L'intelligenza artificiale negli appalti: Strumenti e tattiche che funzionano nel 2025

Generative AI

L'IA generativa, o GenAI, è il tipo di IA in grado di generare output come e-mail, report o interi RFP, in base ai dati su cui è stata addestrata. È diventata una delle forme più comuni di IA negli appalti, ed è facile capire perché.

Negli appalti, GenAI può:

• Redigete in pochi minuti documenti come SOW (Statements of Work), briefing per i fornitori o RFP.
• Riassumete le lunghe riunioni con i fornitori o i rapporti sulle prestazioni in modo da non doverli analizzare.
• Scrivere e inviare automaticamente e-mail o aggiornamenti di stato ai fornitori.
• Aiutano a organizzare ed etichettare i dati per facilitarne l'analisi successiva.

In sostanza, GenAI gestisce gran parte della scrittura e della gestione dei dati, consentendo ai team di concentrarsi maggiormente sul lavoro strategico.

Apprendimento automatico

L'apprendimento automatico (ML) impara dalle tendenze passate per individuare modelli e fare previsioni su ciò che probabilmente accadrà in seguito. 

Invece di esaminare infiniti fogli di calcolo o di affidarsi all'istinto, gli strumenti di ML possono analizzare le tendenze di acquisto passate e le prestazioni dei fornitori per aiutare i team a prendere decisioni più rapide.

Ad esempio, se un fornitore è regolarmente in ritardo sulle consegne, il sistema ML potrebbe individuare questo schema prima che diventi un problema più grave. Oppure potrebbe segnalare una fattura insolita che non corrisponde al comportamento di spesa tipico. Può anche assumersi il noioso compito di categorizzare la spesa in centinaia di transazioni e completarlo in pochi minuti. 

Più dati vengono forniti a un modello di ML, più diventa intelligente, il che significa che le sue intuizioni migliorano nel tempo.

Automazione robotica dei processi (RPA)

La RPA non cerca di essere intelligente, non è destinata a prendere decisioni o a scoprire intuizioni. Ciò che l'RPA fa davvero bene è svolgere rapidamente attività basate su regole e per grandi volumi in tutti i sistemi, senza bisogno di input manuali. 

Come parte fondamentale dell'automazione dei processi aziendali, la RPA gestisce aspetti quali l'inserimento dei dati, la corrispondenza delle fatture e l'elaborazione degli ordini senza la necessità di un inserimento manuale.

Anche se può non sembrare affascinante, eliminare i lavori di routine significa che i team possono concentrarsi sulle parti più strategiche dell'approvvigionamento. Si tratta di rendere le cose più fluide e meno dipendenti da input manuali.

Elaborazione del linguaggio naturale (NLP)

La PNL aiuta i computer a comprendere e a dare un senso al linguaggio umano, il che è utile quando si ha a che fare con contenuti pesanti come contratti, e-mail o risposte a RFP.

In un contesto di appalti, gli strumenti di PNL possono:

• Estrarre termini e condizioni importanti dai contratti
• Analizzare il feedback dei fornitori o le recensioni online per capire il tono e il sentimento.
• Estrarre le informazioni chiave da fatture o ricevute e trasformarle in dati strutturati.
• Contribuire a potenziare i chatbot che rispondono alle domande più comuni sugli acquisti

L'NLP è spesso integrato in piattaforme come i software di analisi della spesa e i sistemi di elaborazione dei documenti. I team possono anche utilizzare API come AWS Comprehend o Google Cloud Natural Language per inserirle nei loro flussi di lavoro. 

Sebbene il concetto possa sembrare complesso, la sua applicazione è spesso semplice come l'abilitazione di una funzione negli strumenti già utilizzati dai team.

IA agenziale

L'IA agenziale è la tecnologia più recente del settore. 

L'IA agenziale si riferisce a sistemi in grado di pianificare, agire e adattarsi autonomamente in base a obiettivi o condizioni mutevoli, senza bisogno di istruzioni passo-passo per ogni compito. 

Nel frattempo, gli agenti di intelligenza artificiale negli acquisti vanno oltre l'invio di avvisi. Possono simulare l'impatto sui costi o sulle tempistiche di un cambiamento e persino avviare le fasi successive, come la stesura di un ordine di acquisto o l'aggiornamento dei record dei fornitori. 

Questo sblocca i flussi di lavoro dell'intelligenza artificiale agenziale: processi dinamici in cui gli agenti dell'intelligenza artificiale non solo fanno emergere intuizioni, ma intraprendono anche azioni di follow-up attraverso i sistemi. Ad esempio, un agente potrebbe rilevare un rischio di esaurimento scorte, simulare l'impatto di fornitori alternativi e avviare un ordine di acquisto, il tutto in un unico flusso coordinato.

Se collegati ai dati e agli strumenti giusti, come i database dei fornitori o gli strumenti di gestione delle scorte, questi agenti possono agire in modo semi-autonomo entro parametri definiti, aiutando i team a muoversi più velocemente con meno coordinamento manuale.

Semplificare i flussi di lavoro

Strumenti di intelligenza artificiale come l'RPA e i motori di flusso di lavoro basati sul ML semplificano le attività ripetitive su scala, liberando i team per concentrarsi sul lavoro strategico.

Ad esempio, l'RPA può riempire automaticamente i moduli per le richieste di acquisto estraendo i dati dai sistemi di catalogo, convalidare i dettagli dei fornitori rispetto ai dati principali e indirizzare le richieste ai giusti approvatori in base al centro di costo, ai limiti di spesa e all'urgenza, il tutto senza l'intervento umano.

Ridurre al minimo gli errori

Più un processo è manuale, più è probabile che qualcosa sfugga, soprattutto quando si è sotto pressione. 

L'intelligenza artificiale aiuta introducendo la convalida in tempo reale e il rilevamento delle anomalie in tutto il flusso di lavoro. 

Immaginate di inviare una fattura che non corrisponde al PO originale. Invece di doverlo rilevare durante una revisione manuale, un modello di apprendimento automatico segnala immediatamente la discrepanza. 

Sia che si tratti di individuare voci duplicate o di segnalare qualcosa che non sembra del tutto corretto, l'intelligenza artificiale porta coerenza e precisione nel tipo di lavoro che è facile sbagliare quando i team si muovono velocemente.

Riduzione dei costi

L'intelligenza artificiale riduce i costi non solo automatizzando le attività ripetitive, ma anche migliorando il processo decisionale e identificando le inefficienze nascoste. 

Ad esempio, gli agenti di intelligenza artificiale possono calcolare il rapporto costi-benefici del pagamento anticipato di un fornitore in cambio di uno sconto del 2%, per poi far emergere automaticamente le migliori opportunità. 

Le organizzazioni che utilizzano l'IA per l'analisi avanzata della spesa hanno realizzato fino al 10% di risparmi sui costi totali, rafforzando le strategie di sourcing e riducendo le perdite di valore.

Scalare senza problemi di crescita

Con la scalata delle operazioni di approvvigionamento, la complessità e il volume dei dati aumentano, ma l'intelligenza artificiale aiuta i team a gestire entrambi senza aggiungere personale. 

Dall'automazione del consolidamento dei dati alla semplificazione dell'analisi dei contratti e della visibilità delle spese, l'IA consente una crescita più intelligente con meno problemi di crescita.

Anticipare il rischio

Il procurement è stato per natura reattivo. L'intelligenza artificiale ribalta questa situazione, fornendo ai team segnali di allarme e raccomandazioni prima che le cose vadano storte.

Questa lungimiranza è sempre più essenziale. Infatti, il 70% dei responsabili degli acquisti cita l'aumento del rischio dei fornitori come una delle principali preoccupazioni e l'IA sta diventando il loro strumento preferito.

I modelli di intelligenza artificiale analizzano i dati interni (come i problemi di consegna e la conformità dei contratti) insieme ai segnali esterni (punteggi di credito, valutazioni ESG, notizie) per generare punteggi di rischio attuali e aiutare i team ad agire prima che i problemi si aggravino.

1. Previsioni e controllo dei costi più intelligenti

L'apprendimento automatico aiuta i team a prevedere la domanda imparando dai modelli di acquisto passati e dalle prestazioni dei fornitori. È in grado di prevedere quando riordinare e quanto acquistare, tenendo conto di fattori quali ritardi, variazioni di prezzo e persino fattori esterni come il tempo.

Gli algoritmi di ML analizzano grandi volumi di dati storici sugli acquisti e dati esterni come i prezzi delle materie prime, i ritardi di spedizione, l'inflazione e persino le previsioni meteo. Insieme, costruiscono un modello in grado di prevedere le future esigenze di acquisto, spesso fino al livello di SKU.

Ad esempio, se un improvviso ritardo del porto si sovrappone a un'impennata della domanda di determinati materiali di imballaggio. Un modello di ML potrebbe rilevare lo schema emergente prima che sia evidente e consigliare di ordinare prima o di passare a un fornitore alternativo.

I modelli di ML tengono conto anche degli input in tempo reale, come le variazioni dei prezzi di mercato. Se i costi delle materie prime iniziano a salire, il sistema potrebbe suggerire di rinegoziare i contratti o di accelerare gli acquisti per ottenere tariffe più basse.

Questa previsione consente ai team di:

• Evitare di ordinare troppo o troppo poco.
• Ottimizzare i costi di mantenimento delle scorte.
• Adattare le strategie di approvvigionamento prima che i problemi abbiano un impatto sulle operazioni.
• Prendete decisioni di budget con informazioni aggiornate e attuabili.

2. Automatizzare le attività di approvvigionamento e di dati

Attività manuali come la ricerca di fornitori, la generazione di RFP e l'inserimento di dati consumano molto tempo. 

L'intelligenza artificiale aiuta a semplificare queste attività estraendo i profili dei fornitori da più fonti, compilando automaticamente i modelli di RFP e sincronizzando i dati chiave tra i sistemi senza doverli inserire manualmente. In questo modo, i team di approvvigionamento possono ridurre i tempi di ciclo e concentrarsi su attività più strategiche, come il miglioramento delle relazioni con i fornitori o l'analisi delle prestazioni. 

MTN Group ha costruito una piattaforma chiamata Procurement Cockpit che raccoglie i dati di approvvigionamento da tutta l'organizzazione. Invece di destreggiarsi tra diversi sistemi o di andare a caccia di informazioni, i loro team hanno una visione chiara e in tempo reale dell'attività di sourcing, delle prestazioni dei fornitori e della spesa.

È un modo intelligente per rimanere organizzati e risparmiare tempo. E ha dato i suoi frutti: L'uso di MTN dell'automazione guidata dall'intelligenza artificiale ha fatto guadagnare loro un riconoscimento nel settore.

3. Razionalizzazione degli ordini di acquisto

Ammettiamolo. La gestione manuale dei PO è lenta, soggetta a errori e semplicemente noiosa. 

Gli agenti di intelligenza artificiale possono automatizzare i passaggi chiave del flusso di lavoro di approvvigionamento, dalla creazione degli ordini di acquisto al monitoraggio delle spedizioni e alla gestione delle eccezioni. Invece di limitarsi a segnalare i problemi, intervengono, ad esempio riordinando i fornitori di riserva o segnalando i ritardi per la revisione.

Ad esempio, quando viene inoltrata una richiesta di acquisto, un agente di intelligenza artificiale può verificarla rispetto ai fornitori e ai prezzi approvati e compilare automaticamente il PO. Quindi, invia l'ordine e aggiorna i piani di consegna. 

Se c'è un conflitto, come un problema di tempi di consegna, può suggerire alternative basate sui dati passati. I cruscotti tengono informati gli stakeholder, mentre il sistema esegue una corrispondenza automatica tra fatture e ricevute, segnalando eventuali discrepanze da rivedere.

4. Assistenti AI per i team di approvvigionamento

Gli assistenti AI nel procurement sono strumenti che supportano i team assumendo compiti di routine che richiedono tempo. Si affiancano ai sistemi esistenti per accelerare il processo decisionale e ridurre lo sforzo manuale nei processi quotidiani.

Non sostituiscono le competenze umane, ma gli assistenti AI aiutano sicuramente i team a lavorare in modo più rapido e intelligente.

Zycus offre Merlin Intake, un assistente AI che aiuta gli utenti a creare e tenere traccia delle richieste di acquisto. Guida gli utenti attraverso il processo d'acquisto e risponde alle domande lungo il percorso, riducendo i ritorni di fiamma.

5. Analisi intelligente della spesa

I team di approvvigionamento spesso faticano a capire dove vanno a finire i soldi, soprattutto con i dati sparsi tra ERP e sistemi P2P. Quando i dati sono sparsi tra i sistemi ERP e P2P, può essere difficile capire dove va a finire ogni singolo dollaro.

Gli strumenti di intelligenza artificiale possono ripulire e classificare automaticamente i dati, fornendo ai team una visione unificata e accurata delle spese. Gli algoritmi di apprendimento automatico rilevano le anomalie e scoprono opportunità di risparmio che spesso sfuggono agli strumenti tradizionali.

Ad esempio, l'intelligenza artificiale potrebbe identificare acquisti ripetuti da più fornitori che potrebbero essere consolidati per ottenere sconti sul volume, oppure evidenziare picchi di spesa insoliti all'interno di una categoria che giustificano una revisione.

Questo livello di conoscenza aiuta i team:

• Migliorare la visibilità delle spese tra le categorie e i fornitori
• Individuare le spese non conformi o irregolari
• Individuare opportunità di bundling o rinegoziazione
• Decisioni di budgeting e di sourcing più informate

6. Gestione del rischio dei fornitori

Il rischio per i fornitori è una preoccupazione crescente e l'intelligenza artificiale rende la sua gestione più proattiva che mai.

I modelli di apprendimento automatico analizzano continuamente i segnali interni, come le violazioni dei contratti e le discrepanze delle fatture, insieme a indicatori esterni come i punteggi di credito, i rating ESG, gli eventi geopolitici e le notizie globali.

L'intelligenza artificiale sintetizza questi dati in punteggi di rischio in tempo reale, consentendo ai team di approvvigionamento di dare priorità ai fornitori in base all'esposizione e all'affidabilità. Alcuni strumenti possono anche simulare scenari di interruzione della catena di fornitura per guidare le strategie di mitigazione.

Ad esempio, la piattaforma AI di Resilinc consente alle aziende di prevedere potenziali ritardi analizzando fattori come le prestazioni dei fornitori e gli eventi esterni. Utilizzando la piattaforma di Resilinc, le aziende possono anticipare le interruzioni, come un tifone in Cina, prima che si verifichino. Il sistema avvisa i team in anticipo, consentendo loro di reindirizzare le spedizioni ed evitare potenziali perdite di fatturato.

7. Intelligenza contrattuale

I contratti di approvvigionamento sono ricchi di informazioni critiche, ma la loro revisione e gestione manuale richiede molto tempo.

Gli strumenti NLP, come gli agenti LLM , ad esempio, possono estrarre termini chiave come le clausole di pagamento e gli SLA da migliaia di contratti e mapparli ai quadri di conformità.

Supponiamo che il vostro team debba esaminare 500 contratti con i fornitori prima della fine dell'anno. Invece di passare al setaccio ogni singolo contratto manualmente, un sistema di intelligenza artificiale analizza i documenti in pochi minuti, segnala i contratti con termini in scadenza, evidenzia quelli mancanti di clausole di protezione dei dati e raggruppa accordi simili per facilitarne la revisione. 

8. Abbinamento dinamico dei fornitori

In passato, per trovare il fornitore giusto ci si affidava a elenchi di fornitori statici o a ricerche manuali. L'intelligenza artificiale cambia questa situazione, consigliando i fornitori in base allo storico delle prestazioni, alle certificazioni, ai prezzi e alla capacità attuale.

Grazie all'apprendimento automatico, il sistema valuta i dati strutturati e non strutturati per suggerire i fornitori più adatti a una specifica esigenza o regione. 

I team di approvvigionamento possono ora:

• Selezionare più rapidamente i fornitori ideali
• Acquistate da fornitori allineati con gli obiettivi di qualità, costo ed ESG.
• Riduzione dei tempi di onboarding e miglioramento dell'agilità di sourcing

1. Stabilire obiettivi chiari

Non utilizzate l'intelligenza artificiale solo perché sembra innovativa. Conoscete esattamente il problema che state cercando di risolvere.

Volete automatizzare gli ordini di acquisto? Migliorare la classificazione delle spese? Prevedere i rischi di fornitura?

Ognuno di questi obiettivi richiede strumenti, modelli di dati e integrazioni diversi. Ad esempio, automatizzare gli ordini di acquisto potrebbe significare utilizzare l'RPA, mentre migliorare le previsioni potrebbe basarsi sul ML. 

Senza un obiettivo chiaro, si rischia di costruire uno strumento costoso che non risolve nulla. Partite dal punto dolente e lasciate che sia questo a guidare l'implementazione dell'IA.

2. Scegliere una piattaforma

Una volta definiti i vostri obiettivi, trovate gli strumenti che li supportano. 

Partite da ciò che già utilizzate. Molti ERP e piattaforme di approvvigionamento offrono oggi funzioni di intelligenza artificiale integrate, come la classificazione delle spese o l'analisi dei contratti. Se le vostre esigenze sono più specifiche, cercate strumenti indipendenti, ma assicuratevi che si integrino perfettamente con il vostro stack. 

La piattaforma migliore è quella che funziona con ciò che avete e che si adatta alla vostra crescita.

3. Preparare i dati

L'intelligenza artificiale è intelligente quanto i dati che le vengono forniti.

Prima di tuffarvi, fate il punto su ciò che avete. Pulite i dati disordinati, consolidate le informazioni sparse nei vari sistemi e applicate una forte governance dei dati. Ciò significa standardizzare i formati e convalidare l'accuratezza.

I team di approvvigionamento non hanno bisogno di dati perfetti, ma di dati utilizzabili. Pensate a questo come alla preparazione del terreno prima della semina.

4. Dare vita alla soluzione 

Una volta che gli obiettivi e la piattaforma sono chiari e i dati sono pronti, è il momento di portare a compimento la soluzione.

Nella maggior parte dei team di approvvigionamento, questo non significa costruire strumenti di IA da zero. Significa collaborare con un fornitore, un partner o un team IT interno per configurare e distribuire uno strumento adatto al caso d'uso.

Scegliete l'approccio più adatto alle capacità del vostro team e alla complessità del vostro obiettivo.

5. Abilitare il team

Anche il miglior strumento di intelligenza artificiale non produrrà risultati se il team non sa come usarlo o non si fida di esso.

Una volta che la soluzione è operativa, è necessario dedicare del tempo all'onboarding e all'adozione. Collaborate con il fornitore o il partner di implementazione per formare il team sui casi d'uso e adattate la formazione al modo in cui i professionisti del procurement lavorano effettivamente, non solo al funzionamento dello strumento.

Create uno spazio per la pratica, documentate i flussi di lavoro comuni e mantenete aperto un ciclo di feedback. 

La tecnologia non può dare risultati se nessuno sa come usarla.

6. Valutare e iterare

Non impostatelo e dimenticatelo.

Tracciate l'impatto dei vostri strumenti di IA utilizzando metriche chiare come la riduzione dei tempi di ciclo, i risparmi generati o gli incidenti di rischio evitati. 

Se i chatbot fanno parte dell'implementazione, analizzate le analisi dei chatbot per capire come vengono utilizzati, dove sono efficaci e dove potrebbero causare attriti. La misurazione del ROI dei chatbot è particolarmente importante per giustificare l'investimento e guidare i miglioramenti futuri.

E parlate con i vostri utenti. Cosa funziona? Cosa non funziona? 

I sistemi di intelligenza artificiale migliorano nel tempo, ma solo se si continua a metterli a punto. Le migliori implementazioni si evolvono con l'uso nel mondo reale.

Quanto è costoso implementare gli strumenti di intelligenza artificiale negli acquisti?

Il costo dell'implementazione di strumenti di IA negli acquisti varia notevolmente: le funzionalità di IA entry-level nelle piattaforme esistenti possono costare anche solo poche centinaia di dollars al mese, mentre le soluzioni di livello enterprise, come l'analisi avanzata della spesa o gli agenti autonomi, possono raggiungere cifre a sei zeri all'anno. La spesa totale dipende dalla complessità dei flussi di lavoro e dal fatto che si adottino soluzioni già pronte o che si creino funzionalità di IA su misura.

Ci sono rischi o svantaggi nell'utilizzo dell'IA negli appalti?

L'utilizzo dell'intelligenza artificiale negli appalti comporta dei rischi, come un processo decisionale insufficiente se i dati sono incompleti o imprecisi, un potenziale vendor lock-in con sistemi di intelligenza artificiale proprietari e problemi di conformità se i dati sensibili non sono adeguatamente protetti. Inoltre, gli strumenti di IA possono talvolta produrre errori o risultati inaspettati, richiedendo una supervisione umana per individuare i problemi prima che si trasformino in errori costosi.

Gli strumenti di intelligenza artificiale nel settore degli approvvigionamenti sostituiscono i posti di lavoro o cambiano solo il modo di lavorare?

Gli strumenti di IA nel procurement in genere non eliminano del tutto i posti di lavoro, ma cambiano il modo di lavorare automatizzando attività ripetitive come l'inserimento dei dati, la corrispondenza delle fatture o la categorizzazione delle spese, consentendo ai professionisti del procurement di concentrarsi su attività strategiche come le relazioni con i fornitori, le negoziazioni e la gestione dei rischi. Tuttavia, i ruoli potrebbero spostarsi verso competenze più analitiche o tecniche man mano che l'IA viene integrata nei flussi di lavoro quotidiani.

Le piccole imprese possono trarre vantaggio dall'intelligenza artificiale negli appalti o è un'opzione riservata principalmente alle grandi aziende?

Le piccole imprese possono assolutamente trarre vantaggio dall'intelligenza artificiale negli acquisti, soprattutto grazie a strumenti SaaS a prezzi accessibili che offrono funzionalità come l'elaborazione automatica dei documenti, la corrispondenza con i fornitori o l'analisi di base delle spese senza grandi investimenti iniziali. Mentre le grandi imprese spesso implementano soluzioni di IA personalizzate e più complesse, le aziende più piccole possono comunque ottenere un significativo risparmio di tempo e un migliore processo decisionale con strumenti di IA più leggeri e basati sul cloud.

Di quali competenze hanno bisogno i team di approvvigionamento per lavorare con gli strumenti di IA?

I team di approvvigionamento non devono necessariamente essere programmatori per lavorare con gli strumenti di IA, ma hanno bisogno di competenze di data literacy per capire come funzionano i modelli di IA e identificare i problemi di qualità dei dati. La familiarità con gli strumenti di analisi e il comfort nell'utilizzo delle piattaforme digitali sono fondamentali, così come la capacità di collaborare con l'IT per integrare le soluzioni di IA nei flussi di lavoro di approvvigionamento.