Risultati in sintesi
- Scala: 5.000+ referenze monitorate e previste ogni giorno — prima, una revisione settimanale su foglio di calcolo di una frazione del catalogo
- Costo: ~$0,0005 per previsione di prodotto (GPT-4o-mini) — l'intero run giornaliero costa meno di un caffè
- Controllo: gli ordini ai fornitori vengono preparati dall'agente e approvati da una persona — ogni decisione tracciata e verificabile
- Stack: agente tool-use LangChain · GPT-4o-mini · Supabase pgvector · LangSmith
Il problema
Il magazzino nella moda non perdona: ordini troppo e il capitale resta bloccato nell'invenduto; ordini troppo poco e perdi la stagione. Pellemoda lo gestiva come la maggior parte delle PMI — fogli di calcolo, punti di riordino manuali e personale esperto che decideva sotto pressione. La conoscenza viveva nella testa delle persone, i dati in posti scollegati, e una revisione umana poteva coprire solo una fetta del catalogo alla volta.
Non serviva una dashboard per guardare il problema. Serviva qualcosa che agisse.
Come funziona
Il sistema è un agente multi-step tool-use costruito con LangChain — non un singolo prompt, ma un agente che ragiona sullo stato corrente, decide cosa verificare e agisce attraverso strumenti reali. Ogni run giornaliero:
- Ingerisce livelli di scorte e storico vendite dai sistemi aziendali
- Prevede la domanda per SKU — pattern storici e stagionalità proiettati in avanti, circa 1.500 token in input / 400 in output per prodotto (~$0,0005 l'uno con GPT-4o-mini)
- Classifica la salute delle scorte — segnala gli articoli che scivolano verso rottura di stock o eccesso, con il perché allegato, non solo il numero
- Prepara le azioni verso i fornitori — quando serve un riordino, l'agente prepara l'ordine con il suo ragionamento
- Aspetta una persona — le azioni consequenziali restano in una coda di approvazione; il team rivede la bozza e la motivazione, poi approva con un click
I dati di prodotto sono embeddati in Supabase pgvector (~5.000 record — a questa scala non serve un vector database dedicato), e ogni run è tracciato in LangSmith: di ogni decisione si può verificare a posteriori cosa l'agente ha visto, cosa ha ragionato, cosa ha proposto e chi ha approvato.
Essendo un agente tool-use e non uno script rigido, gestisce le decisioni multi-step e ambigue che un motore a regole non regge — e poiché la persona resta nel loop sugli ordini, il team si fida di ciò che parte.
I risultati
- La copertura è passata da parziale e settimanale a totale e giornaliera — ogni SKU, ogni giorno, invece di una revisione su foglio di calcolo degli articoli più urgenti quando c'era tempo.
- Le decisioni di stock partono da una previsione, non da una reazione — l'agente fa emergere gli articoli fuori rotta giorni prima di quanto facesse il processo manuale.
- La conoscenza istituzionale che viveva nella testa dello staff — quali articoli hanno picchi stagionali, quali fornitori richiedono lead time — è codificata in un sistema che gira ogni giorno senza che nessuno glielo chieda.
- Il costo di esercizio è trascurabile: il passaggio completo di previsione giornaliera sull'intero catalogo costa ben meno di un dollaro.
Vuoi lo stesso risultato?
Se hai un processo ripetitivo e pieno di giudizio che oggi fa una persona — prevedere, monitorare, sollecitare, riconciliare — è molto probabile che un agente possa occuparsene, con il tuo team che mantiene l'approvazione su ciò che conta. Prenota una call di 30 minuti e scopriamolo.