Nel retail omni-channel ogni vendita attraversa più canali, percorsi di fulfillment e modalità di reso, e questo ha ridistribuito margine, cassa e decisioni di markdown su una superficie molto più ampia e mutevole. In un post sul suo blog, Databricks argomenta che nell’era del commercio agentic questa complessità aumenta ulteriormente, perché sempre più decisioni — come si fissa un prezzo, come si impiega la cassa, quando scatta un markdown — sono plasmate da agenti. L’azienda cita una previsione di Gartner secondo cui l’agentic AI prenderà il 15% delle decisioni operative quotidiane entro il 2028.
Il punto interessante per chi lavora con data stack non è il prodotto in sé, ma il ragionamento su contesto e governance. Databricks insiste su una distinzione: un numero può essere accurato e comunque non corretto, se poggia su una fotografia parziale o datata di come funziona davvero il business.
Perché l’ontologia diventa una parola da CFO
Qui entra il concetto di ontologia: catturare il significato dei dati (definizioni, canali, cost driver) e mantenerlo aggiornato mentre il business cambia. Come sintetizza il CEO Ali Ghodsi, gran parte dell’AI enterprise “tira a indovinare con falsa sicurezza”: un problema di contesto, non di intelligenza. In un contesto omni-channel dove il tempo reale è fondamentale, l’ontologia deve restare viva, imparando dai sistemi che l’azienda usa e affinandosi a ogni domanda.
Databricks posiziona Genie come un AI coworker data-smart: un collega a cui il finance pone una domanda diretta e ottiene una risposta tracciabile e con le fonti, ancorata all’ontologia e governata a ogni passo. L’articolo lo declina su tre domande ricorrenti dei team finance retail: dove sta atterrando davvero il margine per canale e prodotto, dopo fulfillment e resi; dove la cassa è immobilizzata in scorte in eccesso, invecchiate o nel posto sbagliato; dove il ricavo a prezzo pieno scivola verso markdown e resi. I tre esiti si rinforzano a vicenda: liberare cassa prima che lo stock invecchi, tenere il prezzo pieno dove la domanda regge.
Umano nel loop e un esempio concreto
Un aspetto sottolineato è il confine di ruolo: Genie non decide prezzi, promozioni o markdown — quelle scelte restano a merchandising, marketing, supply chain e operations. Prepara la mossa (riprezzare, trasferire stock, tenere il prezzo) e una persona nel loop decide. Come esempio, Unilever ha portato Genie a oltre 1.200 utenti tra finance e business, spostando l’analisi dai fogli di calcolo a domande in linguaggio naturale; secondo l’azienda, alla scala Unilever quella velocità nel testare ipotesi dovrebbe tradursi in un cost avoidance annuo di diversi milioni di euro.
- La differenza chiave non è accuratezza ma correttezza: una risposta ha valore solo se radicata nel contesto di canale, domanda e cost-to-serve.
- Ontologia e governance servono a rendere una risposta sicura su cui agire: ogni cifra tracciata, ogni permesso rispettato, costo dell’AI sotto controllo.
- Il modello resta human-in-the-loop: l’AI anticipa il rischio e prepara l’azione, ma la decisione operativa resta alle funzioni di business.
Fonte: How Retail Finance teams are using Agentic AI to protect omni-channel margins — https://www.databricks.com/blog/how-retail-finance-teams-are-using-agentic-ai-protect-omni-channel-margins
Hai qualcosa da aggiungere? Unisciti alla discussione.