Perché la maggior parte dei progetti di intelligenza artificiale nel settore della moda non supera mai la fase pilota

Da qualche parte, in un’azienda di moda, c’è un responsabile della pianificazione che fissa due cifre che dovrebbero coincidere ma non lo fanno. Una proviene dal piano di acquisto, l’altra dal reparto finanziario. Entrambe dovrebbero rappresentare la stessa cosa (spesa impegnata), ma nessuna delle due è palesemente giusta o sbagliata.

Solitamente, a questo punto qualcuno dice: “Una volta che avremo l’intelligenza artificiale, tutto si sistemerà da solo”.

Sì, probabilmente no.

Secondo il rapporto “The State of Fashion 2026” , fino al 90% delle iniziative di intelligenza artificiale non va oltre la fase sperimentale. I progetti pilota spesso impressionano se considerati isolatamente, ma si arenano silenziosamente quando vengono applicati al modello operativo reale, e le crepe iniziano a emergere.

Dove le cose cominciano ad andare male

Il problema raramente dipende dall’ambizione. I team operano già al massimo delle loro capacità, destreggiandosi tra fornitori in ritardo, costi volatili, calendari ristretti e consumatori che cambiano idea più velocemente di quanto consentano i cicli di produzione.

Il nocciolo della questione è che l’IA viene spesso introdotta in ambienti che già presentano delle falle strutturali.

Immaginate uno scenario in cui il costo di sbarco subisce una variazione. Potrebbe iniziare con un aumento delle tariffe doganali, un’improvvisa impennata dei costi di trasporto o un fornitore che aumenta silenziosamente i prezzi, ma l’impatto raramente si ferma qui.

Le informazioni arrivano da qualche parte, magari all’ufficio acquisti, ma non ovunque.

Il reparto merchandising lavora quindi sulla base di vecchie ipotesi sui margini, la finanza ne valuta l’impatto in un secondo momento e l’allocazione prende comunque decisioni, semplicemente perché deve farlo.

Quando la stagione volge al termine, tutti capiscono cosa è successo, ma è troppo tardi per rimediare.

Questo è il problema del primo miglio , che venga definito in questo modo o meno. Le decisioni che influenzano i risultati vengono prese prima che i prodotti raggiungano i magazzini e, a peggiorare le cose, vengono prese all’interno di sistemi scollegati, ognuno con la propria versione della verità.

Pertanto, quando all’IA viene chiesto di prevedere la domanda, prendere decisioni corrette in merito alle scorte o individuare modi per preservare i margini, in definitiva le viene fornita un’immagine dell’azienda errata.

Il motivo silenzioso per cui l’IA si blocca

I progetti pilota di intelligenza artificiale in genere funzionano perché si basano su set di dati puliti, ambiti definiti e un ambiente controllato. Tutti i soggetti coinvolti concordano su cosa significhi un risultato “buono”.

Ma la maggior parte delle aziende del settore moda non dispone di dati impeccabili, ambiti di intervento ben definiti o ambienti operativi stabili. Le condizioni sono semplicemente imperfette.

Scalare un modello di intelligenza artificiale significa implementarlo nel caos delle operazioni quotidiane del settore moda. Questo implica consegne in ritardo, spedizioni frazionate, acquisti scaglionati, cambi di assortimento a metà stagione, impegni all’ingrosso irrinunciabili e il reparto finanziario che cerca di chiudere i conti nel miglior modo possibile.

Le iniziative di intelligenza artificiale non falliscono per colpa delle persone, ma perché le organizzazioni raramente dispongono di un’unica struttura operativa che fornisca dati corretti ai modelli.

Ciò che tende invece ad accadere è che i team continuano a lavorare aggirando il sistema, finché il loro ERP principale non diventa un livello di reporting anziché un luogo in cui vengono effettivamente prese le decisioni.

L’intelligenza artificiale finisce per analizzare le stesse contraddizioni e gli stessi dati disordinati con cui le persone già si confrontano.

Il problema della moda è di natura commerciale, non concettuale

Quando le fondamenta sono deboli, le conseguenze sono quasi sempre di natura finanziaria.

Una stagione può apparire sana in superficie, mentre in realtà sta sanguinando silenziosamente sotto la superficie. Le scorte si accumulano in aree dove la domanda non arriva mai, gli articoli più venduti si esauriscono troppo presto e il denaro rimane bloccato in magazzino proprio quando i costi di trasporto, i dazi doganali e la pressione degli sconti raggiungono il picco.

Quando i vertici aziendali si rendono conto della situazione nella sua interezza, la stagione è già in fase di chiusura. La reazione usuale è quella di spingere maggiormente la vendita delle azioni, applicare sconti più rapidamente, tutelare i rapporti commerciali laddove possibile e accettare che, questa volta, il margine di profitto ne abbia risentito.

Ripeto, tutto ciò non accade perché i team non capiscono il proprio lavoro. Accade perché il sistema con cui lavorano non riesce a mantenere le decisioni coerenti e allineate al variare delle condizioni.

In questo contesto, l’intelligenza artificiale non è altro che intuizione senza esecuzione e previsione senza controllo. Può spiegare cosa è andato storto, o persino cosa probabilmente accadrà in seguito, ma non può intervenire abbastanza presto da cambiare l’esito.

Perché l’ERP agentico funziona solo dopo la parte più difficile

È proprio in questo ambito che l’ERP agenziale dimostra la sua reale utilità, ma anche dove viene maggiormente frainteso.

Nel caso non lo sappiate, con il termine ERP agentico si intendono i sistemi ERP che utilizzano agenti di intelligenza artificiale integrati per monitorare i dati, individuare problemi e automatizzare le azioni di routine direttamente all’interno dei flussi di lavoro aziendali principali.

Se pianificazione, acquisto, approvvigionamento, allocazione e finanza sono interconnessi, gli agenti smettono di essere promesse per il futuro e possono fornire risultati concreti qui e ora.

Possono segnalare l’erosione dei margini prima che gli impegni vengano vincolati, effettuare riconciliazioni continue anziché mensili e adattare i flussi di lavoro al variare delle variabili, senza richiedere interventi manuali.

Ma questo funziona solo quando il sistema sottostante sa già come l’azienda è strutturata.

Microsoft D365 Business Central è uno dei migliori esempi attualmente disponibili sul mercato. Poiché Copilot e gli agenti sono integrati direttamente nell’ERP, sono anche incorporati nell’infrastruttura operativa in cui vengono prese ed eseguite le decisioni.

Tutto risiede in un unico sistema anziché essere distribuito su strumenti e fogli di calcolo eterogenei, il che significa che l’intelligenza artificiale lavora effettivamente con dati che rispecchiano la realtà.

I marchi che implementano l’IA su larga scala fanno prima qualcosa di fuori moda

Con tutto il clamore che circonda l’intelligenza artificiale e con tutti i fornitori di tecnologia che promettono “un’efficienza all’avanguardia grazie all’IA”, molte aziende hanno dimenticato che stabilizzare il back office è la priorità numero uno.

Questa è la differenza tra i marchi che implementano l’IA su larga scala e quelli che si fermano alla fase pilota.

I marchi più lungimiranti comprendono che la resilienza non si costruisce all’ingresso del magazzino o nell’ultimo miglio, ma a monte, nel modo in cui i piani vengono collegati, i costi modellati e i cambiamenti propagati in tempo reale in tutta l’organizzazione.

Una volta che questo è a posto, l’IA smette di essere qualcosa da “implementare” e inizia a essere qualcosa che si sviluppa silenziosamente e in modo cumulativo. Non è né appariscente né accattivante, ma è efficace.