Dai progetti pilota di intelligenza artificiale alle AI Operations: come i leader di retail e manifatturiero sfruttano l’Agentic AI
La fase di sperimentazione è finita. Ad Accelerate 2026, il messaggio dei leader di settore è stato chiarissimo: il futuro dell’intelligenza artificiale non è più un esercizio teorico, ma una necessità operativa, e le aziende più avanzate l’hanno già resa parte integrante delle funzioni di base. Nel solo settore retail, il 58% delle aziende sta già implementando attivamente l’intelligenza artificiale. Sempre più spesso i consumatori acquistano tramite agenti che non hanno mai visitato il sito web di un brand. E nel settore manifatturiero alcune aziende stanno implementando agenti basati su intelligenza artificiale come knowledge base live e interrogabili, per compensare la perdita di know-how aziendale, mentre si prevede che entro il 2030 resteranno scoperti milioni di posti di lavoro specializzati.
Per i leader del retail e del settore manifatturiero, la scelta è chiara: l’intelligenza artificiale è una priorità operativa critica. Le organizzazioni presenti ad Accelerate 2026 non si sono limitate a parlare di progetti pilota: hanno mostrato workflow agentici pronti per la produzione, che stanno cambiando i modelli di business in tempo reale.
Il grande cambiamento: dalla ricerca agli agenti
I report Snowflake Data Trends 2026 non lasciano spazio a dubbi: siamo entrati nell’Era dell’Agentic AI. Nel retail, il modello tradizionale del commercio digitale sta cambiando, perché i consumatori scelgono sempre più la conversazione al posto della ricerca. Come ha osservato Shanthi Rajagopalan, Global Head of Strategy for Retail & Consumer Goods di Microsoft, durante il nostro executive panel con Microsoft a NRF 2026, “Nel retail tradizionale abbiamo sempre pensato ai negozi e agli immobili come location, location, location. E quando siamo passati al digitale e all’ecommerce, è diventato tutto search, search, search”. Tuttavia, come ha aggiunto Rajagopalan, “Quello che stiamo vedendo davvero oggi è un nuovo cambiamento: i consumatori si affidano sempre di più alle interfacce conversazionali per scoprire i prodotti e acquistare”.
Questa nuova realtà, questo cambiamento profondo nei processi e nelle regole del retail, richiede un’evoluzione altrettanto importante nel modo in cui i retailer gestiscono i dati. “Oggi gli acquirenti ci forniscono molte più informazioni su chi sono e su cosa vogliono”, ha dichiarato Rajagopalan. “Come settore, dobbiamo capire come tradurre questi segnali in linguaggio naturale in metadati utilizzabili”.
Nel settore manifatturiero, il cambiamento è stato altrettanto radicale: si passa da fogli di calcolo statici e dati isolati all’intelligenza artificiale nei sistemi embedded. Qui l’intelligenza artificiale non è solo uno strumento: è l’unico piano di successione davvero praticabile per una forza lavoro che sta vivendo un’ondata di uscite senza precedenti. La ricerca anticipava ciò che Accelerate 2026 ha confermato: i leader presenti non stavano eseguendo progetti pilota, ma valutavano con attenzione come diventare organizzazioni più intelligenti, più rapide e più efficienti, con casi d’uso di AI mirati.
Retail: l’agentic commerce che avanza e la corsa a restare visibili
L’agentic commerce è il cambiamento chiave dell’anno. In una recente intervista, Michele Fisher, Global Director of Business Strategy for Retail and Consumer Goods di Microsoft, ha spiegato perché i retailer devono ripensare a come i consumatori li raggiungono, per restare visibili nel passaggio da un approccio omnicanale all’agentic commerce. I brand che non hanno progettato il proprio spazio semantico rischiano di diventare invisibili agli agenti che acquistano per conto dei clienti.
Shalion, leader nelle ricerche di mercato, ha mostrato quanto sia importante prepararsi a questo cambiamento nei comportamenti dei consumatori grazie al proprio layer di intelligenza artificiale conversazionale, chiamato Maestro. Come ha spiegato Alejo Buxeres Solder, CDO di Shalion, la vera svolta non è l’LLM in sé, che a suo avviso è ormai diventato una commodity, ma il layer semantico Snowflake governato che sta sotto. Questa architettura consente ai brand manager di porre domande complesse, come “Perché la mia quota di mercato è scesa in Spagna la settimana scorsa?”, e ottenere risposte immediate, basate sui dati.
Oggi i retailer si concentrano su Answer Engine Optimization (AEO) e Generative Engine Optimization (GEO), sostituendo la SEO tradizionale basata su keyword per aumentare la visibilità verso gli agenti di shopping. In altre parole, questi retailer cercano di guardarsi con gli occhi dell’agente di shopping e ottimizzano per le domande chiave, non per le parole chiave, così da far emergere i propri prodotti in modo più efficace per questi agenti. E, come ha osservato Kelly Thompson, ex Chief Merchant di Walmart, ogni caso d’uso di intelligenza artificiale deve essere quantificabile, generare ricavi, ridurre i costi o migliorare la produttività, prima di allocare risorse. Come nel settore manifatturiero, anche per i retailer è centrale il passaggio dai progetti pilota ad applications di intelligenza artificiale trasformative e orientate al business.
Settore manifatturiero: trasformare i processi con operazioni agentiche
L’analisi tradizionale della qualità esamina i difetti in modo isolato, valutando separatamente variabili in silos e perdendo gli effetti di rete, in cui le cause radice dipendono dall’interazione di più fattori. Quando un produttore riesce a ricondurre un difetto a un fornitore specifico o a una fase del processo, spesso sono già passati giorni.
Tripp Smith, Manufacturing Field CTO di Snowflake, ha presentato una soluzione di Process Traceability basata su Graph Neural Network (GNN), un approccio che modella l’intero processo manifatturiero, fornitori, materiali, stazioni e difetti, come una rete interconnessa. Oggi l’analisi delle cause radice, che prima richiedeva giorni, si completa in pochi minuti, con la possibilità di prevedere il rischio di difetti prima dell’avvio della produzione.
Nel settore manifatturiero, la posta in gioco si misura in uptime e precisione. Smith ha mostrato la potenza di GraphSage, una rete neurale che gira su GPU NVIDIA e tratta l’intera supply chain, fornitori, stazioni, materiali e difetti, come un grafo interconnesso.
Unificando i dati IT e OT in un unico namespace, aziende come WolfSpeed e Lindt Chocolate sono andate oltre l’analisi di variabili indipendenti. WolfSpeed ha implementato con successo 12 agenti Snowflake Intelligence, trasformando task di analisi che richiedevano una settimana in indagini istantanee sulle cause radice. La possibilità di ricondurre un difetto a un fornitore specifico o a un aggiustamento di processo in pochi secondi è emblematica della potenza del settore manifatturiero autonomo.
Lo stesso cambiamento sta interessando anche i servizi industriali. United Rentals, che gestisce flotte di attrezzature in oltre 1.600 filiali, ha implementato un Business Intelligence Agent su Snowflake Intelligence che consente ai responsabili di filiale e ai team regionali di porre domande in linguaggio naturale sui dati operativi e finanziari in tempo reale, eliminando il collo di bottiglia dell’analisi manuale che prima rallentava le decisioni sul campo.
Il vantaggio agentico, dimostrato in ogni settore
Retail e settore manifatturiero non sono gli unici comparti a vivere trasformazioni profonde grazie all’intelligenza artificiale. L’esperienza è ormai universale:
Servizi finanziari: Gli sciami di agente AI per gli asset manager riducono i workflow di gestione del portafoglio e analisi dei dati sul rischio da settimane a pochi istanti.
Healthcare e Life Sciences: Innovalon sta riducendo da settimane a minuti le revisioni di cartelle cliniche da 200 pagine grazie all’autorizzazione preventiva agentica.
Advertising, Media and Entertainment: Warner Music Group utilizza Cortex Code per consentire ai team di analisti di sviluppare dashboard e viste semantiche senza supporto del team di engineering.
Settore pubblico: Enti come il Township of King stanno facendo emergere risultati operativi, come la conformità nella manutenzione dell’illuminazione stradale, che prima restavano nascosti tra centinaia di KPI.
Cosa fanno di diverso i leader di settore
Partono dai risultati: Definiscono i casi d’uso in base ai tre ambiti citati da Kelly Thompson, generare ricavi, ridurre i costi e migliorare la produttività, prima di scegliere qualsiasi Technology.
I dati come prerequisito: Considerano la maturità dei dati (namespace unificati e layer semantici governati) un prerequisito per il deployment di un agente AI, non un progetto successivo.
Focus su workflow specifici: Partono da workflow specifici e ad alto valore (un catalogo prodotti, un archivio di commenti di turno) invece di strategie generiche di intelligenza artificiale.
Misurazione operativa: Misurano l’Agentic AI in base a un risultato di business quantificabile, non a un KPI di Technology.
Come ha osservato Luv Kothari, General Manager for Forward Deployed AI Engineering di Snowflake, le organizzazioni di successo ottengono un impatto a livello di utili in tre-sei mesi, passando da query tattiche a operazioni strategiche guidate da agente AI.
Il percorso da seguire
La fase di sperimentazione è finita. È iniziata l’era dell’esecuzione.
Per vedere l’agentic commerce in produzione, guarda la sessione Retail Accelerate on-demand e scopri Maestro in azione. Guarda la sessione settore manifatturiero per vedere come Tripp Smith ha tracciato un difetto con una demo live di GraphSage. Poi scarica gli ebook Trend dati 2026 per manifatturiero e retail/beni di consumo per capire quali sono gli aspetti più importanti da conoscere sul futuro dell’intelligenza artificiale in questi settori.
La domanda non è più se la tua organizzazione adotterà l’Agentic AI. Ma quanto rapidamente riuscirai a renderla operativa per restare davanti agli altri.
Scarica l’ebook Data Trends 2026 per il tuo settore:
