SAP e Cyberwave hanno annunciato il deployment operativo di robot completamente autonomi e alimentati da AI in un magazzino logistico attivo di SAP a St. Leon-Rot, in Germania. Il deployment opera su SAP Logistics Management (LGM), la soluzione di esecuzione logistica cloud-native di SAP, e dimostra che il Physical AI non è più un concetto di ricerca: sta già generando miglioramenti misurabili nel throughput, con robot che eseguono in piena autonomia attività di piegatura delle scatole, packaging e adempimento delle spedizioni.
Per capire la rilevanza tecnica di questo deployment è necessario partire dal problema che rende la robotica logistica difficile rispetto ad altri contesti industriali. Gli ambienti logistici sono tra i più impegnativi per la robotica. I robot devono gestire oggetti diversi e di forma irregolare, piegare e imballare scatole, spostare pacchi, applicare etichette ed elaborare ordini di spedizione: attività che variano costantemente in termini di oggetti, layout e condizioni. I sistemi robotici tradizionali richiedono una programmazione manuale laboriosa per ogni variazione di task e spesso si inceppano quando le condizioni del mondo reale cambiano. Questo è il motivo per cui la robotica di magazzino ad alta variabilità è rimasta storicamente un problema irrisolto: i sistemi convenzionali funzionano bene in ambienti strutturati e ripetitivi, ma si rompono non appena le condizioni si discostano da ciò per cui sono stati programmati.
Cyberwave affronta questo problema con un approccio basato su tre strati tecnici distinti. Il primo è la raccolta di dati di training: la piattaforma consente agli operatori di raccogliere dati di addestramento rapidamente tramite interfacce di dimostrazione intuitive, catturando la variabilità di task che esiste nei reali ambienti di magazzino. Non si tratta di dataset sintetici costruiti in simulazione, ma di dati raccolti direttamente nell’ambiente operativo, con tutta la variabilità che questo comporta — orientamenti diversi degli oggetti, layout che cambiano, condizioni di luce e posizionamento non controllate.
Il secondo strato è il fine-tuning dei modelli: quei dati vengono usati per fare fine-tuning di modelli Vision-Language-Action (VLA) e Reinforcement Learning (RL), producendo policy robotiche che generalizzano attraverso tipi di oggetti, orientamenti e variazioni di workflow, senza semplicemente memorizzare movimenti scriptati. I modelli VLA sono una classe di architetture che integrano comprensione visiva, capacità linguistica e generazione di azioni motorie in un unico sistema — consentono al robot di “capire” cosa sta vedendo e di tradurlo in azioni fisiche appropriate, piuttosto che eseguire sequenze predeterminate. Il Reinforcement Learning aggiunge un layer di ottimizzazione continua: il robot non si limita a riprodurre le dimostrazioni, ma affina le proprie policy in base al feedback dell’ambiente reale.
Il terzo strato è il deployment e il miglioramento continuo: i modelli vengono deployati ed eseguiti su robot fisici con feedback loop in tempo reale che consentono un raffinamento continuo man mano che le condizioni evolvono. Questo trasforma il robot da sistema statico — addestrato una volta, poi immutabile — a sistema adattivo che migliora con l’uso.
Il risultato pratico di questa architettura è una riduzione drastica dei tempi di setup: mentre i sistemi convenzionali richiedono settimane di engineering per task, l’approccio di Cyberwave riduce il tempo di addestramento da settimane a ore. Operatori non esperti possono insegnare ai robot nuovi task attraverso semplici dimostrazioni, e il sistema si adatta automaticamente alle variazioni di oggetti, ambienti e workflow.
Sul fronte dell’integrazione con l’infrastruttura SAP, il meccanismo tecnico è preciso: l’architettura lean e API-first di SAP LGM — che ha attirato significativa attenzione a LogiMAT 2026 per la sua rapida implementazione e i processi standardizzati — fornisce la base ideale per l’automazione robotica. I task vengono tradotti in comandi robot precisi attraverso il SAP Embodied AI Service, abilitando l’integrazione end-to-end tramite SAP Business Technology Platform (BTP) e la piattaforma Cyberwave in pochi minuti. Il SAP Embodied AI Service funziona quindi come layer di traduzione tra il modello logistico-gestionale di SAP — che opera su entità come ordini, item, ubicazioni e spedizioni — e le istruzioni motorie che i robot fisici devono eseguire. L’intera integrazione, dall’addestramento del robot all’operazione live, è stata completata usando SAP BTP e la piattaforma Cyberwave.
Il significato strategico di questo deployment per SAP va oltre il caso d’uso specifico. SAP sta usando il proprio magazzino di St. Leon-Rot come reference implementation, avanzando le proprie capacità di Embodied AI erogando valore ai clienti mentre ottimizza le proprie operazioni. Questo pattern — deployare la tecnologia in casa propria prima di proporla ai clienti — è un segnale di maturità operativa: significa che SAP non sta vendendo una promessa futura ma una soluzione che ha già validato in condizione di produzione reale, con tutti i vincoli e le imperfezioni che questo comporta. Il warehouse di St. Leon-Rot diventa così non solo un impianto logistico, ma un laboratorio vivente per le capacità di Physical AI che SAP intende portare sul mercato enterprise.