Intelligenza Artificiale Grossisti: Guida 2026

2026-07-28 · Tommaso Maria Ricci

Intelligenza artificiale grossisti: dove si nascondono i punti di margine che stai perdendo

Un numero per iniziare, di quelli che non lasciano scampo: nella distribuzione all'ingrosso il margine netto medio viaggia tra il 2 e il 5 percento, mentre il capitale immobilizzato in magazzino può arrivare al 25 o 30 percento del fatturato. Significa che un distributore da 10 milioni tiene fermi tra 2,5 e 3 milioni di euro in scaffali, e ogni punto percentuale di scorta in eccesso pesa più di quanto renda un nuovo cliente medio. Qui l'intelligenza artificiale grossisti smette di essere una parola da fiera di settore e diventa una leva finanziaria: previsione della domanda, rotazione dello stock, prezzi per cliente, recupero degli ordini persi. In questo articolo non troverai una lista di software. Troverai un metodo per capire dove l'AI sposta davvero un numero nel tuo conto economico, e dove invece è solo rumore che costa soldi.

Scrivo da fondatore, non da consulente teorico. Ho passato vent'anni a portare aziende reali da un punto A a un punto B usando marketing, automazione e, negli ultimi anni, sistemi di intelligenza artificiale applicati a processi concreti. I casi che leggerai più avanti sono miei: una struttura ricettiva passata da 9 a 10 milioni di ricavi, un centro medico che ha aumentato del 20 percento la capacità operativa senza assumere nessuno, un agriturismo che ha raddoppiato gli ospiti, un'azienda sportiva che ha alzato le vendite del 30 percento. Settori diversi dalla distribuzione, stessa meccanica: individuare il processo dove si perde denaro in modo prevedibile e attaccarlo con dati e automazione. Vediamo come si traduce per chi fa ingrosso.

Perché l'intelligenza artificiale conviene proprio a chi lavora con margini sottili

C'è un equivoco che sento ripetere da anni: l'AI serve ai grandi gruppi, quelli con reparti IT e budget da multinazionale. È esattamente il contrario. Chi ha margini larghi può permettersi lo spreco, chi lavora al 3 percento non può. Nella distribuzione ogni inefficienza si moltiplica per il volume: mille righe d'ordine al giorno, decine di migliaia di codici a catalogo, centinaia di clienti con listini diversi. È il tipo di complessità dove l'occhio umano perde e un modello vince.

Il punto non è "adottare l'intelligenza artificiale". Il punto è che in un'azienda all'ingrosso ci sono cinque o sei processi dove il denaro esce in modo silenzioso e ripetibile, ogni giorno, senza che nessuno se ne accorga perché il fatturato cresce lo stesso. Sono questi:

Previsione della domanda: quanti pezzi compri perché li hai venduti l'anno scorso e quanti perché sai davvero cosa succederà nei prossimi 60 giorni?
Gestione delle scorte: quanto capitale è fermo su codici che ruotano una volta ogni otto mesi?
Pricing e listini: quanti clienti pagano un prezzo deciso tre anni fa da un agente che non lavora più con te?
Ordini e customer service B2B: quante ore di back office bruci a inserire ordini arrivati via email, WhatsApp e telefono?
Rete vendita: quanti clienti dormienti nessuno ha richiamato perché l'agente segue solo i primi venti?
Acquisti e fornitori: quanto compri sempre dallo stesso per abitudine, senza sapere se è ancora il più conveniente?

Ognuno di questi è un numero. E ogni numero si può muovere. Il lavoro serio consiste nel decidere quale attaccare per primo, non nel comprare l'ennesimo modulo software.

Le analisi di PwC sull'impatto economico dell'intelligenza artificiale stimano un contributo dell'AI all'economia globale nell'ordine dei 15.700 miliardi di dollari entro il 2030, con la quota maggiore proveniente da guadagni di produttività e da ottimizzazione dei processi, non da prodotti nuovi. Tradotto per un grossista: il valore non arriva dal vendere qualcosa di diverso, arriva dal vendere le stesse cose con meno capitale immobilizzato, meno errori e meno ore sprecate.

Previsione della domanda: smettere di comprare guardando lo specchietto retrovisore

Nella distribuzione la previsione della domanda è la madre di tutti i processi. Se sbagli lì, sbagli a valle su tutto: compri troppo dei codici sbagliati, resti scoperto sui codici giusti, immobilizzi cassa e perdi vendite nello stesso trimestre. È il paradosso classico del grossista: magazzino pieno e prodotti mancanti, contemporaneamente.

Il metodo tradizionale è la media mobile sullo storico, spesso calcolata in un foglio Excel che qualcuno ha costruito anni fa e che nessuno osa toccare. Il problema è strutturale: la media dello storico guarda indietro e assume che il futuro somigli al passato. Non tiene conto della stagionalità reale per famiglia di prodotto, dei cicli dei clienti principali, delle promozioni dei fornitori, dei tempi di consegna variabili, del comportamento dei sostituti quando un codice va in rottura.

Un modello di previsione della domanda ben impostato lavora su un livello diverso. Prende i dati che già hai e li incrocia:

1. Storico di vendita per codice, cliente e canale, non solo il totale mensile. 2. Stagionalità e ciclicità reali, calcolate sul dato e non sulla sensazione del responsabile acquisti. 3. Lead time effettivi dei fornitori, inclusa la loro variabilità, che è la vera causa delle scorte di sicurezza gonfiate. 4. Segnali anticipatori: ordini aperti, preventivi in corso, comportamento dei clienti top nelle ultime settimane.

Il risultato non è una previsione perfetta. È una previsione migliore della tua, e nella distribuzione anche una riduzione dell'errore dal 30 al 18 percento cambia la struttura del capitale circolante. Su un magazzino da 2,5 milioni, ridurre le scorte del 15 percento libera 375.000 euro di cassa senza vendere nulla di nuovo. Quella cassa è ossigeno: paga fornitori a condizioni migliori, finanzia sconti cassa, riduce l'esposizione bancaria.

Il caso: da 9 a 10 milioni senza aggiungere struttura

Ho seguito una struttura ricettiva che fatturava circa 9 milioni e aveva un problema di previsione simile a quello di un grossista, anche se il prodotto era diverso: capacità deperibile, domanda stimata a sensazione, prezzi decisi per abitudine. Lavorando sulla previsione della domanda e sulla velocità di risposta commerciale, siamo arrivati a superare i 10 milioni di ricavi senza aggiungere camere, personale di struttura o capitale investito. Un milione in più costruito sul processo, non sull'investimento.

Per un distributore la traduzione è diretta: se oggi perdi vendite per rotture di stock su codici ad alta rotazione, quel fatturato mancato non compare in nessun report, perché il cliente semplicemente compra altrove e tu non lo sai. Le rotture di stock sono la perdita più invisibile della distribuzione, e sono esattamente il tipo di problema che un modello previsionale rende visibile e misurabile.

Gestione delle scorte: il capitale che dorme in magazzino

Se la previsione decide cosa comprare, la gestione delle scorte decide quanto capitale resta immobilizzato. In un'azienda all'ingrosso il magazzino è contemporaneamente l'asset principale e il rischio principale: merce che invecchia, si danneggia, esce di gamma, viene sostituita da un modello nuovo del fornitore.

L'analisi classica ABC per fatturato è utile ma insufficiente, perché guarda solo il valore venduto e ignora il capitale bloccato e la variabilità della domanda. Un sistema di intelligenza artificiale applicato alle scorte lavora su tre assi contemporaneamente:

Rotazione reale per codice, non per famiglia. Nella distribuzione la media di famiglia nasconde sempre codici zombie che nessuno guarda.
Scorte di sicurezza calcolate sulla variabilità vera della domanda e del lead time, non su una regola fissa tipo "quindici giorni di copertura per tutti".
Punto di riordino dinamico, che si aggiorna quando cambia il comportamento del cliente o del fornitore, invece di restare congelato nel gestionale dal 2019.

Il numero da guardare è l'indice di rotazione del magazzino e, insieme, la percentuale di codici a rotazione nulla. Nella mia esperienza, in quasi tutti i distributori una quota rilevante dei codici a catalogo non genera vendite significative da oltre un anno, ma continua a occupare spazio, capitale e attenzione. Individuarli è banale con i dati giusti, e liberarli produce un effetto immediato sulla cassa.

C'è un secondo livello, meno ovvio ma più redditizio: la sostituzione intelligente. Quando un codice va in rottura, la maggior parte dei grossisti perde la riga d'ordine. Un sistema che conosce le equivalenze e la storia di acquisto del cliente propone in automatico l'alternativa giusta, salvando la vendita e spesso migliorando il margine, perché il sostituto ha marginalità diversa. È un recupero silenzioso che, su migliaia di righe d'ordine al mese, vale più di molte campagne commerciali. Il ragionamento completo su come costruire questo tipo di automatismi lo trovi nella guida su automazione dei processi aziendali con l'AI.

Il magazzino fisico: picking, spazio e ore di lavoro

C'è poi la dimensione operativa. Nella distribuzione il costo del personale di magazzino è una voce pesante e il picking è l'attività che assorbe più ore. Ottimizzare il layout in base alla frequenza di prelievo reale, riorganizzare le ubicazioni per i codici ad alta rotazione e sequenziare le missioni di prelievo in modo intelligente riduce i chilometri percorsi dagli operatori ogni giorno.

Non serve un magazzino automatizzato da milioni di euro per ottenere il risultato. Serve usare i dati di prelievo che il tuo gestionale già registra e che quasi nessuno analizza. Ridurre del 20 percento il tempo medio di preparazione di un ordine, su un magazzino che ne prepara 300 al giorno, significa liberare ore di lavoro qualificato che puoi spostare su attività a valore, oppure assorbire la crescita senza assumere. È lo stesso principio che ho applicato in un settore completamente diverso, con risultati che vale la pena raccontare.

Il caso: più 20 percento di capacità operativa senza assumere

Ho lavorato con un centro medico che aveva un collo di bottiglia classico: la domanda cresceva, ma per servirla sembrava servisse più personale, e assumere avrebbe eroso il margine. Riorganizzando i processi con l'automazione e ridistribuendo il carico sulla base dei flussi reali, abbiamo aumentato la capacità operativa del 20 percento a parità di organico. Stesse persone, stesso costo del lavoro, un quinto di lavoro utile in più.

Per un grossista la traduzione è immediata. Se oggi il tuo magazzino e il tuo back office gestiscono 300 ordini al giorno e con la stessa struttura potessero gestirne 360, hai appena creato capacità di fatturato a costo fisso invariato. Nella distribuzione, dove la crescita per volumi è la strada naturale, questa è la differenza tra crescere con margine e crescere bruciando margine. È il tipo di conversazione che conviene fare con chi questa capacità in più l'ha già costruita in aziende vere, invece di scoprire a proprie spese quale leva funziona.

Pricing e listini: dove il margine evapora una riga alla volta

Se c'è un punto in cui i distributori lasciano soldi sul tavolo in modo sistematico, è il pricing. La struttura tipica è la stratificazione: listino base, sconti per categoria cliente, condizioni negoziate dall'agente, promozioni fornitore, extra sconto di fine anno. Il risultato è che due clienti con lo stesso profilo pagano prezzi diversi, e nessuno sa esattamente perché.

Il problema non è la complessità in sé, è che nessuno ha il tempo di ricalcolare migliaia di combinazioni prodotto per cliente. Così i prezzi restano fermi. E i prezzi fermi, in un contesto dove i costi di acquisto si muovono ogni trimestre, significano una cosa sola: erosione del margine.

L'intelligenza artificiale applicata al pricing nella distribuzione fa un lavoro molto concreto:

1. Segmenta i clienti sul comportamento reale di acquisto, non sulla categoria assegnata anni fa: frequenza, mix, elasticità al prezzo, sensibilità al servizio. 2. Individua le anomalie: clienti che pagano sotto la soglia di margine, codici venduti in perdita, sconti che si sono sedimentati e che nessuno ricorda di aver concesso. 3. Suggerisce il prezzo ottimale per combinazione cliente e prodotto, tenendo conto del costo attuale, non di quello storico. 4. Aggiorna i listini in modo continuo quando cambiano i costi di acquisto, invece di una revisione annuale sempre in ritardo.

Il punto delicato è la reazione della rete vendita. Gli agenti temono che il pricing algoritmico faccia perdere clienti. In pratica succede il contrario, perché il modello identifica sia i clienti su cui puoi alzare senza rischio, sia quelli su cui devi difenderti con un prezzo migliore per non perderli. Il pricing non diventa più aggressivo, diventa più preciso.

Un ragionamento di ordine di grandezza aiuta a capire la portata. Su un distributore da 10 milioni con il 3 percento di utile netto, l'utile annuo è 300.000 euro. Recuperare un solo punto percentuale sul prezzo medio realizzato, a parità di volumi e di costi, significa 100.000 euro che scendono quasi interamente a margine, cioè un terzo dell'utile. Non esiste iniziativa commerciale con lo stesso rapporto tra sforzo richiesto e ritorno prodotto. Sul come misurare in modo rigoroso interventi di questo tipo ho scritto una guida dedicata al ROI dell'intelligenza artificiale.

Ordini e customer service B2B: il back office che si mangia le ore

Chiedi al tuo responsabile back office quante ore al giorno il team passa a trascrivere ordini arrivati via email, PDF, WhatsApp e telefono. La risposta, nella maggior parte dei distributori italiani, è imbarazzante: parliamo di persone qualificate che fanno data entry per metà giornata.

Questo è il caso d'uso dove l'intelligenza artificiale produce il risultato più veloce e meno discutibile, perché il processo è ripetitivo, ad alto volume e con regole chiare. Un sistema ben impostato:

Legge l'ordine in qualunque formato arrivi, estrae righe, codici, quantità e condizioni, e lo prepara già pronto per l'inserimento.
Riconcilia i codici cliente con i tuoi, che è il vero incubo della distribuzione, perché ogni cliente usa la sua nomenclatura.
Segnala le anomalie invece di bloccare tutto: quantità fuori scala, prezzi non coerenti, codici obsoleti.
Risponde alle domande ricorrenti dei clienti su disponibilità, stato dell'ordine e tempi di consegna, senza passare dall'operatore.

Il risultato tipico è la riduzione drastica del tempo di elaborazione ordine e, soprattutto, la riduzione degli errori. Nella distribuzione un errore di inserimento non costa il tempo di correggerlo, costa il trasporto di ritorno, la nota di credito, la telefonata del cliente arrabbiato e, nei casi peggiori, il cliente stesso.

C'è anche un effetto che si vede solo dopo qualche mese: il back office liberato dal data entry può fare vendita. Chi risponde al telefono conosce i clienti, sa cosa comprano e cosa hanno smesso di comprare. Trasformare quelle persone da inseritori di ordini a presidio commerciale interno è una delle mosse più redditizie che un distributore possa fare, e diventa possibile solo quando l'automazione libera il tempo. Il tema di come l'AI cambia la gestione delle richieste in ingresso lo approfondisco nella guida su intelligenza artificiale e customer service.

Rete vendita e clienti dormienti: il fatturato che hai già e non stai raccogliendo

Nella distribuzione la crescita più economica non arriva da clienti nuovi, arriva da clienti che hai già e che stai servendo male. Il portafoglio tipico di un grossista è una coda lunga: venti o trenta clienti che fanno la maggior parte del fatturato e centinaia che comprano poco, in modo irregolare, spesso senza che nessuno se ne occupi davvero.

Il motivo è semplice e non è colpa degli agenti: una persona può seguire con attenzione un numero limitato di clienti, e sceglie sempre i più grandi. Il resto va in autogestione, cioè in lenta erosione. Il cliente che smette di comprare non ti manda una lettera, semplicemente sparisce, e te ne accorgi mesi dopo quando guardi il fatturato per cliente.

L'intelligenza artificiale interviene qui su tre fronti concreti:

Rilevazione dei segnali di abbandono: il modello vede che un cliente ha ridotto la frequenza, cambiato il mix o allungato l'intervallo tra un ordine e l'altro, e lo segnala prima che sia perso.
Next best offer: sulla base di cosa comprano clienti simili, il sistema suggerisce i codici che quel cliente dovrebbe comprare e non compra. Nella distribuzione, dove il catalogo è enorme, questo è il modo più diretto per aumentare le righe per ordine.
Priorità di contatto per l'agente: invece di una lista alfabetica, l'agente riceve ogni mattina le dieci visite o telefonate con il ritorno atteso più alto.

Il numero da muovere è il fatturato medio per cliente attivo e il numero di righe per ordine. Sono due metriche che nella distribuzione quasi nessuno presidia con metodo, e che rispondono in fretta quando le attacchi.

Il caso: più 30 percento di vendite con l'AI applicata al marketing

Il caso più diretto sul lato commerciale è WSB Sport, dove abbiamo aumentato le vendite del 30 percento usando l'intelligenza artificiale applicata al marketing e alla gestione dei contatti. Non con una campagna geniale una tantum, ma costruendo un sistema che intercetta la domanda, risponde rapidamente e non lascia raffreddare nessun contatto.

Per un distributore la logica è la stessa, applicata a un portafoglio B2B: se hai 600 clienti a codice e ne servi attivamente 200, i 400 che restano non sono clienti morti, sono clienti non presidiati. Riattivarne anche solo il 15 percento con un sistema disciplinato di segnali e contatti significa crescita a costo di acquisizione quasi nullo. Le strategie con cui l'AI muove concretamente le vendite le ho raccolte nella guida su intelligenza artificiale e vendite.

Il caso: agriturismo con ospiti raddoppiati

Un ultimo caso, perché chiude il cerchio tra presidio commerciale e capacità. Ho seguito un agriturismo che ha raddoppiato il numero di ospiti lavorando in modo integrato su presenza online, gestione delle richieste e follow-up sistematico. Non ha raddoppiato i terreni né le camere: ha raddoppiato la capacità di intercettare e convertire la domanda che prima gli passava accanto.

Per un grossista il messaggio è preciso: la crescita, quasi sempre, non richiede più magazzino o più agenti. Richiede di smettere di perdere la domanda che già ricevi e di lavorare in modo sistematico il portafoglio che già hai.

Acquisti e gestione fornitori: negoziare con i dati, non con la memoria

Il grossista compra per vendere, quindi la funzione acquisti è dove si costruisce il margine prima ancora di incontrare il cliente. Eppure in molte aziende gli acquisti si fanno per abitudine e relazione: si compra da chi si è sempre comprato, alle condizioni che si sono sempre avute, con revisioni annuali fatte più per rito che per analisi.

L'intelligenza artificiale applicata agli acquisti fa un lavoro che nessuno ha materialmente il tempo di fare a mano ogni settimana:

Monitora l'andamento dei prezzi di acquisto per codice e per fornitore, segnalando gli aumenti silenziosi che passano inosservati riga per riga.
Misura l'affidabilità reale: puntualità delle consegne, completezza degli ordini, contestazioni, resi. Un fornitore leggermente più caro ma puntuale costa meno di uno economico e irregolare, ma quasi nessuno lo misura.
Simula gli scenari di acquisto: cosa succede al capitale circolante se sposti il 20 percento del volume su un altro fornitore con lead time più corto?
Prepara la negoziazione con il quadro completo di volumi, frequenze e marginalità, invece di andare al tavolo con la memoria e un paio di stampe.

Il vantaggio non è solo lo sconto ottenuto. È il potere contrattuale: chi arriva alla trattativa sapendo esattamente quanto ha comprato, con quale ricorrenza e con quale margine generato, negozia da una posizione diversa rispetto a chi tira a indovinare. Nella distribuzione, dove i listini si muovono di continuo, questa consapevolezza vale punti di margine che si accumulano ordine dopo ordine, in modo poco appariscente ma costante.

C'è poi il tema del rischio di fornitura, diventato centrale dopo gli anni delle interruzioni logistiche globali. Un modello che incrocia lead time storici, variabilità e concentrazione degli acquisti ti dice dove sei esposto: quali codici dipendono da un solo fornitore, quali categorie hanno tempi di riapprovvigionamento incompatibili con le tue scorte attuali. È informazione che vale soprattutto quando serve, cioè quando qualcosa si rompe. Le analisi del MIT Sloan sull'applicazione dell'intelligenza artificiale al management insistono da anni su un punto che vale anche qui: il valore dell'AI non è nella previsione in sé, è nel cambiare le decisioni che prendi grazie a quella previsione.

Amministrazione, credito e recupero: il margine che si perde dopo la vendita

Un capitolo che quasi nessuno associa all'intelligenza artificiale, ma che nella distribuzione pesa moltissimo, è il ciclo attivo. Vendere bene e incassare male è un ottimo modo per fallire in crescita. Con margini netti al 3 percento, un insoluto da 30.000 euro brucia il margine di un milione di fatturato.

Qui l'AI lavora su segnali che i dati contengono già:

Scoring del rischio cliente basato sul comportamento di pagamento reale, non solo sul rating esterno: ritardi crescenti, ordini che cambiano forma, richieste di dilazione.
Priorità del recupero: quali crediti sollecitare per primi in base a probabilità di incasso e importo, invece di procedere in ordine cronologico.
Riconciliazione automatica tra fatture, pagamenti e note di credito, che è un'altra attività dove il back office brucia ore senza produrre valore.

Il numero da guardare sono i giorni medi di incasso. Ridurli di dieci giorni su un fatturato da 10 milioni libera circa 270.000 euro di cassa in modo permanente. È lo stesso ordine di grandezza dell'ottimizzazione delle scorte, ottenuto senza toccare né vendite né acquisti. Il quadro completo di come questi interventi si inseriscono in un percorso più ampio lo sviluppo nella guida su trasformazione digitale e intelligenza artificiale.

Self-assessment: quanto è pronta la tua azienda di distribuzione

Prima di investire un euro, misura. Rispondi a queste sei domande assegnandoti un punteggio da 0 a 2 per ciascuna, poi somma. È la stessa diagnosi che faccio all'inizio di ogni progetto, perché senza sapere da dove parti non puoi sapere quanto puoi guadagnare.

1. Previsione della domanda. Come decidi cosa e quanto comprare? - 0: sullo storico e sull'esperienza del responsabile acquisti. - 1: uso i dati storici ma li elaboro a mano in un foglio. - 2: ho un metodo strutturato che considera stagionalità, lead time e segnali dei clienti.

2. Scorte. Che controllo hai sul capitale immobilizzato? - 0: non conosco l'indice di rotazione per codice né la quota di codici fermi. - 1: monitoro il valore complessivo del magazzino, non il dettaglio. - 2: rotazione tracciata per codice, scorte di sicurezza calcolate sulla variabilità reale.

3. Pricing. Quanto sono aggiornati e coerenti i tuoi listini? - 0: prezzi fermi da anni, sconti stratificati che nessuno ricorda. - 1: revisione annuale, ma senza analisi per cliente e prodotto. - 2: prezzi aggiornati sui costi correnti, con controllo della marginalità per riga.

4. Ordini e back office. Come entrano gli ordini in azienda? - 0: quasi tutto manuale, il team trascrive email, PDF e messaggi. - 1: parzialmente automatizzato, ma con molti interventi manuali. - 2: acquisizione automatica con controllo delle eccezioni.

5. Presidio del portafoglio clienti. Cosa succede a un cliente che rallenta? - 0: nessuno se ne accorge finché non guardiamo il fatturato a fine anno. - 1: gli agenti se ne accorgono, ma senza sistematicità. - 2: segnali automatici di calo e priorità di contatto assegnate.

6. Dati. Quanto sono ordinati e accessibili i tuoi dati? - 0: sparsi tra gestionale, fogli Excel e teste delle persone. - 1: in parte centralizzati, non sempre affidabili. - 2: dati centralizzati, puliti, aggiornati e consultabili.

Come leggere il punteggio

0-4 punti: fase artigianale. Stai lasciando margine sul tavolo ogni giorno, ma la buona notizia è che i primi interventi producono ritorni molto rapidi proprio perché parti da zero. Attacca prima l'acquisizione ordini e la pulizia dei dati di magazzino.
5-8 punti: fase in transizione. Hai processi ordinati ma la disciplina dei dati è incostante e dipende dalle persone. Qui l'AI serve a rendere sistematico ciò che oggi è episodico. Il ritorno maggiore arriva da previsione della domanda e pricing.
9-12 punti: fase matura. Hai le fondamenta giuste. L'AI non ti salva, ti moltiplica: ottimizzazione delle scorte, next best offer sul portafoglio e gestione dinamica dei fornitori sono le leve dove puoi guadagnare punti di margine difficili da recuperare in altro modo.

Qualunque sia il punteggio, il valore non è il numero. È capire quale processo attaccare per primo in base al ritorno atteso e alla tua situazione di cassa. È esattamente la conversazione che vale la pena avere con chi ha già portato aziende reali dal punto in cui sei tu al livello di margine successivo.

Roadmap pratica: cosa fare nei primi 30, 60 e 90 giorni

Le trasformazioni fallite hanno una cosa in comune: partono da tutto insieme. Il metodo che funziona è l'opposto, un intervento per volta, ognuno legato a un numero. Ecco la sequenza che uso.

Primi 30 giorni: misurare e attaccare il processo più costoso

Fotografa la baseline: indice di rotazione del magazzino, percentuale di codici fermi, giorni medi di incasso, ore uomo dedicate all'inserimento ordini, marginalità per famiglia di prodotto. Senza baseline non esiste ROI, esiste solo opinione.
Pulisci l'anagrafica: codici doppi, descrizioni incoerenti, unità di misura sbagliate. È il lavoro più noioso e il più redditizio, perché ogni modello successivo vive di questi dati.
Automatizza l'acquisizione degli ordini, che è il processo con il ritorno più rapido e il minor rischio.
Obiettivo del mese: dimezzare il tempo di elaborazione ordine e avere finalmente numeri affidabili da cui partire.

Giorni 31-60: previsione della domanda e scorte

Introduci un modello previsionale sui codici che pesano di più, non su tutto il catalogo. Il principio di Pareto vale anche qui.
Ricalcola le scorte di sicurezza sulla variabilità reale di domanda e lead time.
Individua ed elimina i codici a rotazione nulla, liberando spazio e cassa.
Obiettivo: primo miglioramento misurabile dell'indice di rotazione e riduzione del capitale immobilizzato.

Giorni 61-90: pricing, portafoglio e consolidamento

Attacca il pricing: analisi delle anomalie di margine per cliente e prodotto, aggiornamento dei listini sui costi correnti.
Attiva i segnali sul portafoglio clienti: rilevazione dei cali, priorità di contatto per gli agenti, suggerimenti di next best offer.
Struttura la gestione fornitori con monitoraggio dei prezzi e dell'affidabilità.
Consolida la misurazione: confronta i numeri con la baseline dei primi 30 giorni. Se il ritorno c'è, si vede in bilancio. Se non si vede, si corregge la rotta.

Il principio guida è uno: ogni fase deve chiudersi con un numero migliorato, non con "abbiamo adottato uno strumento". Se al giorno 90 non sai dire quale metrica si è mossa e di quanto, il progetto è fallito indipendentemente da quanto è bella l'interfaccia del software che hai comprato.

Gli errori che vedo più spesso, e che costano di più

Dopo vent'anni a costruire e sistemare aziende, gli errori sull'AI sono quasi sempre gli stessi. Elencarli fa risparmiare mesi e decine di migliaia di euro.

Comprare tecnologia prima di aver definito il numero da muovere. Se non sai quale metrica deve migliorare e di quanto, stai comprando rassicurazione, non risultati.
Partire da tutto insieme. Previsione, pricing, magazzino, commerciale e amministrazione nello stesso trimestre. Fallisce sempre, perché nessuna organizzazione assorbe cinque cambiamenti contemporanei.
Sottovalutare la qualità dei dati. Nella distribuzione l'anagrafica sporca è la norma, non l'eccezione. Ogni modello costruito su dati sporchi produce output sbagliati con grande sicurezza, che è lo scenario peggiore.
Ignorare le persone. Se gli agenti percepiscono il pricing algoritmico come un attacco alla loro autonomia, lo sabotano senza dichiararlo. Il cambiamento va spiegato in termini di quanto rende a loro, non di quanto è avanzato il sistema.
Non misurare. Senza baseline e senza confronto, ogni investimento in AI diventa un atto di fede. E gli atti di fede non stanno in bilancio.

Le analisi di settore su iniziative di intelligenza artificiale convergono su un punto scomodo: una quota rilevante dei progetti non arriva mai in produzione o non produce valore misurabile, e quasi mai per limiti della tecnologia. La causa è la mancanza di un obiettivo di business chiaro e di dati adeguati. La tecnologia raramente è il collo di bottiglia, lo è il metodo.

Quanto costa davvero e quando rientra l'investimento

La domanda che ricevo sempre è "quanto costa". La risposta onesta è che dipende da cosa attacchi e da dove parti, ma il modo giusto di ragionare non è sul costo, è sul ritorno atteso rispetto alla dimensione delle voci che stai muovendo.

Facciamo il conto su un distributore da 10 milioni di fatturato:

Magazzino a 2,5 milioni. Una riduzione del 12 percento delle scorte, ottenibile con previsione e scorte di sicurezza ricalcolate, libera 300.000 euro di cassa.
Margine lordo al 22 percento. Recuperare un solo punto sul prezzo medio realizzato, correggendo anomalie e sconti sedimentati, vale 100.000 euro che scendono quasi interamente a utile.
Back office. Automatizzare l'acquisizione ordini libera l'equivalente di una o due persone a tempo pieno, che puoi spostare su attività commerciali invece di sostituire.
Giorni di incasso. Dieci giorni in meno valgono circa 270.000 euro di cassa liberata.

Sono numeri prudenti, non ottimistici, e nessuno di essi richiede di vendere di più. Contro ritorni di questo ordine, l'investimento in sistemi e riorganizzazione dei processi si ripaga tipicamente in mesi, non in anni, perché nella distribuzione le voci in gioco sono enormi rispetto al margine.

Il punto delicato non è trovare le risorse per iniziare. È scegliere l'intervento giusto per primo, quello che si ripaga più in fretta e finanzia i successivi. Sbagliare la sequenza è l'unico modo sicuro per trasformare l'AI in un costo invece che in un investimento, e nella distribuzione, dove la cassa è tutto, è un errore che si paga caro. È il tipo di scelta dove conviene confrontarsi con chi ha già portato aziende dallo stesso punto in cui sei al livello successivo, invece di imparare a proprie spese quale ordine funziona.

FAQ

Quanto costa introdurre l'intelligenza artificiale in un'azienda all'ingrosso?

Non esiste un prezzo unico, perché dipende da quali processi attacchi e da quanto sono ordinati i tuoi dati di partenza. Il modo corretto di valutare non è il costo assoluto ma il rapporto con le voci che stai muovendo: su un distributore da 10 milioni, il magazzino vale 2,5 milioni e ogni punto di prezzo vale 100.000 euro, quindi anche un miglioramento parziale ripaga l'investimento in pochi mesi. La regola pratica è partire da un solo processo ad alto ritorno, misurarne l'effetto sulla cassa e usare il risultato per finanziare i passi successivi, invece di affrontare un progetto ampio e costoso senza baseline.

In quanto tempo si vedono i risultati?

I primi risultati misurabili arrivano di norma entro 60-90 giorni, se si parte dai processi giusti e nella sequenza giusta. L'automazione dell'acquisizione ordini produce effetti quasi immediati, perché elimina ore di lavoro manuale fin dalla prima settimana. Previsione della domanda e ottimizzazione delle scorte richiedono qualche settimana in più, perché servono dati storici puliti, ma il ritorno è strutturale e si vede direttamente in cassa. Il fattore che allunga i tempi non è mai la tecnologia, è la qualità dell'anagrafica di partenza: più i tuoi dati sono ordinati, più il ritorno è rapido.

L'intelligenza artificiale grossisti sostituisce gli agenti di vendita?

No, e chi lo promette non conosce la distribuzione. Nel B2B la relazione con il cliente resta il cuore della vendita, e nessun modello sostituisce un agente che conosce il magazzino del cliente e i suoi problemi. Quello che l'AI fa è dire all'agente dove andare e cosa proporre: quali clienti stanno rallentando, quali codici dovrebbero comprare e non comprano, dove il margine si sta erodendo. Nel caso reale del centro medico che ho seguito, l'automazione ha aumentato del 20 percento la capacità operativa a parità di persone. Nella distribuzione il risultato è identico: gli agenti coprono più portafoglio con più precisione, non vengono rimpiazzati.

Da dove conviene partire se non abbiamo mai usato l'AI?

Parti da due cose in parallelo: la pulizia dell'anagrafica articoli e l'automazione dell'acquisizione degli ordini. La prima è il presupposto di tutto il resto, perché ogni modello previsionale costruito su codici doppi e descrizioni incoerenti produrrà risultati inaffidabili. La seconda è il processo con il ritorno più rapido e il rischio più basso, e libera immediatamente ore di back office. Solo dopo ha senso passare a previsione della domanda e pricing. L'errore più costoso che vedo è voler partire dal pricing, che è la leva più redditizia ma anche quella che richiede dati puliti e organizzazione pronta.

Serve un reparto IT interno per gestire questi sistemi?

No, e questa è una delle ragioni per cui la distribuzione di media dimensione è il terreno ideale. I sistemi moderni si integrano con i gestionali esistenti e non richiedono un team tecnico dedicato per funzionare quotidianamente. Serve invece una figura interna che presidi il progetto lato business, tipicamente il responsabile operations o il direttore commerciale, perché le decisioni importanti sono di business e non tecniche: quale metrica muovere, quale processo attaccare per primo, come coinvolgere la rete vendita. Le aziende che delegano tutto all'esterno o tutto all'IT ottengono sistemi che funzionano tecnicamente e non cambiano nessun numero.

I dati dei nostri clienti e dei nostri listini sono al sicuro?

La sicurezza dipende da come imposti il sistema, non dall'AI in sé. Le regole sono concrete: usare fornitori conformi al GDPR, definire chi accede a cosa, non caricare dati sensibili su strumenti gratuiti di cui non conosci il trattamento, tenere separati i dati operativi da quelli personali. Nella distribuzione i dati critici sono i listini per cliente e le condizioni negoziate, cioè informazione competitiva. Con un'impostazione corretta il livello di protezione è nettamente superiore alla situazione reale di partenza della maggior parte delle aziende, dove listini e condizioni girano in fogli Excel allegati alle email. La domanda giusta non è se l'AI sia sicura, ma se i tuoi dati siano più protetti dopo rispetto a prima.