L’IA nei processi logistici: impatti misurati, governance e industrializzazione

This thesis examines when and how Artificial Intelligence creates value in logistics management, adopting a decision-oriented approach. The discussion integrates the state of art with three real-world cases in distinct yet complementary domains: last-mile routing, picking activities in goods-to-person systems, and demand forecasting. The final assessment considers data quality and traceability, the integration of AI with Operations Research methods, alignment between predictive metrics and decision horizons, MLOps and governance practices, decision safety, and human factors. AI proves more effective when the data foundation is reliable, when results are interpreted through KPIs, and above all when integration is framed by clearly defined roles and responsibilities. The greatest benefits were achieved in inventory planning, picking, and route management. Nonetheless, limitations remain: chiefly recurring costs, potential trade-offs between productivity and safety, and residual bias. The purpose of this work is to provide practical guidance for proper industrialization, in particular KPI-level explainability, controlled experimentation with technical and managerial monitoring, with rollback paths and value-chain standards. It concludes that the impact lies less in the model itself than in the surrounding process context. AI generates value when an organizational capability is developed, with sustained investment over time and governance that ensures long-term reliability.

Questa tesi esamina quando e come l’Intelligenza Artificiale genera valore nella gestione della logistica, adottando un approccio orientato alla decisione. La discussione integra lo stato dell’arte con tre casi reali in ambiti diversi e complementari: instradamento nell’ultimo miglio, attività di picking in sistemi goods-to-person e previsione della domanda. La valutazione finale considera qualità e tracciabilità dei dati, integrazione dell’IA con metodi di Ricerca Operativa, allineamento tra metriche previsive e orizzonti decisionali, pratiche di MLOps e governance, sicurezza delle decisioni e fattori umani. Si riscontra un’efficacia maggiore dell’IA quando la base di dati è affidabile, quando i risultati sono visti in chiave dei KPI e soprattutto quando l’integrazione è delineata da ruoli e responsabilità ben definiti. I maggiori benefici sono stati realizzati sulla pianificazione delle scorte, nel picking e sulla gestione della percorrenza. Risultano però ancora limiti, principalmente per costi ricorrenti, possibili trade-off tra produttività e sicurezza e bias residuo. Lo scopo di questo elaborato è quello di fornire indicazioni pratiche per una corretta industrializzazione, in particolare spiegabilità per i KPI, una sperimentazione controllata con monitoraggio tecnico e gestionale, con percorsi di rientro e standard di filiera. Si conclude che l’impatto non risiede tanto nel modello in sé ma in tutto il contesto di processo attorno al modello. L’IA produce valore quando si sviluppa una capacità organizzativa, con investimenti continui nel tempo e una governance che riesca a garantire affidabilità nel tempo.