AI applicata al field audit: dove funziona, dove no
Siamo nel 2026 e quasi ogni vendor di servizi audit mette la sigla AI nella propria presentazione. Alcune volte è marketing, altre volte è davvero in produzione. Questa nota prova a raccontare, con l'occhio di chi gestisce una piattaforma di field audit sul campo, cosa dell'intelligenza artificiale applicata agli audit ha senso mettere in produzione oggi e cosa conviene invece ancora gestire con revisione umana.
Scoring automatico delle non-conformità: in produzione, con cautela
La classificazione automatica di una non-conformità in critica, maggiore o minore è oggi un problema ben posto. Ha una taxonomy chiara (di solito ereditata dallo standard ISO 19011 o da capitolati interni), ha dati di training sufficienti se la rete di auditor è ampia e matura, ha una metrica di valutazione onesta (accuracy e matrice di confusione su un set di non-conformità etichettate a mano). Nella nostra esperienza un modello lineare tarato sul lessico della check-list, integrato con alcune feature numeriche — scostamento dalla media di rete, ricorrenza della non-conformità sul PV — arriva a un'accuracy sopra il 90% e sostituisce bene il triage umano di primo livello. Il caveat: vale solo per taxonomy mature. Quando il cliente porta un capitolato nuovo, l'accuracy crolla per qualche settimana; il modello va riallineato con un set di casi reali.
Quality check sulle foto: maturo in alcuni domini, meno in altri
Per un audit di retail, controllare che la foto della "corsia promo" corrisponda davvero a una corsia promo — e non a una corsia generica scattata frettolosamente — è oggi fattibile con modelli di object detection off-the-shelf, fine-tuned su alcune migliaia di esempi. Funziona bene sulle categorie visivamente distintive: scaffale POP, espositori a isola, banco frigo, cartellonistica. Funziona meno bene sui dettagli che contano nel HACCP — una guarnizione consumata, un condensatore sporco, una traccia di presenza di infestanti — dove la variabilità visiva è alta e i modelli generalisti faticano. Nei domini critici il QA automatico funziona come filtro di scrematura, non come decisore: se la foto sembra coerente passa, se sembra incoerente va in coda umana, non viene scartata direttamente.
Outlier detection: semplice, utile, sottovalutato
L'area dell'AI che produce più valore con meno sforzo è banale: identificare gli audit che statisticamente si discostano dal comportamento medio del network. Un auditor che chiude i record 40% più velocemente della media, o un PV in cui il 100% delle voci risulta conforme quando la media di rete è al 78%, sono segnali che meritano attenzione umana prima che il report arrivi al cliente. Algoritmi banalissimi — z-score sulle feature operative, clustering sugli pattern di compilazione — fanno l'80% del lavoro. In molti casi il problema non è scoprire l'anomalia, è avere la disciplina di alimentare il modello con feature reali dei record e non con finte metriche cosmetiche.
Predizione dei trend: attraente, ancora immatura
Prevedere il tasso di non-conformità nei prossimi sei mesi per un determinato format di PV è una cosa che i clienti amano tantissimo sentirsi dire. Nella pratica, al livello di maturità attuale dei dati di audit — pochi anni di storico, volatilità esogena (COVID, guerra, inflazione, nuovi entrant), capitolati che cambiano — le performance predittive sono modeste. Noi usiamo i trend più come riferimento descrittivo (dove stiamo andando, a parità di condizioni) che come strumento predittivo di decisione. Chi vende predizione di serie storiche su field audit con claim forti, nella maggior parte dei casi sta overfittando su un passato recente.
Generative AI nei report: utile, ma con controllo umano finale
Usare un LLM per comporre la sezione narrativa di un report — "in questo trimestre i punti vendita di area nord-ovest hanno mostrato un miglioramento del 12% sull'execution index, trainato soprattutto dal recupero sulle promo frutta e verdura" — oggi funziona bene. Velocizza enormemente il lavoro dell'analista. Però gli LLM restano strumenti che hanno bisogno di sorveglianza: nel field audit un errore narrativo ("Roma ha peggiorato" quando "Milano ha peggiorato") ha un costo di credibilità che un LLM non percepisce. Il pattern che funziona è: LLM genera bozza, analista valida, poi si pubblica. Mai il contrario.
Dove l'AI non va usata
Tre casi in cui, nel 2026, conviene ancora stare lontani dall'automazione. Primo: la classificazione di criticità nei domini regolamentati da autorità pubbliche — HACCP, GDPR, sicurezza sul lavoro. Un modello AI può suggerire, un professionista deve firmare. Secondo: i casi in cui il dato di training è numericamente troppo piccolo o troppo distorto — per esempio la prima applicazione di un capitolato nuovo in un settore nicchia. Terzo: le situazioni in cui il costo di un falso negativo è molto alto e asimmetrico rispetto a un falso positivo — come un lotto con un problema di tracciabilità sanitaria che viene erroneamente marcato come conforme.
Come dovrebbe essere letta l'AI in un contratto di field audit
Da cliente, leggere un contratto di field audit che menziona "AI" senza specifiche è oggi un segnale di scarsa maturità del vendor. Le domande da fare sono semplici: quali decisioni vengono prese dal modello senza revisione umana? Qual è la metrica di performance del modello e con che frequenza viene ricalcolata? Cosa succede quando il modello sbaglia, a chi finisce in carico il costo di un errore non intercettato? Chi si è preso il tempo di rispondere a queste tre domande nero su bianco sta probabilmente mettendo AI in produzione in modo serio. Chi rimbalza le domande su generiche "architetture proprietarie" sta vendendo, non ingegnerizzando.
Il takeaway
L'AI non trasforma un servizio di field audit da un giorno all'altro; lo rende più veloce, più economico e meno soggetto a errori grossolani in alcuni specifici punti del processo. Nel 2026, l'impianto migliore è quello ibrido: modelli che filtrano e precategorizzano, umani che decidono e firmano. Il resto è ancora materiale da roadmap, non da produzione.