L’intelligenza artificiale può superare brillantemente una fase di test, dimostrare prestazioni tecniche convincenti, ridurre in modo significativo i tempi necessari per elaborare informazioni e arrivare perfino a impressionare chi assiste alla presentazione di un nuovo progetto, senza che tutto questo si traduca necessariamente in un miglioramento concreto delle performance aziendali. È proprio questa distanza, sempre più evidente man mano che le organizzazioni passano dalla sperimentazione all’adozione strutturata, a rappresentare uno dei nodi centrali dell’attuale fase di maturazione dell’AI.

Dopo una stagione nella quale l’attenzione si è concentrata soprattutto sulle possibilità offerte dai modelli generativi, dall’automazione intelligente e dalla crescente capacità di elaborare enormi quantità di informazioni, molte imprese stanno infatti iniziando a misurarsi con una questione decisamente più complessa: comprendere perché iniziative tecnologicamente valide, sostenute da investimenti importanti e spesso accompagnate da aspettative molto elevate, fatichino a produrre benefici altrettanto evidenti sul piano operativo, economico e organizzativo.

Il punto non riguarda quindi la capacità dell’intelligenza artificiale di funzionare, ormai dimostrata in una quantità crescente di ambiti, ma quella dell’organizzazione di trasformarne le capacità in risultati misurabili, integrandole all’interno dei processi e collegandole a obiettivi sufficientemente chiari da consentire di distinguere una sperimentazione interessante da un investimento realmente strategico.

Quando la tecnologia precede il problema

Una parte significativa di questo divario nasce dal modo in cui l’AI è entrata nelle aziende, spesso attraverso una spinta prevalentemente tecnologica alimentata dalla rapida evoluzione dei modelli, dalla disponibilità di piattaforme cloud sempre più accessibili e dalla pressione, competitiva ma anche culturale, a dimostrare di essere presenti nella nuova stagione dell’intelligenza artificiale.

La velocità con cui queste tecnologie si sono diffuse ha certamente avuto il merito di abbassare le barriere all’ingresso, consentendo anche a organizzazioni prive di grandi strutture di ricerca di sperimentare strumenti che fino a pochi anni fa sarebbero stati economicamente o tecnicamente difficili da implementare; allo stesso tempo, però, questa accessibilità ha favorito la proliferazione di iniziative nate intorno alla possibilità di utilizzare una determinata tecnologia, anziché dalla necessità di risolvere uno specifico problema aziendale.

Chiedersi che cosa sia possibile realizzare con l’intelligenza artificiale e chiedersi quale risultato l’organizzazione voglia ottenere attraverso l’intelligenza artificiale possono sembrare due formulazioni della stessa questione, ma conducono a percorsi profondamente differenti, perché nel primo caso è la tecnologia a cercare un’applicazione mentre nel secondo è un obiettivo di business a determinare quali strumenti, dati e competenze siano realmente necessari.

Quando questa sequenza viene invertita, aumenta inevitabilmente il rischio di sviluppare soluzioni sofisticate che migliorano attività marginali, automatizzano processi che avrebbero avuto bisogno di essere ripensati prima ancora di essere automatizzati oppure generano informazioni potenzialmente interessanti che, tuttavia, non trovano uno spazio concreto nei meccanismi attraverso cui l’organizzazione decide e opera.

Possedere molti dati non significa essere data-driven

Lo stesso equivoco si ripropone quando il discorso si sposta sui dati, considerati correttamente la materia prima dei sistemi di intelligenza artificiale ma troppo spesso trattati come se la loro semplice disponibilità fosse sufficiente a garantirne la capacità di produrre valore.

Le organizzazioni hanno accumulato negli anni quantità enormi di informazioni distribuite tra sistemi gestionali, CRM, database, documenti, piattaforme collaborative, applicazioni verticali, infrastrutture cloud e archivi storici, costruendo patrimoni informativi che possono apparire straordinariamente ricchi e che, osservati più da vicino, mostrano invece frammentazioni, duplicazioni, incoerenze semantiche e livelli di qualità molto differenti.

È proprio quando l’AI deve utilizzare questo patrimonio su larga scala che problemi rimasti relativamente invisibili per anni diventano improvvisamente strategici, perché un sistema intelligente può elaborare rapidamente ciò che riceve, individuare correlazioni difficilmente osservabili dall’uomo e rendere accessibili informazioni precedentemente disperse, ma non può trasformare automaticamente una struttura informativa incoerente in una base affidabile per le decisioni.

La qualità dell’intelligenza artificiale finisce così per riflettere, e in alcuni casi amplificare, la qualità dell’ecosistema informativo nel quale viene inserita, rendendo evidente come la governance dei dati non possa più essere considerata un tema esclusivamente tecnico o confinato alle funzioni IT.

Sapere quali informazioni esistano, comprenderne la provenienza, stabilire chi ne garantisca l’affidabilità, definire quali sistemi possano utilizzarle e con quali livelli di autorizzazione, mantenere coerenza tra fonti differenti e conoscere i vincoli normativi che ne regolano l’impiego significa costruire le condizioni attraverso cui il dato può diventare conoscenza utilizzabile e, soltanto successivamente, valore aziendale.

Il vero salto avviene dentro i processi

Uno dei passaggi più sottovalutati riguarda la distanza che separa la capacità di dimostrare che un sistema AI sappia svolgere correttamente un determinato compito dalla possibilità di inserirlo stabilmente all’interno del funzionamento quotidiano di un’organizzazione, dove la tecnologia deve confrontarsi con sistemi esistenti, procedure consolidate, responsabilità definite, vincoli di sicurezza, requisiti di compliance ed eccezioni che difficilmente emergono durante una sperimentazione circoscritta.

Un proof of concept può operare in condizioni relativamente controllate, utilizzare un insieme selezionato di dati e concentrarsi sulla dimostrazione di una specifica capacità, mentre l’industrializzazione di quella stessa soluzione impone di stabilire come debba interagire con applicazioni e infrastrutture già presenti, chi possa accedere ai risultati, quale livello di affidabilità sia necessario, cosa accada quando il sistema sbaglia e soprattutto quale azione debba seguire all’informazione prodotta.

È quest’ultimo elemento a determinare una parte rilevante del valore, perché l’intelligenza artificiale raramente genera benefici semplicemente producendo un output migliore: li genera quando quell’output modifica concretamente un comportamento, accelera un processo, migliora una decisione, previene un errore oppure consente di svolgere in modo differente un’attività che incide realmente sulle performance dell’organizzazione.

Un sistema capace di identificare tempestivamente un rischio, per esempio, produce un vantaggio soltanto se esiste un processo in grado di trasformare quella segnalazione in un intervento; allo stesso modo, una previsione particolarmente accurata rimane un esercizio analitico se chi assume le decisioni continua a operare secondo logiche precedenti, mentre un’automazione apparentemente efficiente può perfino diventare controproducente quando il tempo risparmiato nella produzione viene successivamente assorbito da controlli, verifiche e correzioni.

Misurare ciò che cambia, non soltanto ciò che funziona

Anche le metriche utilizzate per valutare i progetti AI devono necessariamente evolvere, perché indicatori come velocità di elaborazione, accuratezza del modello, numero di documenti processati, volume delle interazioni o quantità di utenti attivi descrivono il funzionamento della tecnologia, ma non sono sufficienti a stabilire se l’investimento abbia realmente migliorato l’organizzazione.

Per un decisore la questione dovrebbe spostarsi progressivamente verso ciò che cambia nel business: quanto tempo viene effettivamente recuperato, quanti errori vengono evitati, quanto migliora la capacità di prevedere un fenomeno rilevante, quali costi vengono ridotti, quanto rapidamente è possibile rispondere a una criticità oppure quali nuove opportunità diventano sostenibili grazie alla disponibilità di capacità che precedentemente non esistevano.

Questo passaggio modifica anche il modo di selezionare i casi d’uso, perché in una fase nella quale le possibili applicazioni dell’intelligenza artificiale sembrano moltiplicarsi continuamente, la vera capacità strategica non consiste nel realizzare il maggior numero possibile di iniziative, ma nel riconoscere quelle nelle quali esiste una relazione sufficientemente forte tra problema, dato, processo e risultato atteso.

La scarsità, paradossalmente, non riguarda più le possibilità offerte dalla tecnologia, che sono ormai enormi, ma la capacità delle organizzazioni di scegliere dove concentrare risorse, competenze e attenzione manageriale.

L’AI è anche una trasformazione organizzativa

Considerare l’intelligenza artificiale esclusivamente come un’evoluzione dell’infrastruttura tecnologica significa inoltre sottovalutare l’impatto che questi sistemi stanno iniziando ad avere sulla distribuzione delle attività, sulla circolazione della conoscenza e sulle responsabilità decisionali, soprattutto quando l’AI non viene utilizzata soltanto per automatizzare operazioni ripetitive ma entra direttamente nei processi attraverso cui vengono analizzate informazioni, formulate ipotesi e costruite decisioni.

Quando un sistema può sintetizzare migliaia di documenti, suggerire scenari, individuare anomalie, generare contenuti o supportare una valutazione professionale, cambia inevitabilmente il rapporto tra persone e tecnologia e diventa necessario stabilire non soltanto quali attività possano essere delegate, ma quali competenze debbano rimanere presidiate, quali verifiche siano necessarie e dove debba collocarsi la responsabilità finale.

La trasformazione diventa quindi organizzativa prima ancora che tecnologica, perché introdurre nuovi strumenti senza modificare i processi nei quali vengono utilizzati rischia semplicemente di sovrapporre una nuova infrastruttura a modalità operative progettate per un contesto precedente, aumentando la complessità anziché ridurla.

Dalla stagione dei progetti alla capacità industriale

L’AI aziendale sta entrando progressivamente in una fase nella quale la semplice capacità di sperimentare non rappresenta più un elemento distintivo, perché realizzare prototipi, accedere a modelli avanzati e costruire rapidamente applicazioni basate sull’intelligenza artificiale è diventato molto più semplice rispetto a pochi anni fa, mentre rimane decisamente più complesso trasformare quelle sperimentazioni in sistemi affidabili, governabili, integrati e capaci di produrre risultati nel tempo.

È proprio qui che si sposterà una parte importante della competizione tra organizzazioni, perché modelli e capacità computazionale tenderanno a diventare progressivamente più accessibili, riducendo il vantaggio derivante dal semplice possesso della tecnologia e aumentando, al contrario, il peso di elementi molto più difficili da replicare: qualità dei dati, conoscenza interna, integrazione dei processi, capacità organizzativa, governance e chiarezza strategica.

La maturità nell’adozione dell’intelligenza artificiale non sarà quindi misurata dal numero di strumenti introdotti né dalla quantità di progetti avviati, ma dalla capacità di costruire una relazione coerente tra obiettivi aziendali, patrimonio informativo, tecnologia e trasformazione dei processi, facendo in modo che ogni iniziativa abbia una ragione precisa per esistere e un risultato concreto attraverso cui essere valutata.

È probabilmente questo il passaggio evolutivo che separerà la prima stagione dell’AI dalla successiva: dopo aver trascorso anni a domandarci quanto possano diventare potenti i sistemi intelligenti, le organizzazioni dovranno imparare a formulare una domanda molto più selettiva e strategicamente rilevante, chiedendosi non quanta intelligenza artificiale possano introdurre, ma in quali punti della propria struttura quella capacità sia davvero in grado di produrre un cambiamento che abbia valore.

La tua strategia AI parte dalla tecnologia o dagli obiettivi di business?