Procurement e AI: applicazioni, risultati e prospettive future

I processi di acquisto stanno vivendo un periodo di grande cambiamento dovuto ai forti investimenti in digitalizzazione e alle dinamiche di trasformazione spinte delle nuove tecnologie. In particolare, le applicazioni di Artificial Intelligence (AI) possono fornire un forte contributo alla capacità di elaborare dati storici di approvvigionamento, creare partnership per una crescita sostenibile, essere in grado di individuare gli eventi negativi e i conseguenti rischi. 

L’impatto della pandemia ha portato le aziende ad accelerare la riprogettazione della propria supply chain e i CPO a concentrarsi sull’adozione di tecnologie intelligenti per aumentare la produttività e visibilità end-to-end delle supply chain, sfruttare il valore dei dati, e creare partnership responsabili per una crescita sostenibile a lungo termine.  

Per offrire un quadro più chiaro dei cambiamenti in corso e supportare il management degli acquisti nelle scelte strategiche, nel corso del 2021 SDA Bocconi e il suo Procurement LAB hanno condotto un progetto di ricerca che si è focalizzato sul grado di implementazione delle tecnologie di AI nelle varie fasi del processo di acquisto. 

La ricerca ha utilizzato una classificazione ampia di AI, includendo sia le metodologie più complesse (machine e deep learning), sia le applicazioni più deterministiche (Robotic Process Automation e Optical Character Recognition). Mediante una survey indirizzata ai Chief Procurement Officer (CPO) di imprese operanti in Italia, sono stati raccolti dati di oltre 130 realtà aziendali, sia industriali, sia di servizi, con numerosi progetti di AI adottati.
Il 37 per cento del campione ha progetti attivi di AI nel procurement. Queste aziende denotano un forte orientamento proattivo al fine di integrare e assorbire competenze e professionalità di soggetti terzi, in particolar modo aziende di consulenza, software vendor e altri attori nella propria supply chain (clienti e fornitori). Le stesse aziende dichiarano di aver investito oltre 6 persone sulle tecnologie di AI (49 per cento), con il 41 per cento con oltre 10 persone.
I progetti di AI hanno interessato diversi sotto-processi di procurement. I più coinvolti sono stati Vendor Management (39 per cento), eSourcing & Tender Management (33 per cento), Contract Management (30 per cento) e Spending Analysis (31 per cento). I progetti hanno spesso coinvolto diversi sotto-processi, nel 33 per cento dei casi più di 4 sotto-processi, nel 25 per cento da 3 a 4 sotto-processi, mentre nel 42 per cento dei casi 1-2 sotto-processi, evidenziando la tendenza a usare le tecnologie come strumento di integrazione end-to-end delle attività. Nel 51 per cento dei progetti l’AI è rilevante e decisiva per intere fasi, sottolineando la capacità della stessa di supportare pienamente compiti e analisi demandate in precedenza ai buyer.
La ricerca se è concentrata anche sul livello di supporto dell’AI al management, individuando 3 macro-attività (o fasi) per descrivere il processo decisionale. L’impatto della AI è rilevante in ognuna di esse, con un picco nella analisi dei dati al fine di supportare una migliore visione e comprensione del contesto:

• Data Generation & Collection, supportata nel 49 per cento dei casi;
• Data Analysis & Processing, 87 per cento;
• Output Validation e/o Managerial Decision, 51 per cento.

Si nota inoltre come nel 23 per cento dei casi la AI supporti tutte le fasi del processo decisionale, dalla raccolta dei dati fino alle decisioni manageriali.
Infine, si è analizzata l’autonomia degli algoritmi, da completa a un mix di contributo uomo/macchina. La piena autonomia nella fase di Data Generation & Collection si realizza nel 24 per cento dei casi, con un ulteriore 36 per cento di casi con un contributo marginale delle persone coinvolte. L’autonomia della macchina cala sensibilmente nelle due fasi successive (Data Analysis & Processing e Output Validation e/o Managerial Decision), con un solo 4 per cento nella fase di output/decisione. In queste due fasi emerge come il modello logico impiegato dalla maggior parte dei progetti sia basato su un equilibrio uomo/macchina con supporto reciproco e più in generale si può notare come il mix ottimale nei processi al momento individua nella stretta interazione uomo/macchina la chiave di ottimizzazione e di pieno successo degli stessi.
L’AI, soprattutto in alcune metodologie come machine learning e deep learning, può permettere di costruire sistemi in grado di auto-apprendere attraverso sistemi autonomi e automatici di feedback (26 per cento dei progetti). Nella maggior parte dei casi i sistemi di loop integrano un feedback manuale da parte delle persone (41 per cento). Infine, nel 33 per cento dei casi il sistema non ha logiche di apprendimento e viene occasionalmente riprogrammato per aggiornamenti o miglioramenti. Diverse le tecnologie di AI implementate, con particolare attenzione sia a quelle più funzionali al recupero di efficienza (basic data analysis and visualization, robotic process automation-RPA, natural language processing-NLP/text analytics, optical character recognition-OCR), sia quelle volte a comprendere e supportare contesti decisionali più complessi (advanced & predictive/prescriptive analytics, machine learning, deep learning).
I risultati dei progetti sono ampiamente positivi, nel 51 per cento allineati alle attese e nel 10 per cento superiori alle stesse. Questi dati confermano la maturità dell’ecosistema di AI nel gestire e supportare le decisioni di procurement.
Tra le criticità affrontate in fase di implementazione un ruolo rilevante hanno gli ostacoli di tipo organizzativo come la cultura aziendale (39 per cento), le competenze delle persone (36 per cento) e la capacità di ri-ingegnerizzare i processi (25 per cento).
I dati raccolti e le analisi effettuate dimostrano come l’AI sia una tecnologia matura e disponibile, in grado di supportare pienamente fasi e processi di procurement in azienda. L’impiego dell’AI risulta decisivo sia per automatizzare attività a basso valore aggiunto, sia, nelle applicazioni più evolute e autonome, per governare fenomeni complessi. Le varie applicazioni descrivono tuttavia una macchina che affianca la persona nelle varie fasi del processo decisionale, piuttosto che sostituirle.

• Dall’analisi dei progetti emerge chiaramente come le realtà aziendali oggetto dell’indagine abbiano già percorso una curva di apprendimento in merito all’impiego della AI nel procurement e stiano ora allargando l’attività di innovazione ad altri processi critici in ambito acquisti e dedicando attenzione alle possibili evoluzioni delle prime applicazioni. Gli investimenti nei prossimi anni saranno volti a sviluppare ancor più competenze interne e acquisire nuove e qualificate professionalità dall’esterno. 
• Le imprese ancora prive di una chiara visione sulla AI in ambito procurement rischiano di perdere punti di competitività rispetto a concorrenti più sviluppati. Queste realtà dovrebbero concentrarsi maggiormente su nuove posizioni a livello di strategie e cultura aziendale, al fine di ottenere una maggiore apertura alle nuove tecnologie di AI, muovendosi verso una leadership più proattiva e aperta a collaborazioni con soggetti esterni. 
• I temi della cultura e delle competenze all’interno dell’azienda risultano estremamente rilevanti e vanno sicuramente affrontati prima di avventurarsi in un progetto di AI. Appare inoltre un aspetto chiave la creazione di team interni in cui convivano risorse esperte nelle problematiche di business affrontate e risorse con competenze di big data ingestion e advanced analytics. 

• L’AI risulta oggi una tecnologia in rapido sviluppo nelle applicazioni in ambito procurement. Come ogni altra tecnologia, la curva di adozione dell’innovazione vede diverse imprese essere early adopters. La presenza di progetti con risultati positivi e lo sviluppo di prassi eccellenti faciliterà la successiva diffusione delle applicazioni stesse sulla maggioranza delle aziende, oggi meno esposte al fenomeno.