Gartner: il 70% delle Grandi Aziende Utilizzerà la Previsione della Domanda con AI entro il 2030

La previsione della domanda è sempre stata la disciplina in cui la pianificazione della supply chain o dimostra il proprio valore o erode silenziosamente i margini. Azzeccata, il flusso dell'inventario scorre senza intoppi; sbagliata, ci si ritrova contemporaneamente con troppo prodotto sbagliato e senza quello giusto. La previsione di Gartner del settembre 2025 — che il 70% delle grandi organizzazioni avrà adottato la previsione della supply chain basata sull'AI entro il 2030 — inquadra i prossimi quattro anni come un periodo di transizione decisiva, non di graduale evoluzione.

Cosa Dice Effettivamente la Previsione

La cifra principale — 70% delle grandi organizzazioni — riguarda le imprese con l'infrastruttura di dati e la scala operativa per trarre maggiori benefici dalla previsione con machine learning. Jan Snoeckx di Gartner, Director Analyst nella divisione Supply Chain dell'azienda, ha descritto così la proposta di valore: la previsione basata sull'AI offre "un miglioramento del processo decisionale strategico, risposte più rapide ai cambiamenti del mercato e flussi di lavoro di collaborazione potenziati."

Il meccanismo è un passaggio dai motori statistici tradizionali — metodi di serie temporali come ARIMA, smoothing esponenziale e semplice decomposizione stagionale — a modelli di machine learning in grado di rilevare pattern non lineari, incorporare segnali esterni e riaddestrare continuamente al variare delle condizioni. L'aspirazione è ciò che Gartner definisce "touchless forecasting": previsioni automatizzate che richiedono meno intervento umano per essere prodotte, meno override manuali per essere corrette, e precisione costante anche per lanci di nuovi prodotti o scenari promozionali con dati storici limitati.

Una previsione parallela di Gartner, pubblicata nell'aprile 2026, ha stimato che il software di supply chain management che incorpora AI agentiva raggiungerà 53 miliardi di dollari di spesa entro il 2030. Le due previsioni insieme suggeriscono non solo che l'AI sta entrando nei flussi di lavoro di pianificazione, ma che sta ristrutturando l'economia dell'intero strato software della supply chain.

Perché i Modelli Statistici Stanno Raggiungendo il Loro Limite

I metodi di previsione statistica sono stati sviluppati per ambienti di domanda stabile con stagionalità costante e shock esterni minimi. Questa descrizione non ha caratterizzato accuratamente le supply chain globali almeno dal 2020. Le impennate della domanda durante la pandemia, le deviazioni nel Mar Rosso, le controversie sul lavoro portuale e la persistente volatilità geopolitica hanno creato segnali di domanda che i modelli statistici faticano a disaggregare dal rumore.

Gli approcci di machine learning gestiscono questo problema in modo diverso. Invece di adattare una curva parametrica ai dati storici, possono acquisire segnali non strutturati — sentiment delle notizie, pattern meteorologici, intenzioni di acquisto sui social media, prezzi dei concorrenti — e ponderarli dinamicamente. Quando si prevede che un tifone disturbi una regione manifatturiera, il modello può rettificare le aspettative di domanda per i prodotti sostitutivi nei mercati a valle senza che l'analista debba reparametrizzare manualmente il motore statistico.

Il miglioramento della granularità è altrettanto significativo. I modelli di machine learning possono generare previsioni più frequenti a una risoluzione di prodotto e geografica più fine rispetto ai metodi tradizionali, consentendo ai team di pianificazione di rilevare i cambiamenti di domanda anticipati a livello di SKU e codice postale invece di aspettare che i segnali aggregati mensili mostrino un movimento.

Le Barriere all'Adozione Identificate da Gartner

Gartner è esplicito che, nonostante il titolo ottimistico, l'adozione oggi rimane limitata. Tre barriere strutturali dominano:

• Dati incompleti: i modelli ML richiedono dati storici puliti, completi e formattati in modo coerente tra SKU, canali e geografie. Molte imprese dispongono di anni di dati ERP pieni di lacune, riclassificazioni e migrazioni di sistema.
• Strategia assente: distribuire uno strumento di previsione con machine learning senza un piano di governance dei dati e change management corrispondente tende a produrre un modello sofisticato in cui nessuno ha fiducia.
• Resistenza all'automazione: i demand planner esperti che hanno costruito le loro carriere sugli aggiustamenti manuali delle previsioni sono comprensibilmente scettici nei confronti di sistemi che pretendono di fare il loro lavoro senza il loro contributo. La sfida è progettare una collaborazione uomo-AI che potenzi piuttosto che bypassi il giudizio del pianificatore.

Il percorso consigliato da Gartner prevede tre passaggi in sequenza: valutare i processi di collaborazione attuali e identificare dove gli interventi manuali aggiungono rumore piuttosto che segnale; costruire una strategia dei dati che incorpori sia i dati transazionali interni sia i segnali di mercato esterni; e costruire una roadmap tecnologica che introduca la previsione basata sull'AI in parallelo — piuttosto che come sostituzione integrale — dell'infrastruttura di pianificazione esistente.

Cosa Significa il 70% di Adozione entro il 2030 per i Team di Visibilità

Le implicazioni per i team di visibilità delle spedizioni sono secondarie ma significative. Previsioni della domanda migliori significano volumi di ordini più prevedibili, che si traducono in piani di spedizione in entrata più prevedibili. Quando approvvigionamento e pianificazione operano a partire da segnali di domanda generati dall'AI, il volume e i tempi delle prenotazioni oceaniche diventano meno erratici — riducendo l'approvvigionamento urgente dell'ultimo minuto, i rollovers delle navi in picco di domanda e il sovraccarico di gestione delle eccezioni che tiene impegnati i team operativi.

Il rovescio della medaglia è che le piattaforme di visibilità devono alimentare i sistemi di previsione della domanda con dati accurati sulle milestone. Se un modello di previsione AI sta apprendendo da pattern storici di vendita che includono ritardi nell'evasione, le sue previsioni sottostimeranno sistematicamente la domanda dei clienti — scambiando la consegna ritardata per una riduzione della domanda. Dati di milestone puliti e normalizzati tra i vettori che fluiscono dagli strumenti di visibilità ai sistemi di pianificazione sono ciò che consente allo strato di previsione di distinguere tra un segnale di domanda e una disruption dell'offerta.

La Convergenza di Previsione e Visibilità

L'orizzonte 2030 che Gartner descrive non è semplicemente una storia di previsione. È una storia di integrazione: il demand sensing basato sull'AI si connette a monte all'esecuzione della supply chain e della logistica, e questa connessione dipende dalla qualità dei dati operativi in tempo reale che questi sistemi producono. Le organizzazioni che investono in entrambi gli strati — segnali di domanda accurati e segnali accurati sullo stato delle spedizioni — costruiscono un'infrastruttura di pianificazione genuinamente adattiva piuttosto che sofisticata in isolamento.

Per gli speditori e i 3PL che operano su più vettori e rotte commerciali, il punto di ingresso pratico è una piattaforma di visibilità che produce dati di milestone coerenti e con timestamp sull'intera rete dei vettori. Questi dati, alimentati in uno strato di previsione della domanda, chiudono il loop tra ciò che i clienti ordinano e ciò che si muove effettivamente — rendendo la cifra del 70% di adozione descritta da Gartner meno una previsione e più un'aspettativa di base.

Fonte: Gartner