Produttività individuale e limiti dell’AI generativa

L’AI generativa consente di scrivere, ricercare, programmare e analizzare contenuti più rapidamente. Un recente studio di McKinsey mostra che l’80 % degli utenti percepisce un incremento della propria produttività, ma solo il 6 % delle imprese dichiara un miglioramento significativo dell’utile operativo.

Una possibile spiegazione è la capacità di anticipare eventi critici. “Una parte della risposta sta nella capacità di anticipare: prevedere ritardi nei pagamenti, individuare rischi nella catena di fornitura, stimare la domanda o intercettare pressioni sulla liquidità”, afferma Roberto Fraccapani, Head of Solution and Architect Advisory di SAP Italia.

Gli LLM (Large Language Model) hanno rivoluzionato l’elaborazione del linguaggio e la generazione di contenuti. Tuttavia, nel contesto aziendale il loro potenziale è limitato se non si comprendono le strutture dei dati strutturati. Ordini, transazioni, registrazioni contabili e livelli di magazzino hanno una logica implicita nella loro architettura, non visibile in singoli valori.

Perché i LLM faticano con le tabelle

Le analisi del 2026 evidenziano che anche i LLM più avanzati faticano nel ragionare su tabelle, dove è necessario riconoscere correlazioni e formulare previsioni affidabili. Il valore reale risiede nei collegamenti tra righe, colonne, entità e sequenze temporali, elementi difficili da catturare con un modello basato esclusivamente sul testo.

AI tabulare: dal semplice archivio storico allo strumento di decisione proattiva

Non si tratta di contrapporre le tecnologie, ma di scegliere lo strumento più adatto a ciascun problema valorizzando la potenza degli LLM dove eccellono e affiancandola a strumenti specializzati dove le relazioni tra dati aziendali sono determinanti.

Entrano in scena i modelli di AI tabulare, progettati per interpretare dati strutturati e scoprire schemi ricorrenti. Un produttore, ad esempio, può utilizzare tali modelli per identificare in anticipo i clienti più inclini a pagare in ritardo. Oltre alla storia dei pagamenti, il modello esamina l’andamento degli ordini, le variazioni di volume, i tempi di consegna e le condizioni economiche di settore. Analizzando l’insieme, il modello individua segnali di rischio prima che si trasformino in problemi concreti.

Questo è il valore aggiunto dell’AI tabulare: trasformare i dati da semplice archivio storico a strumento di decisione proattiva.

Costi e complessità dei modelli tradizionali

Le imprese hanno già adottato il machine learning per previsioni su dati strutturati, ma ogni caso d’uso richiede la creazione di un modello dedicato, con costi di preparazione, addestramento, monitoraggio e manutenzione. Con l’aumento dei casi d’uso, crescono complessità e spese.

I modelli fondazionali tabulari offrono una soluzione differente: pre‑addestrati su grandi insiemi di dati strutturati, possono essere adattati a diversi problemi senza ricominciare da zero. Le organizzazioni riutilizzano un unico modello per più previsioni, riducendo tempi e investimenti. Inoltre, la capacità di riconoscere schemi trasversali può far emergere relazioni trascurate da modelli specialistici.

Innovazione di SAP: dal Prior Labs a TabPFN‑3

SAP sta guidando questa evoluzione, soprattutto dopo l’acquisizione di Prior Labs nel luglio 2026. La combinazione della ricerca sui modelli tabulari di Prior Labs con la profonda conoscenza dei processi aziendali di SAP ha prodotto TabPFN‑3, uno dei modelli open source più avanzati per le previsioni tabulari.

Insieme alla famiglia SAP‑RPT e al SAP Knowledge Graph, il modello valorizza le relazioni tra dati e contesto di business.

Un caso d’uso nello spazio

Un caso d’uso significativo coinvolge HPE: l’implementazione di SAP‑RPT su Spaceborne Computer‑2 a bordo della Stazione Spaziale Internazionale. Il modello rileva anomalie, prevede guasti potenziali e ricostruisce dati mancanti dei sensori, elaborando le informazioni direttamente in orbita, evitando la trasmissione verso la Terra. Questo dimostra come l’AI tabulare possa operare anche in ambienti con risorse e connettività limitate.

Verso una sinergia tra AI generativa e AI tabulare

La prima ondata di AI generativa ha potenziato la produttività individuale. La sfida successiva è estendere quel valore a livello organizzativo. Non sarà una competizione tra LLM e modelli tabulari, ma una collaborazione: i primi rendono le informazioni accessibili tramite linguaggio naturale, i secondi interpretano i dati strutturati, riconoscono relazioni e generano previsioni.

“Integrate nei processi e accompagnate da adeguati meccanismi di controllo, queste capacità possono aiutare le imprese a individuare prima rischi e opportunità e a decidere con maggiore consapevolezza. Il vero salto dell’AI non consisterà soltanto nel rispondere meglio alle nostre domande, ma nell’aiutare le aziende a capire che cosa potrebbe accadere e come prepararsi”, conclude Fraccapani.

Passi concreti per le imprese

    • Identificare i flussi di dati strutturati critici: ordini, fatture, inventario, log di sensori.
    • Valutare l’applicabilità di modelli tabulari pre‑addestrati: scegliere soluzioni open source come TabPFN‑3 o piattaforme proprietarie di SAP‑RPT.
    • Integrare LLM per l’interfaccia utente: permettere a manager e analisti di porre domande in linguaggio naturale e ottenere risposte basate su previsioni tabulari.
    • Implementare governance e monitoraggio: definire soglie di allerta, audit dei risultati e piani di aggiornamento del modello.
    • Misurare l’impatto economico: confrontare la riduzione dei ritardi nei pagamenti, la diminuzione dei guasti non programmati e l’incremento dell’utile operativo.

Seguendo questi passaggi, le aziende possono superare il divario tra la percezione di una maggiore produttività individuale (80 % degli utenti) e il reale miglioramento dell’utile operativo (solo 6 % delle imprese), trasformando i dati in una leva di profitto sostenibile.