
Elogy costruisce l’impresa AI-Ready: dati, conoscenza e processi insieme
A Pomezia, alle porte di Roma, oltre 11mila mq tra aree coperte e operative ospitano scaffali, nastri, operatori e mezzi che ogni giorno gestiscono migliaia di spedizioni per conto di aziende e-commerce.
L’operatore logistico romano sta collegando conoscenza aziendale, dati operativi e piattaforma proprietaria in un unico contesto accessibile alle macchine. Il primo test, su decine di migliaia di indirizzi reali, ha prodotto un risultato inatteso: nel caso più grosso la risposta giusta non era automatizzare.
A Pomezia, alle porte di Roma, oltre undicimila metri quadrati tra aree coperte e operative ospitano scaffali, nastri, operatori e mezzi che ogni giorno gestiscono migliaia di spedizioni per conto di aziende e-commerce. È la parte visibile di eLogy, società italiana fondata nel 2019 da Marco Lanzoni e Giorgio Fioravanti e specializzata nella logistica per il commercio elettronico. Accanto a questa infrastruttura ne sta crescendo un’altra, che non movimenta merci ma informazioni: raccoglie procedure, decisioni, contratti, dati operativi, anomalie e responsabilità, per trasformare ciò che l’organizzazione sa in un contesto comprensibile anche a un software.
«Il punto non è mettere un chatbot a disposizione dei dipendenti e aspettarsi che da solo trasformi l’azienda», dice Marco Lanzoni, fondatore di eLogy. «Se i costi sono nel gestionale, le decisioni nelle chat, i contratti nei PDF e una parte della conoscenza resta nella testa delle persone, l’AI continua a vedere frammenti. Prima di chiedere alle macchine di agire bisogna rendere l’organizzazione comprensibile alle macchine.»
I numeri dicono che il problema è comune. Secondo l’Istat, nel 2025 usa almeno una tecnologia di intelligenza artificiale il 16,4% delle imprese italiane con almeno dieci addetti, il doppio dell’anno prima. Ma chi la usa la usa quasi sempre per leggere e per scrivere: analisi di testi e documenti nel 70,8% dei casi, generazione di contenuti nel 59,1%, mentre l’automazione dei processi si ferma al 5,9%. Il MIT Media Lab ha misurato dove porta questo squilibrio: su trecento progetti aziendali di AI generativa, il 95% non ha prodotto un impatto misurabile sui conti, e la causa quasi mai è il modello — sono i dati non pronti e il processo che non li integra.
eLogy sta lavorando su quella distanza. Il primo elemento è una memoria condivisa dell’organizzazione, strutturata per essere letta due volte, dalle persone e dal software, con ogni modifica attribuita a chi l’ha fatta. Il secondo è il collegamento ai dati transazionali della piattaforma proprietaria, che già gestisce ordini, spedizioni, integrazioni con gli e-commerce, corrieri e tracking. La sequenza ha cinque anelli: strutturare la conoscenza, collegarla ai dati operativi, individuare le anomalie, formulare l’azione e, dove l’intervento è standardizzato e reversibile, eseguirla. Il programma riguarda tutta la rete europea, dagli hub italiani a quelli di Mataró e Pécs; il braccio spagnolo è amministrato dal co-fondatore Giorgio Fioravanti.
Il primo esperimento ha riguardato gli ordini che non possono essere affidati al corriere perché l’indirizzo del destinatario è incompleto. Prima di mettere in produzione qualcosa, l’azienda ha testato il sistema su decine di migliaia di indirizzi reali: il numero civico viene identificato correttamente in quasi nove casi su dieci quando è presente, e circa un quarto dei casi problematici può essere gestito in automatico. Il resto richiede un intervento umano. Il risultato più interessante però è arrivato guardando non il singolo errore ma il pattern: una quota rilevante dei blocchi proveniva dallo stesso negozio online, il cui modulo di acquisto non rendeva obbligatorio il numero civico.
«Una delle indicazioni più utili prodotte dall’analisi è stata, paradossalmente, quella di non automatizzare», osserva Lanzoni. «Se migliaia di anomalie hanno la stessa origine, costruire un sistema sempre più sofisticato per correggerle a valle può essere meno intelligente che eliminare la causa a monte.» Automatizzare un errore ricorrente rende più efficiente il processo; individuarne la causa può rendere inutile il processo stesso.
La differenza rispetto a un sistema di business intelligence è il verbo: la BI mostra che cosa è successo, un sistema contestualizzato prova a ricostruire perché. Con l’autonomia cresce però la questione di chi decide, e l’azienda distingue in partenza fra ciò che si può automatizzare, ciò su cui l’AI può formulare una raccomandazione e ciò che resta sotto responsabilità umana.
«Fra dieci anni sarà difficile trovare un’azienda che non usi l’intelligenza artificiale», conclude Lanzoni «La vera domanda è un’altra: quanto della tua azienda sarà comprensibile a una macchina? Perché un modello si può acquistare in pochi minuti. Il contesto dell’impresa, invece, deve essere costruito nel tempo.»











