L’Intelligenza Artificiale ha ancora molto da dare al mondo della logistica e sono in buona parte ancora da esplorare i benefici che algoritmi di ottimizzazione dei processi e Large language model nell’ambito della comunicazione possono assicurare alle imprese del comparto. Vale anche se non soprattutto per la distribuzione farmaceutica, oggi più che mai interessata a tutte quelle innovazioni che promettono razionalizzazioni e contenimento dei costi a fronte di marginalità sempre più risicate. Rappresenta dunque una sperimentazione da mettere sotto la lente lo studio che ha coinvolto per un anno Phoenix Pharma Italia, la holding del gruppo europeo Phoenix, e Profiter srl, startup deeptech nata nel 2020 con il supporto iniziale della Regione Puglia seguito da investimenti esteri dall’Australia, Estonia e California (Università di Berkley).
Il progetto pilota, avviato a giugno 2024 e conclusosi nel giugno 2025, ha messo a confronto il sistema di riordino previsionale di Phoenix Pharma Italia – 23 unità distributive e due hub logistici, per 28mila consegne giornaliere e un assortimento di oltre 90mila referenze – e l’algoritmo proprietario di Profiter, specializzata nello sviluppo di soluzioni AI di ultima generazione per demand forecasting (previsione della domanda), riordino e dynamic pricing (determinazione dinamica dei prezzi). Obiettivo, misurare con rigore scientifico l’accuratezza delle previsioni formulate dall’AI e tradurre le differenze in un impatto economico concreto sulla gestione dello stock.
La fase preparatoria ha richiesto un intenso lavoro di armonizzazione dei dati per evitare distorsioni nella comparazione. È stata così ricavata una base dati uniforme (circa mille referenze, campionate sulle vendite del secondo semestre 2023) che ha alimentato le due piattaforme per mettere infine a confronto le rispettive prestazioni.
I risultati tecnici hanno dato ragione all’AI di Profiter: il miglioramento del potere previsionale si è tradotto in un Wmape (Weighted mean absolute percentage error, Errore percentuale assoluto medio ponderato) più basso rispetto alle previsioni sviluppate con algoritmi tradizionali, con un vantaggio evidente su circa il 64 % dei prodotti analizzati. Numeri che diventano ancora più concreti una volta applicati alle due classiche formule di gestione “Just In Time” (arrivo delle merci esattamente nel momento del fabbisogno, con riduzione dei costi di magazzino e giacenza) ed “Economic Order Quantity” (dimensione ottimale dell’ordine che bilancia il costo di emissione e il costo di mantenimento delle scorte). Il risultato è una “Total Cost Function (ossia la somma di tutte le voci di spesa legate alla gestione del magazzino) che integra il costo di mantenimento, il costo di emissione degli ordini e le perdite da stock-out (valorizzate al 5 % del prezzo di vendita).
Lo studio, in sintesi, mostra che su un paniere di 819 prodotti con un costo operativo annuo di circa 338mila euro, l’adozione degli algoritmi basati sull’ AI avrebbe generato un risparmio potenziale di 26.673 euro l’anno, pari a un miglioramento complessivo del 7,9 %. Estendendo la proiezione all’intero portafoglio – circa 28mila referenze per un costo operativo annuo stimato di 11,4 milioni di euro – il risparmio potenziale supererebbe i 900mila euro all’anno.
Nel dettaglio, spiegano Phoenix e Profiter, i benefici si articolano in tre componenti:
– una riduzione del 5 % dei costi di magazzino, grazie a previsioni più aderenti alla domanda reale;
– un miglioramento del 17,6 % nella gestione degli stock-out, diminuendo le vendite mancate e garantendo maggiore continuità di servizio;
– un leggero incremento del 5,1 % nel costo di riordino, dovuto a ordini più frequenti ma compensato ampiamente dai risparmi complessivi.
Particolarmente interessante è il tema del dynamic pricing, ovvero la capacità dell’algoritmo di adattare in tempo reale i prezzi di riordino in funzione delle variazioni della domanda e dei costi di approvvigionamento: la pratica non consiste in un mero aumento o diminuzione dei prezzi, ma rappresenta piuttosto uno strumento per ottimizzare il mix costo-volume e ridurre l’incidenza degli stock-out, mantenendo la marginalità.
«La collaborazione con Phoenix Pharma Italia è stata un banco di prova importante per il nostro sistema», commenta Osvaldo Mauro, ceo e co-founder di Profiter srl «in un contesto dove la precisione logistica può fare la differenza tra efficienza e spreco, crediamo che la previsione della domanda debba essere trattata come un asset strategico, misurabile e migliorabile nel tempo».
«Siamo stati felici di trovare in Profiter un’azienda pronta a tradurre i risultati dell’AI, a volte poco tangibili, in una stima di risultati economici concreti» aggiunge Federico Pasquali, head of Inventory management di Phoenix Group «passare da un miglioramento di forecast della domanda alla sua traduzione quantitativa verso una riduzione dei costi, è stato importante, con particolare riferimento alla riduzione degli stock-out, tema sensibile sia per noi sia per i nostri clienti».
Questa sperimentazione rappresenta un primo, significativo passo verso l’adozione su larga scala di tecnologie di AI nella logistica farmaceutica. Il protocollo condiviso e i risultati ottenuti offrono alla filiera del farmaco un quadro chiaro dei benefici – sia in termini di efficienza operativa sia di contenimento dei costi – e tracciano la strada per future implementazioni.
L’articolo Logistica e AI avanzata, da Phoenix e Profiter studio che misura la differenza proviene da Pharmacy Scanner.