TMS e IA: 5 casi d’uso concreti che stanno trasformando il dispatch oggi

L’IA nel TMS: uscire finalmente dall’effetto demo

Da due anni, ogni fiera logistica mette in evidenza agenti IA capaci, in teoria, di gestire un’intera operatività. Sul palco, la demo è impressionante. In produzione, la realtà è spesso più modesta: un POC che si trascina, dati mal preparati, operatori che tornano a Excel non appena l’agente esita.

Eppure, qualcosa è cambiato nel 2024-2025. I workflow IA escono dal laboratorio per installarsi nelle operazioni di trasporto. Non ovunque, non per tutto, ma su casi d’uso precisi in cui il ritorno sull’investimento è misurabile fin dalle prime settimane. Eccone cinque, così come li osserviamo presso i trasportatori che utilizzano Walter, il nostro strato IA integrato nel TMS Everest.

1. Interrogare il proprio TMS in linguaggio naturale

Il primo caso d’uso — e senza dubbio il più trasformativo nel quotidiano — è la capacità per un dispatcher, un operatore o un direttore operativo di porre una domanda al proprio TMS come la porrebbe a un collega.

Come si traduce concretamente

• «Quanti giri sono in ritardo oggi nella zona Lombardia?»
• «Quali clienti hanno un tasso di servizio inferiore al 95% questo mese?»
• «Mostrami gli autisti che non hanno ancora consegnato le CMR della settimana scorsa.»

Laddove prima era necessario costruire un report BI, filtrare, esportare, l’IA di ottimizzazione delle operazioni risponde in pochi secondi, con dati aggiornati e la fonte associata. Il vantaggio non è solo temporale: democratizza l’accesso all’informazione. Il capo piazzale o l’assistente operativo può ora interrogare il sistema senza passare dalla BI.

2. Rilevare le anomalie prima che costino

Il secondo utilizzo riguarda il rilevamento proattivo delle anomalie. Un TMS genera migliaia di eventi al giorno: posizioni GPS, stati di consegna, tempi di guida, scostamenti chilometrici, costi carburante. Nessun essere umano può monitorare tutto.

Un workflow IA ben calibrato, invece, può:

• Individuare un giro il cui margine crolla rispetto allo storico del cliente;
• Segnalare un autista il cui stile di guida cambia bruscamente (indicatore spesso legato alla stanchezza o a un problema meccanico);
• Allertare su un sito di consegna in cui il tempo medio di attesa deriva settimana dopo settimana.

«Abbiamo identificato il 4% di margine perso su un cliente chiave semplicemente perché l’IA ha evidenziato una deriva del tempo di scarico che nessuno aveva notato.» — Direttore operativo, PMI trasporti 45 veicoli

3. Generare report personalizzati su richiesta

Terzo caso d’uso: la generazione di report. Ogni cliente industriale ha le proprie esigenze: reporting mensile qualità, KPI settimanali, dashboard CSR. Storicamente, questi report impegnano uno o due FTE nelle grandi operazioni.

Il workflow tipo

L’utente descrive ciò che desidera («un report mensile per il cliente X con tasso di servizio, puntualità, incidenti ed emissioni di CO2 per giro»). L’IA:

1. Interroga le tabelle giuste del TMS;
2. Applica la formattazione richiesta (PDF, Excel, invio via email);
3. Programma la ricorrenza se necessario.

Il report diventa un artefatto riproducibile, versionato, modificabile in linguaggio naturale. Basta con le macro Excel mantenute da una sola persona in azienda.

4. Creare applicazioni di business dedicate con Walter Apps

È probabilmente il caso d’uso più differenziante, e quello che suscita maggiore curiosità nei nostri clienti. L’idea: invece di aspettare 6 mesi che un editore sviluppi una funzionalità, l’operatore descrive il proprio bisogno e viene generata una mini-applicazione di business, collegata ai dati del TMS.

Esempi reali di Walter Apps distribuite

• Tracciamento dei pallet Europa: un’app custom per un trasportatore di messaggeria, con inserimento mobile da parte degli autisti e riconciliazione automatica con i DDT.
• Gestione dei lavaggi cisterne: tracciabilità dei certificati di lavaggio, allerte prima della scadenza, storico per vasca.
• Pre-fatturazione delle ore di attesa: rilevamento automatico degli sforamenti, generazione di un prospetto da validare dall’operatore, iniezione nella fatturazione.

Queste applicazioni non sostituiscono il TMS: completano il core business con workflow specifici per ciascun trasportatore. È la fine del compromesso «standard editore vs sviluppo specifico costoso».

5. Assistere il dispatch in tempo reale

Il quinto caso d’uso — il più vicino alla promessa originale degli «agenti IA» — è quello del dispatch IA assistito. Attenzione: non stiamo parlando qui di un sistema che decide al posto dell’operatore, ma di un copilota che propone.

Cosa fa concretamente l’assistente

• Proporre una riassegnazione quando un autista segnala un imprevisto (guasto, ritardo cliente);
• Suggerire il raggruppamento di due giri sotto-riempiti nella stessa zona;
• Anticipare gli sforamenti dei tempi di guida prima che si verifichino;
• Raccomandare un subappaltatore qualificato per un ordine spot in base allo storico.

La decisione resta umana. Ma l’IA fa guadagnare quei 10-15 minuti per ora che gli operatori passavano a destreggiarsi tra schermi, chiamate e fogli di calcolo.

Ciò che l’IA non fa (ancora) bene

Essere onesti sui limiti è anche ciò che distingue un’adozione duratura da un progetto abbandonato. Oggi, l’IA nelle operazioni di trasporto resta fragile su:

• La negoziazione con il cliente: nessun agente sostituisce un commerciale per rinegoziare un contratto quadro;
• La gestione delle crisi: blocco sociale, intemperie gravi, cyberattacco — l’essere umano resta indispensabile;
• La qualità dei dati in ingresso: un TMS mal compilato produrrà risposte IA mediocri. La regola «garbage in, garbage out» non è mai stata così vera.

Everest e Walter: un’IA pensata per l’operatività

Everest è un TMS progettato per i trasportatori su strada di merci, dal gruppo di 20 veicoli alla flotta di diverse centinaia di trattori. La sua particolarità: un’architettura aperta e uno strato IA nativo, Walter, che rende accessibili i cinque casi d’uso descritti sopra senza un pesante progetto di integrazione.

Con Walter Apps, gli operatori non subiscono più il ritmo della roadmap dell’editore: creano, testano e distribuiscono le proprie micro-applicazioni di business in poche ore, collegate ai dati della propria operatività. È questa combinazione — un TMS solido + un’IA che parla il linguaggio dell’operatività + uno studio di app di business — a fare la differenza tra una demo impressionante e un guadagno di produttività reale.

Conclusione: passare dal POC alla produzione

L’IA nella logistica non ha più bisogno di convincere: ha bisogno di essere industrializzata. I cinque casi d’uso presentati qui non sono né futuristici né sperimentali: sono già in produzione presso trasportatori che li utilizzano quotidianamente. La vera sfida, ormai, non è più «bisogna fare IA?» ma «come integrare l’IA nella mia operatività senza rompere ciò che già funziona?».

La risposta si riassume in tre principi: partire da casi d’uso con ROI misurabile, appoggiarsi su un TMS i cui dati siano puliti e accessibili, e scegliere un’IA che potenzi gli operatori invece di pretendere di sostituirli. È esattamente la filosofia che guida lo sviluppo di Walter e Walter Apps in Everest — ed è ciò che permette ai nostri clienti di trasformare, oggi, il proprio dispatch con l’IA.