Pagamenti, scorte e guasti: l’IA che può aiutare le PMI biellesi

ChatGPT può scrivere un sollecito di pagamento. Prevedere quali clienti pagheranno in ritardo il mese successivo, partendo dalle registrazioni del gestionale, richiede strumenti diversi. I grandi modelli linguistici sono addestrati a generare sequenze di testo; le previsioni su ordini, fatture, scorte e altre informazioni organizzate in tabelle richiedono capacità per le quali sono stati sviluppati modelli specifici.

Sean Kask, Chief AI Strategy Officer di SAP, ha affrontato questa distinzione sul palco di Wave by Vento, alle OGR di Torino, intervistato da una giornalista di CNBC. Il gruppo tedesco ha acquisito Prior Labs, startup di Friburgo fondata nel 2024, e si è impegnato a investire oltre un miliardo di euro in quattro anni per svilupparne l’attività di ricerca nell’intelligenza artificiale. L’operazione, annunciata a maggio, si è conclusa a luglio. L’investimento previsto è distinto dal prezzo dell’acquisizione.

Come funzionano i modelli tabulari

Prior Labs sviluppa TabPFN, un modello fondazionale progettato per elaborare informazioni organizzate in righe e colonne e svolgere compiti di previsione.

Kask ha descritto la differenza rispetto all’apprendimento automatico tradizionale. Per affrontare ciascun problema, gli specialisti estraevano e preparavano i dati, addestravano un sistema dedicato e ne verificavano le prestazioni. Il procedimento poteva richiedere settimane o mesi. Un’impresa con venti applicazioni e diverse società nel gruppo poteva così ritrovarsi a mantenere un centinaio di modelli.

Un modello fondazionale tabulare può invece svolgere compiti differenti, dalla stima di un valore numerico all’assegnazione di una categoria, senza richiedere ogni volta un addestramento dedicato. La preparazione delle informazioni e il controllo dei risultati restano necessari. Secondo Kask, questo approccio può offrire anche una maggiore precisione rispetto ai metodi tradizionali.

SAP aveva già avviato la ricerca nel settore. Nel novembre 2025 ha presentato SAP-RPT-1, progettato per i dati relazionali e strutturati, che il dirigente ha riferito essere utilizzato in produzione. Tra gli impieghi illustrati figurano la previsione dei ritardi di pagamento, dei guasti e del rischio di perdere clienti.

La scelta di Prior Labs, ha spiegato, è dipesa dai risultati ottenuti nel confronto di prestazioni TabArena, dalla collaborazione scientifica già avviata e dalle applicazioni in ambiti delicati, dalle diagnosi oncologiche alle transazioni bancarie.

Kask ha assicurato che il laboratorio manterrà la propria autonomia di ricerca e che continuerà la disponibilità di modelli con pesi scaricabili. Questi ultimi sono i parametri appresi durante l’addestramento: poterli scaricare consente di eseguire il modello su un’infrastruttura compatibile, ma le condizioni d’impiego, soprattutto commerciale, dipendono dalla licenza della versione scelta.

Il valore delle informazioni nei gestionali

Secondo la valutazione illustrata da Kask, circa l’80% dei dati aziendali è costituito da contenuti non strutturati: email, documenti, immagini e conversazioni. Su questi materiali si concentra gran parte delle applicazioni dei modelli linguistici.

Il restante 20%, organizzato nelle tabelle dei gestionali, genererebbe invece l’80% del valore delle imprese. È una stima del dirigente di SAP, che sottolinea il peso delle registrazioni utilizzate per amministrare le attività economiche. Un ordine, per esempio, è collegato alle disponibilità di magazzino, al codice del cliente e alla relativa fattura. La correttezza di queste informazioni è necessaria anche per la contabilità e i bilanci.

Per una PMI biellese, il materiale da cui partire può essere già disponibile: storico degli ordini, tempi di pagamento, consumi delle macchine e giacenze.

Individuare i clienti che potrebbero saldare in ritardo, stimare il fabbisogno di materia prima per la stagione successiva o riconoscere il rischio di fermo di un telaio sono attività che hanno spesso richiesto competenze specialistiche e mesi di lavoro. I modelli tabulari possono ridurre parte di questo impegno e rendere tali applicazioni accessibili a un maggior numero di aziende.

Come scegliere gli strumenti

Per i modelli linguistici, SAP collabora con diversi fornitori, tra cui Google, OpenAI, Anthropic e Mistral. Kask ha motivato questa strategia con gli investimenti richiesti dal settore, la rapidità dei cambiamenti e la progressiva convergenza delle prestazioni.

Il gruppo utilizza internamente oltre cento modelli e, per ogni nuova applicazione, confronta le soluzioni disponibili per individuare quella più adatta.

Secondo Kask, una parte rilevante del valore dipende dalle applicazioni e dai collegamenti sviluppati attorno a questi strumenti. Il grafo della conoscenza di SAP mette in relazione il significato di 500.000 tabelle e 7 milioni di campi. Nella sua spiegazione, questa organizzazione delle informazioni contribuisce alla precisione degli agenti impiegati nelle attività quotidiane.

Nel mio lavoro di consulente ritengo utile anche un altro criterio richiamato dal dirigente. Quando un procedimento può essere descritto con regole deterministiche, è opportuno tradurlo in codice tradizionale: a parità di condizioni, il risultato è riproducibile e il funzionamento può essere ricostruito. L’intelligenza artificiale trova impiego nei compiti che quelle regole non riescono a risolvere adeguatamente.

La distinzione conta soprattutto nei processi sottoposti ad audit, per i quali occorre documentare il percorso che ha portato a una decisione.

Le possibilità per l’Europa

Kask ritiene che l’Europa debba concentrare gli investimenti sulle tecnologie che rendono utilizzabili i modelli e su quelli destinati ad ambiti diversi dal linguaggio, come i dati tabulari e la robotica.

La competizione sui grandi modelli linguistici, ha osservato, richiede capitali enormi e comporta una rapida obsolescenza: un investimento da dieci miliardi può essere superato nel giro di sei mesi. Grafi della conoscenza e modelli specializzati rappresentano, nella sua analisi, settori nei quali sviluppare competenze e prodotti europei. A sostegno di questa posizione, ha richiamato il numero delle pubblicazioni scientifiche sull’intelligenza artificiale, che ha indicato come superiore in Europa rispetto agli Stati Uniti.

Alle startup presenti ha inoltre descritto le possibilità di collaborazione con SAP. Secondo la stima da lui citata, ogni dollaro di software SAP venduto genera tra sei e dieci dollari di attività per le aziende partner che realizzano applicazioni e integrazioni.

Il gruppo può acquisire in licenza una tecnologia e inserirla nei propri prodotti, distribuire le soluzioni dei partner attraverso il proprio negozio di applicazioni oppure, meno frequentemente, acquisire la società che le ha sviluppate. Sono opportunità che possono interessare anche i fornitori locali.

Qualità dei dati e condizioni d’uso

Da consulente, considero preliminare la verifica delle informazioni disponibili. Anagrafiche duplicate, codici errati e campi incompleti possono compromettere l’attendibilità delle previsioni. Un sistema più avanzato non risolve automaticamente questi problemi.

Occorre poi stabilire dove avverrà l’elaborazione e chi potrà accedere ai dati. Un modello con pesi scaricabili, se la licenza e i requisiti tecnici lo consentono, può essere eseguito sui server dell’impresa, evitando di trasmettere lo storico dei clienti al suo fornitore. Il ricorso a un cloud europeo richiede comunque di verificare le condizioni del servizio e le modalità di trattamento delle informazioni.

Quando le applicazioni riguardano persone fisiche, va valutato anche l’inquadramento normativo. L’AI Act include la valutazione del merito creditizio tra gli impieghi ad alto rischio e prevede obblighi specifici di documentazione, trasparenza e supervisione umana, secondo le scadenze applicabili. La classificazione dipende dalla destinazione d’uso del sistema.

Da dove cominciare con i dati del gestionale

Scegliere un problema misurabile: ritardi di pagamento, gestione delle scorte, guasti o domanda stagionale.

Verificare la qualità delle registrazioni: correggere anagrafiche duplicate, codici errati e campi incompleti.

Definire dove eseguire il modello: servizio esterno, server aziendali o cloud europeo, controllando licenze e condizioni di trattamento dei dati.

Usare il codice tradizionale per i procedimenti descrivibili con regole precise, riservando l’IA ai compiti che lo richiedono.

Confrontare le previsioni con il metodo già utilizzato, per alcuni mesi, prima di impiegarle nelle decisioni operative.

Verificare gli obblighi dell’AI Act quando l’applicazione riguarda persone fisiche.

Per molte imprese, il primo passo consiste nell’esaminare le informazioni raccolte durante il lavoro quotidiano. Ordini, pagamenti, scorte e registrazioni delle macchine possono aiutare a stimare fabbisogni e individuare rischi. L’utilità dei modelli tabulari andrà misurata su questi compiti, confrontando i risultati con quelli ottenuti attraverso i metodi attuali.