L’IA non può risolvere il problema del terreno cattivo: come le aziende possono preparare il loro ecosistema interno per un deploy di IA di successo

Sebbene i leader aziendali siano spesso stereotipati come persone che si occupano solo del bottom line, uno studio recente ha dimostrato che oltre l’80% delle aziende non monitora il ROI sulla spesa per l’IA. Al contrario, coloro che monitorano il ROI stanno scoprendo che non risponde alle aspettative con appena un quarto dei CEO globali che riferiscono che i loro investimenti in IA stanno rispondendo alle aspettative di ROI.

Ma come dice il proverbio, “un falegname scarso incolpa gli strumenti” – in altre parole, per molti, il ROI è deludente perché i deploy di IA sono stati impostati per fallire. Se consideriamo un’azienda come un giardino, per far crescere la produttività e i profitti, ci sono alcuni passaggi che devono essere eseguiti prima di deployare uno strumento come l’IA in modo che abbia il maggior impatto misurabile.

Passo 1: Identificare dove gli esseri umani sono essenziali

Forse a causa della sovrappromessa di capacità insite nel marketing dei prodotti LLM, c’è un concetto errato comune che l’IA sia una questione di plug-and-play. In realtà, i migliori deploy di IA iniziano identificando dove la supervisione umana è imprescindibile.

Ad esempio, quando lavoravo con uno studio legale, il mio team e io eravamo stati incaricati di implementare un sistema di IA in grado di elaborare grandi volumi di documenti legali – classificarli, estrarre fatti chiave e decidere se conservare, oscurare o eliminare i file.

Mentre l’IA gestiva il lavoro pesante scansionando i documenti per rilevanza, etichettando i dati sensibili e riassumendo le risposte, i risultati venivano poi passati agli avvocati umani che potevano esaminare il lavoro, confermare le valutazioni legali e annullare le classificazioni quando necessario.

Ciò non solo aiutava a proteggere lo studio da potenziali rischi, ma isolare il costo dell’automazione dal costo della supervisione renderebbe anche più pulite le verifiche del ROI in futuro.

Passo 2: Identificare come l’IA possa migliorare al meglio le persone

Per massimizzare il ROI sull’IA, è necessario essere selettivi su dove può servire al meglio l’organizzazione. I processi ideali da scaricare includono attività ripetitive o basate su regole (ad esempio il triage del servizio clienti di base o la codifica delle fatture), ricerche pesanti come le clausole dei contratti e l’inserimento dei dati soggetti a errori, tra gli altri.

È poi altrettanto importante che i modelli di IA siano configurati strategicamente per complementare, piuttosto che disturbare, il flusso di lavoro. Per farlo, mappare i flussi di lavoro dei dipendenti in attività e poi etichettare queste attività sotto una delle tre categorie di processo: generare, selezionare o giudicare. Le attività generative possono essere affidate all’IA, le attività che richiedono giudizio rimangono con i dipendenti umani e le attività che richiedono selezione possono essere un processo collaborativo in cui l’IA suggerisce i passaggi successivi e gli esseri umani determinano il percorso migliore da seguire.

Nell’esempio legale sopra, l’IA gestiva la triage iniziale classificando i documenti (generativo), segnalando il contenuto sensibile (generativo) e portando alla luce le risposte probabili (selettivo). In questo modo, il ruolo dei dipendenti umani si spostava dal setacciare i dettagli dei documenti alla verifica dei risultati (giudizio) – trasformando il lavoro che una volta richiedeva giorni in un problema di ore.

Per quanto riguarda il ROI, ciò libera più tempo da spendere sulle eccezioni alle regole, che sono dove si nascondono i profitti.

Passo 3: Standardizzare i dati di training

La regolazione dei LLM con i dati aziendali può sbloccare vantaggi competitivi, ma affinché l’IA sia fruttuosa, ha bisogno di un terreno fertile, che significa dati buoni e puliti. I dati cattivi o rumorosi avveleneranno i risultati e amplificheranno i pregiudizi. In breve, la disciplina dei dati dicta l’affidabilità dell’output.

Quindi, cosa significa? Un grande volume e varietà di dati sono importanti, ma è altrettanto importante che siano di alta qualità. Le incoerenze nei formati dei dati e nelle convenzioni di denominazione o i campi mancanti/incompleti influenzeranno negativamente la qualità degli input grezzi. Allo stesso modo, i dati pipeline duplicati o non strutturati gonfieranno le bollette di archiviazione e rallenteranno le prestazioni del modello.

Pertanto, è imperativo che gli input dei dati abbiano controlli di qualità e una forte governance – ovvero controllo di accesso e conformità normativa. Senza questi filtri, non si sta investendo in IA, si sta solo bruciando denaro in loop di pulizia.

Con tutto l’entusiasmo per l’IA, è comprensibile che i leader possano sentirsi sotto pressione per implementare il più presto possibile, ma prendere il tempo per deployare un modello in modo strategico, o fertilizzare il terreno prima di piantare i semi, porterà a un successo e a ritorni sugli investimenti molto più grandi.