Come Target usa l'IA per scorte, strumenti di negozio e assistenti d'acquisto

Target ha pubblicato più dettagli sui propri strumenti di IA generativa della maggior parte dei retailer: assistenti per i team di negozio, consigli su regali e acquisti per i clienti, un'app dentro ChatGPT e un sistema di scorte basato sulla data science. Non ha pubblicato risultati quantificati e nessuna delle fonti esaminate isola l'abbigliamento. Questo caso di studio descrive quindi l'approccio all'IA di Target nell'insieme del retail e ciò che implica per l'abbigliamento.

Come usa Target l'IA nella supply chain e nelle scorte?

In un'intervista a Fortune pubblicata il 26 novembre 2025, il chief information and product officer Prat Vemana ha dichiarato che Target usa un sistema di gestione delle scorte guidato dalla data science che copre circa 2.000 negozi e centinaia di migliaia di prodotti, con l'obiettivo di allineare le scorte alla domanda attesa. Il primo ambito sono gli articoli ad alta frequenza come cereali o intimo, prodotti acquistati ripetutamente e per i quali la previsione è relativamente stabile.

Gli articoli ad alta frequenza sono un punto di partenza più semplice rispetto alla moda, con i suoi cicli di vita brevi: un promemoria del fatto che i modelli di scorte collaudati nel retail non si trasferiscono automaticamente all'abbigliamento. Target ha inoltre dichiarato di voler aumentare di 1 miliardo di dollari gli investimenti dell'esercizio successivo, a circa 5 miliardi, per nuovi negozi, ristrutturazioni e tecnologie focalizzate su merchandising, supply chain e operazioni di negozio.

Quali strumenti di IA usano i team di negozio di Target?

Store Companion è un chatbot proprietario di IA generativa, segnalato per la prima volta nell'agosto 2024, che risponde a domande sui processi operativi, affianca i nuovi collaboratori e supporta la gestione delle operazioni di negozio. Nell'annuncio di OpenAI del novembre 2025, Target ha indicato Agent Assist e Store Companion come strumenti che aiutano i team dei centri di assistenza e dei negozi a servire i clienti, compresi il price matching, l'avvio dei resi e la risoluzione dei problemi.

Target ha introdotto ChatGPT Enterprise per circa 18.000 dipendenti della sede centrale. Circa 4.300 dipendenti hanno partecipato a sessioni di formazione e Vemana ha dichiarato che il 92 per cento si è detto soddisfatto. L'azienda ha inoltre dichiarato di aver implementato diversi casi d'uso di IA agentica, soprattutto per richieste di assistenza clienti e flussi di lavoro IT.

Leggi anche

Che cosa ha comunicato Columbia Sportswear su IA, pianificazione e supply chain

Come usa Target l'IA per servire i clienti?

Bain, che ha lavorato con Target sui primi casi d'uso di IA generativa, riferisce che Target usa l'IA generativa per arricchire centinaia di migliaia di pagine prodotto di Target.com con riepiloghi delle recensioni e titoli e descrizioni rivisti. Bullseye Gift Finder, di cui RetailWire ha riferito l'11 dicembre 2024, consiglia regali per bambini scegliendo tra migliaia di idee in base a età, hobby e marchi preferiti.

Il 19 novembre 2025 OpenAI ha annunciato che Target avrebbe lanciato un'app Target dentro ChatGPT, in cui i clienti possono sfogliare, comporre carrelli con più articoli e fare la spesa di prodotti freschi, con pagamento tramite Drive Up, Order Pickup o spedizione. Vemana ha detto a Fortune che Target vuole essere presente ovunque i clienti pongano domande, compresi ChatGPT, Perplexity e Gemini. È un primo esempio di retailer che si prepara alla scoperta mediata dall'IA.

Che cosa implica l'approccio di Target per fornitori e marchi di abbigliamento?

Le dichiarazioni di Target mostrano che un grande retailer lavora su come i suoi prodotti compaiono negli assistenti di IA e su come li usa il proprio personale. Ne derivano due implicazioni per i marchi che vendono attraverso retailer come questo. Primo, la qualità dei contenuti di prodotto conta: titoli, descrizioni e attributi alimentano sia i riepiloghi generativi sul sito sia gli assistenti esterni. Secondo, i retailer stanno costruendo assistenti interni che rispondono a partire dai propri dati, quindi le informazioni dei fornitori devono essere accurate e coerenti tra i canali.

C'è anche una cautela sui modelli di scorte. Target è partita dagli articoli ad alta frequenza, dove la domanda è costante e lo storico ricco. La moda ha vite più brevi, più varianti e più resi. La scelta di un retailer di iniziare altrove suggerisce che l'abbigliamento sia un problema di previsione più difficile, non che sia inadatto.

Quali rischi comporta l'approccio di Target?

Introdurre un assistente generativo per 18.000 dipendenti e un assistente d'acquisto per i clienti crea diverse esposizioni che le fonti menzionano solo indirettamente. Gli assistenti possono dare risposte errate su price matching, resi o attributi dei prodotti, e i collaboratori possono condividere dati riservati con strumenti esterni. Target afferma che ChatGPT Enterprise è progettato per lavorare in sicurezza con i suoi dati proprietari, il che risponde in parte al problema, ma è una dichiarazione del fornitore e va letta come tale.

Esiste anche un rischio di concentrazione. Diversi strumenti sono stati sviluppati con OpenAI, e l'app in ChatGPT lega l'esperienza dei clienti di Target a un'interfaccia di terzi le cui regole possono cambiare. Per i marchi la lezione è mantenere sotto il proprio controllo dati di prodotto, relazioni con i clienti e misurazione, in modo da poter aggiungere o sostituire nuove interfacce senza ricominciare da capo.

Leggi anche

Come usa Decathlon l'IA per la previsione della domanda e la pianificazione degli approvvigionamenti

Quali sono i limiti delle evidenze?

• Nelle fonti esaminate Target non ha pubblicato risultati su conversione, margine o ribassi per questi strumenti.
• L'attenzione iniziale del sistema di scorte agli articoli ad alta frequenza dice poco sull'abbigliamento.
• Diverse descrizioni provengono da annunci di partner, come OpenAI e Bain, che hanno interesse a mostrare il successo.

L'approccio di Target mostra comunque lo schema seguito da molti grandi retailer: partire da produttività interna e strumenti di negozio, aggiungere assistenti rivolti ai clienti e poi estendersi alle superfici di agenti esterni. Per i team dell'abbigliamento la lezione rilevante è la base di dati: titoli, descrizioni e attributi dei prodotti che Target migliora con l'IA generativa sono gli stessi input letti dagli assistenti esterni.