Serie IVA – Blog 1: L’efficacia degli agenti IA per gli acquisti dipende dalla qualità dell’infrastruttura dati

Tutti i vendor di tecnologie per l’e-procurement parlano di agenti IA, ma pochi dicono cosa serve davvero a questi agenti per funzionare. La risposta non è un modello migliore: è un’infrastruttura migliore.

Gli agenti IA per l’e-procurement non risolvono i dati errati, ma amplificano l’infrastruttura su cui si basano. Se le tue schede fornitori sono frammentate in sistemi scollegati, se i dati contrattuali risiedono in un database e i dati di spesa in un altro, e se i segnali di rischio vengono sincronizzati in blocchi da un terzo sistema, non basterà un agente IA per colmare queste lacune. L’agente IA prenderà decisioni basate su informazioni incomplete e incongruenti, e lo farà più velocemente di quanto qualsiasi essere umano possa intervenire.

L’architettura alla base della tua intelligenza artificiale è il fattore determinante per stabilire se tali agenti creino fiducia o accelerino cattive decisioni. Questo articolo spiega perché, come si presenta una vera infrastruttura dati e cosa succede quando la realizzi correttamente.

La scomoda verità sull’IA negli acquisti

Secondo una ricerca di ProcureCon, gli uffici acquisti considerano come i principali ostacoli alla fiducia nell’IA i problemi di integrazione (88%) e la qualità dei dati (75%). Questi numeri dovrebbero essere alla base di ogni dibattito sugli agenti IA nel procurement.

Il modello non cambia. Un’organizzazione acquista un agente IA, lo collega ai sistemi esistenti e si aspetta risultati intelligenti. I sistemi, tuttavia, non sono mai stati progettati per alimentare un motore di ragionamento. Le schede fornitori vengono duplicate tra i moduli. 

I termini contrattuali risiedono in un sistema, la cronologia dei pagamenti in un altro. Le classificazioni di spesa seguono tassonomie differenti, in funzione del team che ha inserito i dati e quando.

In sé, il modello IA di solito funziona bene. Il problema è il materiale con cui deve lavorare. Quando i dati relativi agli acquisti sono sparsi, incompleti o incongruenti, nessuna sofisticazione algoritmica potrà mai produrre decisioni affidabili. La fiducia nell’IA parte dalla fiducia nei dati. Se manca, non si implementa l’intelligenza, si punta sulla velocità sul terreno dell’incertezza.

Su un’infrastruttura incrinata, l’IA peggiora le cose

Questa è la parte che la maggior parte dei vendor trascura. Quando un software per gli acquisti con IA viene implementato su dati frammentati e incongruenti, gli agenti non solo non raggiungono i risultati attesi, ma addirittura peggiorano la situazione.

Un agente che classifica erroneamente le spese a causa di una tassonomia sottostante incoerente non commette un solo errore: ne commette migliaia, alla velocità di una macchina e con la sicurezza di una macchina. Un agente che genera raccomandazioni sui fornitori basandosi su cronologie di prestazioni incomplete non dà semplicemente una risposta sbagliata. 

Crea un pattern inaffidabile nel registro delle decisioni, che si aggrava ogni volta che un altro agente o analista fa riferimento a quella raccomandazione a valle.

Come si presenta la situazione nella pratica:

• Schede fornitore duplicate perché l’agente non può riconciliare gli ID tra sistemi di sourcing, contratti e fatturazione. Anziché segnalare l’incoerenza, tratta ogni frammento come un’entità distinta e crea nuovi record che moltiplicano il problema.
• Punteggi di rischio imprecisi perché i dati contrattuali e i dati finanziari risiedono in database separati con cadenze di aggiornamento diverse. L’agente vede un dato finanziario aggiornato accanto a un record contrattuale obsoleto e produce una valutazione del rischio che sembra precisa ma si basa su tempistiche non allineate.
• Raccomandazioni sui fornitori viziate basate su cronologie di performance incomplete. Se l’agente ha visibilità solo sui risultati del sourcing ma non sulle prestazioni di consegna, sui problemi di qualità o sulle controversie relative ai pagamenti, le sue raccomandazioni riflettono una verità parziale presentata come completa.
• Errori di classificazione delle spese in scala perché le tassonomie delle categorie variano a seconda del modulo, dell’unità aziendale o dell’area geografica. L’errore di classificazione manuale è un problema di qualità dei dati. L’errore di classificazione automatizzato è una crisi della qualità dei dati.

L’IA è un amplificatore che, su un’infrastruttura incrinata, amplifica le crepe – a una velocità che rende quasi impossibile la correzione manuale.

Perché le architetture frammentate compromettono gli agenti IA

La causa radice è di natura architettonica. Per la maggior parte, le suite source-to-pay non nascono come piattaforme unificate, ma sono state assemblate tramite acquisizioni. In pratica, sono costituite da un prodotto per il sourcing, uno per i contratti, un altro per la gestione dei fornitori e un altro ancora per la fatturazione. 

Ogni modulo ha il proprio database, il proprio modello di dati e spesso la propria definizione di entità core, come fornitori, categorie e centri di costo.

I livelli di integrazione operano a livello superiore e trasferiscono i dati tra questi sistemi. Integrazione, però, non significa unificazione. Un connettore middleware che di notte sincronizza le schede fornitori non è la stessa cosa di un’unica scheda fornitore letta e aggiornata da ogni modulo in tempo reale.

Prendiamo un agente con il task di valutare il rischio fornitori. Per svolgere bene il lavoro, deve avere a disposizione termini contrattuali, cronologia dei pagamenti, punteggi di qualità, dati ESG, segnali finanziari e contesto di categoria, il tutto raccolto in un unico quadro di ragionamento. 

Se quei dati risiedono in quattro sistemi diversi con quattro ID fornitore diversi e quattro frequenze di aggiornamento diverse, l’agente non analizza, tira a indovinare. Le sue ipotesi, inoltre, sembrano autorevoli, il che è anche peggio della mancanza di risposte.

Per questa ragione l’IA nell’orchestrazione degli acquisti dipende dalla piattaforma sottostante, non solo dall’agente che la utilizza. Sistemi integrati creano l’apparenza della connettività, ma un modello di dati unificato ne crea la realtà.

Come si presenta una vera infrastruttura dati

Un’infrastruttura dati per gli acquisti compatibile con agenti IA deve avere un’architettura con proprietà precise, non con funzionalità auspicabili.

Elenchiamo qui i requisiti di un’infrastruttura dati per il procurement pronta per l’IA:

1. Modello di dati unico: non database integrati, non query federate, non un data lake che aggrega dati da più fonti. Un unico modello di dati nativo in cui sourcing, contratti, gestione dei fornitori, procurement, fatturazione e analisi della spesa operano tutti sullo stesso schema. Quando un agente interroga una scheda fornitore, ottiene una risposta unica, non una media riconciliata di diverse risposte.
2. Core fornitore condiviso: nel procurement, il fornitore è l’entità fondamentale. Ogni evento di sourcing, ogni contratto, ogni fattura, ogni valutazione del rischio, ogni valutazione delle performance è collegato a un fornitore. Se la scheda fornitore è frammentata tra vari moduli, ogni processo a valle eredita tale frammentazione. Un core fornitore condiviso significa un’unica scheda, arricchita di continuo da tutte le interazioni lungo l’intero ciclo di vita source-to-pay.
3. Dati semanticamente ricchi: agli agenti IA non bastano ID e importi, servono classificazioni, gerarchie e relazioni. Devono sapere a quale categoria appartiene un fornitore, quali contratti regolano una relazione e qual è l’andamento storico della performance. Dati piatti producono intelligenza piatta.
4. Accuratezza in tempo reale: se i dati vengono sincronizzati in blocco, gli agenti si basano su informazioni superate. Nell’ambito degli acquisti, dove il rischio legato ai fornitori può cambiare da un giorno all’altro e i prezzi di mercato variano settimanalmente, l’accesso ai dati in tempo reale non è un optional. È la differenza tra un approccio proattivo e uno reattivo.
5. Accesso basato sulle autorizzazioni: utenti e agenti necessitano di controlli di accesso che rispecchino le politiche aziendali. Un agente che opera per conto di un responsabile di categoria dovrebbe poter visualizzare solo ciò che tale responsabile è autorizzato a vedere, e nient’altro.

È qui che l’architettura di Ivalua diventa rilevante. Grazie a un unico codice di base e a un unico modello di dati, gli agenti attivi sulla piattaforma non ricompongono il contesto attingendo a sistemi scollegati tra loro. 

Ragionano infatti partendo da una fonte di verità unificata, unica, basata sui permessi e in tempo reale. L’architettura è la strategia IA.

Pro Tip

Scarica la nostra pratica guida all’IA agentica nel procurement che spiega quali sono i requisiti relativi a piattaforma, dati e governance necessari per passare da progetti IA pilota a un impatto a livello d’impresa.

Il core fornitore come fondamento dell’intelligenza agentiva

Se il modello di dati è l’infrastruttura, la scheda fornitore ne è la chiave di volta.

Nel procurement, quasi ogni attività significativa legata all’IA è collegata a un fornitore. Un agente di sourcing analizza i potenziali fornitori. Un agente contrattuale esamina gli accordi con i fornitori. Un agente di rischio monitora lo stato di salute dei fornitori. 

Un agente di gestione fornitori con l’AI tiene traccia delle prestazioni dei fornitori nel tempo. Un agente di fatturazione confronta le fatture dei fornitori con gli ordini di acquisto e i contratti.

Quando ciascuna di queste funzioni deriva dalla stessa scheda fornitore, si verifica un fenomeno potente: ogni interazione arricchisce la stessa entità. Un evento di sourcing aggiunge dati sul pricing. La stipula di un contratto aggiunge termini e impegni relativi alla conformità. 

Una valutazione del rischio aggiunge segnali finanziari ed ESG. La riconciliazione delle fatture aggiunge informazioni sul comportamento di pagamento. La scheda fornitore diventa una fonte di verità arricchita di continuo, che acquista maggiore valore a ogni transazione.

Confrontiamo ora questa situazione con l’alternativa. In un’architettura frammentata, l’agente A vede i termini di pagamento ma non i punteggi ESG. L’agente B ha accesso al profilo di rischio ma non alla cronologia contrattuale. L’agente C conosce l’esito del sourcing ma non la performance di consegna. 

Ogni agente opera sulla base di una visione parziale e produce una risposta parziale. Nessun singolo agente e nessun analista umano può ricostruire il quadro completo senza un intervento manuale, il che vanifica lo scopo stesso dell’implementazione dell’IA.

È proprio un core unificato dei fornitori a fornire all’intelligenza artificiale nel sourcing e a ogni altra funzione degli acquisti un contesto condiviso lungo l’intero ciclo di vita.

Con infrastruttura solida, l’IA migliora i dati

Vediamo il vantaggio. Su un’infrastruttura dati unificata e affidabile, gli agenti IA non solo operano in modo più affidabile, ma migliorano attivamente i dati con cui lavorano. Questa dinamica esiste solo quando l’architettura è corretta.

Quando un agente elabora un evento di sourcing su una piattaforma unificata, non si limita a eseguire un task. Può identificare e segnalare le schede fornitore doppie, create da unità aziendali diverse, raccomandare fusioni e prevenire duplicazioni future. 

Quando un agente analizza le fatture, può arricchire le classificazioni di spesa confrontando le voci con le tassonomie delle categorie e correggendo le incongruenze introdotte nel corso degli anni dall’inserimento manuale. Quando un agente di rischio esamina i portafogli fornitori, non segnala semplicemente i problemi attuali. 

Rileva anomalie (termini di pagamento insoliti, pricing anomali, non conformità) e reimmette le correzioni nella scheda, migliorando di continuo la qualità dei dati sottostanti.

Questo è il ciclo di intelligenza combinata. Ogni interazione dell’agente arricchisce i dati. Dati più ricchi rendono più accurata la successiva interazione dell’agente. Risultati più accurati creano fiducia. La fiducia favorisce l’adozione. L’adozione genera più interazioni – e il ciclo continua.

In un’architettura frammentata, questo ciclo non esiste. Gli agenti utilizzano i dati ma non li migliorano perché non esiste una scheda unica da correggere e aggiornare. I miglioramenti apportati in un sistema non si propagano a un altro. I dati rimangono statici mentre gli agenti girano a vuoto.

Sulla piattaforma giusta, il circolo virtuoso è la norma. Questo permette agli uffici acquisti di passare da cicli dedicati alla pulizia e alla riconciliazione dei dati a cicli focalizzati sulle valutazioni, sulle relazioni con i fornitori e sulle decisioni strategiche che fanno davvero progredire l’azienda. 

Questo cambiamento, da addetti alle pulizie dei dati a operatori strategici, è ciò che l’IA agentica negli acquisti rende possibile quando l’infrastruttura è solida.

La sovranità dei dati nell’era dell’IA

C’è una questione riguardante CIO e CISO che merita attenzione immediata: chi è il titolare dei dati relativi al procurement quando si utilizza l’IA?

Alcuni vendor di intelligenza artificiale per gli acquisti mettono in comune i dati dei clienti per migliorare i loro modelli. Definiscono questa pratica “intelligenza di comunità” o “effetti rete”. Ma in concreto questo significa che le tue strategie di negoziazione, i rapporti con i fornitori, i modelli di pricing e i dati di processo potrebbero essere utilizzati per addestrare modelli a vantaggio della concorrenza. 

Nel procurement, dove il potere contrattuale dei fornitori e la strategia di categoria sono asset competitivi, non si tratta di un compromesso che la maggior parte delle aziende dovrebbe accettare.

L’alternativa è chiara: l’isolamento dei dati come principio di progettazione. Nessun addestramento dei modelli sui dati dei clienti. Nessuna condivisione dei dati tra tenant. Controlli di accesso granulari da applicare indiscriminatamente a utenti umani e ad agenti IA. Piena tracciabilità dei dati a cui si è avuto accesso, da parte di chi (o di quale agente) e per quale scopo.

La governance dei dati di procurement nell’era dell’IA richiede intelligenza e isolamento. I tuoi agenti devono essere intelligenti. I confini dei tuoi dati devono essere assoluti.

Pro Tip

Scarica il solution brief sull’IA d’impresa per scoprire come Ivalua supporta un’IA affidabile lungo l’intero processo source-to-pay.

Come analizzare il grado di preparazione dei dati per l’IA agentica

Prima di analizzare gli agenti IA per gli acquisti, verifica se la l’infrastruttura dati è compatibile. Ecco cinque domande che permettono di distinguere le organizzazioni pronte per l’IA da quelle destinate a progetti pilota costosi e con scarse probabilità di successo:

1. Hai una scheda fornitori unica per l’intero processo source-to-pay? Se hai un modulo di sourcing, un sistema contrattuale e una piattaforma di fatturazione che gestiscono ciascuno le proprie schede fornitori, gli agenti ragioneranno sulla base di informazioni contrastanti. Un core fornitori unico, centrale e condiviso è il punto di partenza.

2. È possibile risalire alla fonte di ogni singolo dato? Le decisioni generate dall’IA devono essere verificabili. Se non è possibile risalire all’origine di una classificazione di spesa, di un punteggio di rischio o di una valutazione del fornitore, gli agenti non potranno spiegare il ragionamento e il team di conformità non potrà verificarlo.

3. Il modello dati è unificato o semplicemente integrato? L’integrazione sposta i dati da un sistema all’altro. L’unificazione implica un unico modello di dati in cui tutte le funzioni operano in modo nativo. La differenza è fondamentale perché l’integrazione introduce latenza, errori di riconciliazione e deriva semantica. Per ragionare con precisione, agli agenti serve un modello unificato.

4. È possibile controllare a cosa può accedere ogni agente IA? L’IA basata sui permessi non è un optional. Se manca la capacità di definire e garantire il rispetto delle regole relative ai dati a cui ogni agente ha accesso, è impossibile gestire l’implementazione del software di procurement con l’intelligenza artificiale su scala aziendale.

5. I tuoi dati vengono aggiornati in tempo reale o vengono sincronizzati in blocco? Gli agenti che prendono decisioni sulla base dei dati di ieri stanno prendendo le decisioni di ieri. L’accesso ai dati in tempo reale è la differenza tra intelligenza proattiva e reportistica reattiva.

Se hai risposto “no” a due o più di queste domande, inizia dalle basi prima di investire nell’agente.

Caso di studio: come Körber sta costruendo sulle basi giuste

La questione dell’infrastruttura dati non è teorica. Le organizzazioni che hanno adottato l’architettura giusta vedono già i risultati.

Il gruppo tecnologico globale Körber sta testando IVA sulla piattaforma unificata di Ivalua. Il suo approccio riflette il principio secondo cui un’IA responsabile parte da un’infrastruttura solida. Anziché implementare le funzionalità di IA con un approccio dall’alto in basso, invita gli utenti a proporre casi d’uso e a partire da esigenze operative reali.

“Abbiamo iniziato a utilizzare l’IA nel 2023. Attualmente stiamo conducendo un progetto pilota di grande successo con l’IVA di Ivalua. Ai nostri utenti stiamo chiedendo soprattutto di proporre casi d’uso, e quelli che ci arrivano più spesso in questo momento sono casi d’uso del tipo ‘Automazione’ e ‘Analisi’.” – Jan Van Hueth, Senior Project Manager, Körber

Il modello è illuminante. La disponibilità di dati unificati infonde negli utenti la fiducia necessaria per proporre casi d’uso dell’IA perché hanno fiducia nei dati su cui lavoreranno gli agenti. È proprio grazie a questa fiducia che un progetto pilota diventa un’implementazione a livello d’impresa.

Leggi tutto il caso studio: Körber apre la strada all’IA responsabile e all’automazione degli acquisti con Ivalua

Conclusione: i dati conferiscono intelligenza agli agenti, la governance conferisce confini.

Dati frammentati generano un’intelligenza frammentata. Gli agenti che ragionano sulla base di informazioni incomplete, incongruenti o compartimentate non solo ottengono risultati inferiori alle aspettative, ma minano la fiducia e rendono più difficile risolvere i problemi di fondo. Dati unificati generano un’intelligenza affidabile. 

Gli agenti che operano sulla base di una fonte unica dei dati, ragionano partendo da un contesto completo, migliorano i dati con cui lavorano e creano un ciclo di intelligenza composita che acquista sempre più valore col passare del tempo.

L’architettura è la strategia. Prima di chiederti cosa possono fare i tuoi agenti IA, chiediti che cosa la tua infrastruttura dati permette loro di fare. Sono i dati a conferire intelligenza agli agenti. La governance conferisce i confini.

Il prossimo articolo di questa serie spiegherà in che modo gli uffici acquisti delle imprese possano governare gli agenti IA senza limitarne il valore. Mostrerà inoltre perché sia necessario integrare l’accountability umana nell’architettura e cosa serva per costruire la fiducia a livello d’impresa.