistici per automatizzare e migliorare i processi dell'ufficio acquisti. In pratica significa cinque cose: classificare automaticamente la spesa in categorie coerenti, estrarre in forma strutturata le clausole dei contratti fornitore, controllare che il prezzo fatturato corrisponda a quello pattuito, prevedere consumi e fabbisogni per ottimizzare le scorte e monitorare in continuo il rischio dei fornitori. Non sostituisce il buyer: sostituisce la parte ripetitiva del suo lavoro, che oggi vale tra il 40% e il 60% del tempo disponibile.

Quanto costa introdurre l'intelligenza artificiale negli acquisti di una PMI?

Per un'azienda italiana tra i cinque e i cento milioni di fatturato, il primo caso d'uso costa tipicamente tra 20.000 e 45.000 euro complessivi nel primo anno, considerando licenze, implementazione e preparazione dei dati. I due casi d'uso più economici sono l'estrazione delle clausole contrattuali, che parte da circa 10.000 euro, e l'analisi della spesa. La previsione dei fabbisogni costa di più e va affrontata dopo. La regola pratica più importante è mettere a budget per la sistemazione dei dati un importo comparabile a quello della tecnologia, perché quella voce assorbe tra il 50% e il 70% dell'effort reale.

In quanto tempo rientra l'investimento?

Il tempo di rientro tipico di un progetto ben scelto sta tra i sei e i quindici mesi, calcolato sul solo risparmio di ore uomo più i risparmi di spesa effettivamente realizzati. Un esempio realistico: settanta ore al mese liberate tra normalizzazione delle offerte, controllo fatture e ricerca contratti, a un costo orario pieno di 35 euro, valgono circa 29.400 euro l'anno. A questo si aggiunge il recupero della spesa fuori contratto, che nelle aziende dove ho misurato questo dato pesa tra il 15% e il 25% del totale acquistato. Gli acquisti rientrano più in fretta di altre funzioni perché toccano direttamente il costo del venduto.

L'intelligenza artificiale sostituirà il buyer?

No, ma cambia il mestiere in profondità. Spariscono la normalizzazione manuale delle offerte, la ricerca dei contratti nella cartella di rete, l'inseguimento delle conferme d'ordine e l'aggiornamento dei fogli di calcolo. Diventano centrali la costruzione della strategia di categoria, la gestione dei fornitori critici e la capacità di mettere in discussione le raccomandazioni dei modelli. Il rischio reale per un buyer non è essere sostituito da un algoritmo: è restare quello che passa tre giorni al mese a copiare dati mentre un collega usa quel tempo per rinegoziare le categorie più pesanti.

Da quale processo conviene partire?

Dall'analisi e classificazione della spesa. È il caso d'uso con il miglior rapporto tra valore e difficoltà: i dati sono già in azienda, il risultato è misurabile in euro entro sei settimane, non richiede alcuna previsione e quindi nessuno può contestarlo, e produce la lista concreta delle iniziative di risparmio che finanzieranno il resto del percorso. Il secondo passo naturale è l'estrazione delle clausole dai contratti fornitore, che intercetta rinnovi taciti, adeguamenti prezzo applicati a senso unico e sconti a volume mai reclamati.

Servono dati perfetti per iniziare?

Non perfetti, ma sufficienti e onesti. La soglia minima concreta è questa: anagrafica fornitori deduplicata, categoria merceologica associata alle righe d'ordine, un archivio contratti dove per ogni fornitore attivo si sa qual è il documento vigente, e almeno ventiquattro mesi di storico senza cambi di gestionale. Se manca uno di questi elementi, il primo progetto da fare non è di intelligenza artificiale, è di sistemazione del dato. Gartner ha stimato che fino al 2026 il 60% dei progetti di AI non supportati da dati pronti all'uso verrà abbandonato, e negli acquisti la causa numero uno è sempre l'anagrafica fornitori.

L'AI negli acquisti ricade negli obblighi del regolamento europeo sull'intelligenza artificiale?

Nella maggior parte dei casi si tratta di sistemi a rischio limitato, perché sono strumenti interni di analisi che non prendono decisioni su persone. La classificazione cambia se gli stessi modelli vengono usati in modo da produrre effetti su persone fisiche, per esempio nella selezione di appaltatori individuali o di lavoratori autonomi. Va ricordato che con l'accordo di semplificazione raggiunto nella primavera del 2026 gli obblighi per i sistemi ad alto rischio dell'Allegato III sono stati differiti al 2 dicembre 2027 e quelli dell'Allegato I al 2 agosto 2028, mentre gli obblighi di trasparenza e il dovere di alfabetizzazione sull'AI restano applicabili senza rinvii.