Adottare con successo l’IA comporta una seconda fase di implementazione che le aziende raramente pianificano

Circa tre anni fa ho acquistato il mio primo abbonamento a pagamento a un servizio di IA e ho iniziato a sperimentare per capire cosa potesse fare davvero per me. Gradualmente, quella che era cominciata come una sperimentazione personale si è trasformata in un piccolo progetto interno, poi in abbonamenti aziendali per tutta l’impresa e, infine, in un’implementazione dell’IA che ha coinvolto quasi tutti i reparti: sviluppo, finanza, ufficio legale, marketing e assistenza.

In sostanza, la prima fase ha funzionato. In circa sei mesi, la nostra velocità di sviluppo interna è aumentata all’incirca di cinque volte. Nello stesso periodo è cresciuto anche un altro dato: la spesa per l’IA è aumentata di circa 15 volte.

È stato allora che ho capito che adottare con successo l’IA poteva creare problemi di per sé. Quando la tecnologia ha iniziato a essere utilizzata su larga scala, le regole iniziali non erano più adeguate. I costi potevano sfuggire di mano man mano che l’IA otteneva accesso a una quantità maggiore di dati aziendali e si faceva carico di più attività, mentre molti degli strumenti erano ancora sotto il controllo di fornitori esterni.

Dunque, cosa dovrebbe fare un amministratore delegato quando l’adozione dell’IA funziona, ma l’azienda non ha più il pieno controllo del modo in cui viene utilizzata? Proviamo a rispondere.

Smettere di confondere l’uso attivo dell’IA con i risultati aziendali

Ho notato subito che, durante la prima fase di implementazione, le metriche di adozione, come il numero di utenti attivi o la frequenza d’uso, erano sensate. In qualità di leader, vuoi sapere se i dipendenti usano gli strumenti, quali in particolare e se l’IA fa davvero risparmiare loro tempo. Tuttavia, quando l’utilizzo si diffonde in tutta l’azienda, questi numeri diventano molto meno utili.

Lo abbiamo constatato di persona. Una volta ottenuto l’accesso a modelli potenti, le persone hanno iniziato a usarli praticamente per qualsiasi cosa. A un certo punto, i dipendenti hanno cominciato a chiedere all’IA che ora fosse a New York. Naturalmente, è un esempio assurdo, ma dimostra quanto rapidamente possa aumentare l’utilizzo senza generare un valore significativo per l’azienda.

Dopo aver integrato l’IA così profondamente da affidare al suo agente interno, River, la stesura di fino alla metà delle richieste di integrazione del codice destinato alla produzione, anche Shopify ha incontrato un problema simile. Di recente, però, il CEO Tobi Lütke ha messo in guardia da quelli che definisce «granate di contenuti scadenti»: lavori generati dall’IA che i dipendenti inoltrano senza verificarli adeguatamente, lasciando a qualcun altro il compito di esaminare, correggere o persino riassumere il risultato.

In altre parole, più attività legate all’IA possono facilmente tradursi in più lavoro anziché in più valore. Un’azienda può registrare dati di utilizzo impressionanti e produrre enormi quantità di contenuti, ma una parte di questi può limitarsi a creare un’altra attività per qualcun altro.

È questo che gli amministratori delegati devono cambiare. Prompt, accessi e consumo di token mostrano che all’interno del flusso di lavoro c’è molta attività. Tuttavia, non indicano se l’IA si ripaga davvero.

La velocità crea un nuovo collo di bottiglia

C’è un detto: la fretta fa sprecare. Credo che valga anche per l’IA: abbiamo imparato che rendere le persone «più veloci» grazie all’IA non significa necessariamente ritrovarsi all’improvviso con meno lavoro da fare.

Nello sviluppo, l’IA permette oggi al nostro team di produrre molto più codice nello stesso lasso di tempo, ma il punto è che quel codice deve comunque essere verificato prima di essere messo in produzione. Senza dubbio, la revisione automatizzata è utile.

Eppure, siamo ancora ben lontani da una soluzione di cui mi fiderei ciecamente. Così, mentre gli sviluppatori dedicano meno tempo a scrivere tutto da soli, ora devono esaminare, testare e valutare una quantità di risultati molto maggiore.

In altre parole, il lavoro non scompare. Si presenta semplicemente sotto un’altra forma.

Questo rende un po’ meno impressionante il nostro aumento di cinque volte della velocità di sviluppo, visto che cresce di pari passo anche la quantità di codice che richiede l’attenzione umana. Il costo reale di un flusso di lavoro basato sull’IA comprende anche il tempo dedicato a verificare ciò che produce e, soprattutto, a decidere se ci si può fidare di quei risultati.

La seconda fase di implementazione è indispensabile

Dal mio punto di vista, le aziende hanno bisogno di quella che definirei una «seconda» fase di implementazione dell’IA.

La prima fase riguarda soprattutto l’adozione: dare accesso alle persone, individuare i casi d’uso e capire dove la tecnologia è davvero utile e dove non lo è. Dopo diversi mesi di utilizzo concreto, però, si dispone già di qualcosa di molto più prezioso delle supposizioni: prove dirette su dove aumentano i costi, quali team ottengono risultati migliori e dove le persone dedicano troppo tempo a controllare i risultati dell’IA.

È qui, quindi, che credo sia opportuno ripensare le regole che disciplinano l’uso dell’IA, invece di limitarsi a promuoverne una diffusione più ampia. In pratica, mi concentrerei su tre aspetti:

• Associare il modello all’attività. Le richieste di routine possono essere indirizzate a modelli più piccoli ed economici, mentre le attività più complesse possono essere affidate ai modelli che giustificano il costo aggiuntivo. L’obiettivo finale è evitare di pagare i prezzi dei modelli di frontiera per attività di scarso valore.
• Individuare i casi in cui il controllo umano è obbligatorio. Per il codice destinato alla produzione, i documenti legali o altri risultati ad alto impatto, definire in quale fase una persona deve approvare il risultato prima che prosegua nel flusso di lavoro. Separatamente, stabilire regole di accesso ai dati sensibili, affinché i dipendenti sappiano quali modelli possono riceverli e quali no.
• Prepara un piano di riserva anche se pensi di non averne bisogno. Se un flusso di lavoro critico dipende da un fornitore esterno, documenta prompt, integrazioni, flussi di dati e dipendenze specifiche del modello con sufficiente precisione, così da poter trasferire il carico di lavoro a un altro fornitore in caso di emergenza.

È questa la differenza tra la prima e la seconda fase di adozione dell’IA. La prima si chiede: dove possiamo usare l’IA? La seconda: dove dovremmo usarla, secondo quali regole e a quale costo?

Verifica la fase di adozione prima di ampliarla ulteriormente

Una volta che l’adozione dell’IA funziona e la prima fase sembra aver avuto successo, non continuerei ad ampliarla allo stesso modo per un altro anno. Dopo circa 90-180 giorni di utilizzo effettivo, mi fermerei per verificare ciò che l’azienda ha davvero realizzato.

Questo significa misurare i risultati aziendali effettivamente raggiunti, mettere in relazione il modello e il relativo costo con il valore reale dell’attività, individuare dove la revisione umana è ancora obbligatoria e dove un flusso di lavoro può essere in qualche modo avvicinato alla piena automazione.

La prima fase dimostra che l’IA può rendere l’azienda più veloce. La seconda impedisce che questa velocità si traduca in spese inutili, accessi non controllati o dipendenze dai fornitori che l’azienda non ha mai accettato consapevolmente.