P&G, dal piano turni di 8 ore a 20 minuti: la lezione dei dati integrati

Il 6 novembre 2026 IIoT World ha pubblicato un articolo basato su un'intervista video della serie CxO con Keith Moore, CEO di AutoScheduler.AI. Racconta come Procter & Gamble abbia ridotto la pianificazione giornaliera della forza lavoro nei magazzini da circa 8 ore per turno a 20 minuti. Va chiarito subito: la fonte è il fornitore stesso e i risultati non sono verificati in modo indipendente.

Il problema: un piano che dura dieci minuti

Nei campus produttivi di P&G, preparare il piano di un turno richiedeva circa otto ore. Spesso il piano saltava entro dieci minuti dall'inizio del turno, per guasti alle attrezzature, assenze o camion in ritardo. I movimenti delle navette tra gli edifici devono essere sincronizzati con precisione, quindi ogni ritardo costringeva a ripianificare.

La causa di fondo, secondo Moore, è la presenza di sistemi legacy a silos. Un sistema di gestione del lavoro e una soluzione separata di slotting raramente dialogano, benché l'efficienza della manodopera dipenda da dove si trova la merce e da quando arrivano i camion.

La soluzione: un livello semantico e il 20% locale

AutoScheduler.AI ha dedicato sei anni alla costruzione di un livello semantico che codifica il modo ottimale di operare di un magazzino e collega i dati di WMS ed ERP con le capacità delle attrezzature e le agende delle baie di carico. Questo livello automatizza circa l'80% delle decisioni, comuni a tutti i magazzini, ed è ciò che ha portato la pianificazione da 8 ore a 20 minuti.

Il restante 20% è specifico del singolo stabilimento: per esempio un sorter con regole di carico particolari o un flusso cross-dock attivo solo in certi giorni. Qui entrano in gioco i supervisori di reparto, privi di esperienza di programmazione, che su uno strumento no-code basato su AI hanno creato quasi 500 app personalizzate. La via tradizionale sarebbe un ciclo di sviluppo IT di circa sei mesi.

Un esempio concreto

Quando un carico è carente di prodotto, una di queste app consulta i dati SAP/ERP sulle spedizioni future verso quel cliente e suggerisce sostituzioni per proteggere il livello di servizio (fill rate). Ha sostituito un'attività manuale svolta da due persone e, secondo il racconto, il supervisore che l'ha ideata ha fatto risparmiare allo stabilimento 150.000 dollari entro due giorni dall'attivazione.

La fiducia passa dalla trasparenza

L'AI registra il proprio ragionamento in linguaggio semplice. Un supervisore esperto può ricostruire perché sia stata fatta una raccomandazione, contestarla e modificarne i parametri.

Una raccomandazione che si può spiegare e correggere ha più probabilità di essere usata in reparto.

Il consiglio: mappare le decisioni, non pulire all'infinito

Moore suggerisce di non rimanere intrappolati in bonifiche di dati senza fine. Meglio partire dalla mappa delle decisioni:

Per ogni area si chiede:

• che cosa viene deciso;
• perché viene deciso così;
• quali dati alimentano la decisione.

Poi si scelgono le aree di maggior valore da automatizzare, abbandonando i fragili fogli di calcolo.

Cosa ne traiamo per MES e monitoraggio

Il caso riguarda magazzino e logistica, non direttamente le linee di produzione, e le informazioni disponibili non indicano costi, tempi di implementazione né il numero di siti coinvolti. Gli spunti, tuttavia, sono trasferibili:

• Integrare i dati tra i sistemi elimina il collo di bottiglia più che aggiungere strumenti puntuali.
• Standardizzare le decisioni comuni e lasciare le eccezioni locali a chi lavora in reparto.
• Rendere trasparente la logica per conquistare la fiducia dei team.
• Mappare le decisioni prima dei dati: lo stesso approccio vale per i progetti MES e di monitoraggio della produzione.

Prima di valutare qualsiasi tecnologia, conviene dunque chiedersi quali decisioni oggi si prendono a mano, con quali dati e con quali fogli di calcolo: è il punto di partenza più concreto per un progetto di digitalizzazione.