Prima di ulteriori modelli, l’intelligenza artificiale nel commercio necessita di una rivoluzione dell’infrastruttura

L’implementazione dell’intelligenza artificiale nel commercio sta procedendo a un ritmo notevole. Gli investimenti in intelligenza artificiale nel settore retail sono in rapida accelerazione, con il mercato previsto crescere da 11,6 miliardi di dollari nel 2024 a oltre 40 miliardi di dollari entro il 2030.

Allo stesso modo, nuovi modelli vengono rilasciati in rapida successione, i fornitori continuano ad ampliare le loro capacità e i rivenditori sono sotto crescente pressione da parte dei consigli di amministrazione e degli investitori per dimostrare che stanno attivamente integrando l’intelligenza artificiale nelle loro operazioni.

In superficie, ciò crea l’impressione di un’industria che sta subendo una trasformazione rapida e decisa. Tuttavia, al di sotto di questa attività, la maggior parte di queste iniziative sta essere sovrapposta a sistemi che non sono stati progettati per supportarle.

La limitazione non è la disponibilità né la qualità dei modelli. È la condizione dell’infrastruttura sottostante.

Quando si implementa l’intelligenza artificiale, il primo budget non dovrebbe essere destinato all’intelligenza artificiale stessa. Dovrebbe essere destinato a ciò che chiamiamo “data trust”, che è l’infrastruttura dei dati. Questi sono collegamenti tra sistemi, deduplicazione dei dati e aggiornamenti in tempo reale.

Non farlo è il motivo per cui l’intelligenza artificiale fallisce nel commercio e per cui molti sforzi iniziano con slancio ma lottano per tradursi in un impatto sostenibile. Per implementare con successo l’intelligenza artificiale, dobbiamo iniziare con l’infrastruttura.

Al contrario, nel commercio, la conversazione stessa tende a iniziare un livello troppo alto, concentrandosi sulla scelta dei modelli o sull’identificazione di casi d’uso ad alto potenziale. Ciò che riceve molta meno attenzione è se l’architettura dei dati sottostante possa supportare alcune di queste decisioni in modo significativo.

Se i dati sottostanti sono frammentati, l’intelligenza artificiale genererà solo output che possono essere dannosi o fuorvianti.

Nelle grandi organizzazioni, questa tendenza è rafforzata dalla necessità di segnalare il progresso. “Fare qualcosa con l’intelligenza artificiale” diventa un obiettivo in sé, e l’introduzione di un modello è spesso il modo più immediato per raggiungere ciò, indipendentemente dal fatto che produca un valore misurabile.

A livello di consiglio di amministrazione, le aspettative sull’intelligenza artificiale stanno accelerando sotto forma di una migliore personalizzazione e di guadagni misurabili in efficienza e margine. A livello di sistema, la prontezza non sta tenendo il passo. Più a lungo questo divario persiste, più diventa costoso correggerlo, poiché vengono aggiunti strati di tecnologia su fondamenta che rimangono invariate.

Cosa significa “non pronto per l’intelligenza artificiale” nella pratica

Un problema principale è la mancanza di coerenza tra i sistemi. Ad esempio, un singolo cliente può esistere simultaneamente su una piattaforma ERP, un ambiente di e-commerce e un sistema offline o di fedeltà, ognuno con storie e ipotesi diverse.

I dati sui prodotti, sebbene tecnicamente completi, sono limitati nel fornire il contesto che consentirebbe a un modello di interpretare o ragionare su di esso in modo efficace. La scarsa qualità dei dati da sola è stimata costare alle organizzazioni quasi 13 milioni di dollari all’anno, sottolineando come queste limitazioni siano fondamentali.

I team umani imparano a navigare in queste incoerenze nel tempo, costruendo ponti informali tra i sistemi. Un modello, al contrario, opera strettamente all’interno della struttura che gli viene data, e i risultati che genera sono limitati di conseguenza.

Quando l’intelligenza artificiale viene introdotta in questo ambiente, il risultato non è la mancanza di output, ma un graduale deterioramento della sua qualità.

Un modello può elaborare i dati e produrre output, ma non connetterà i sistemi di sua iniziativa.

Nella pratica, ciò può manifestarsi come un motore di personalizzazione che inizia a offrire raccomandazioni di prodotti altamente specifiche che categorizzano un cliente in modi che non riflettono le sue preferenze o intenzioni reali.

Nei sistemi guidati dall’intelligenza artificiale, le esperienze dei clienti spesso diventano più precise ma meno rilevanti.

Questo passaggio da una rilevanza generale a un’irrilevanza specifica può essere più dannoso di quanto appaia, poiché altera la percezione che i clienti hanno del marchio stesso. Nei casi peggiori, questi sistemi non si limitano a sottoperformare, ma degradano attivamente l’esperienza del cliente.

Perché la maggior parte dei piloti di intelligenza artificiale si bloccano e cosa costa

Questa dinamica è una delle principali ragioni per cui una grande proporzione di piloti di intelligenza artificiale nel commercio non riesce a progredire oltre la sperimentazione. I dati dell’industria suggeriscono che solo circa la metà delle iniziative di intelligenza artificiale passa dalla fase di pilotaggio alla produzione, lasciando una proporzione significativa bloccata nella fase sperimentale.

Il problema raramente è l’assenza di investimenti o intenzione. La limitazione emerge quando gli output generati da questi sistemi non giustificano la scalabilità.

A quel punto, le organizzazioni si trovano di fronte a una scelta tra continuare a investire nell’ottimizzazione o abbandonare l’iniziativa nel suo complesso. In molti casi, scelgono il secondo perché l’ambiente in cui viene implementata non può supportare risultati coerenti.

In tutta l’industria, le stesse lacune infrastrutturali si ripetono. I dati dei clienti rimangono frammentati piuttosto che unificati. Le informazioni sui prodotti esistono, ma mancano della profondità necessaria per l’interpretazione. I sistemi operano in parallelo piuttosto che come un flusso di informazioni coerente. Quando vengono introdotti modelli in questo ambiente, essi amplificano questi problemi.

Il costo di questo approccio si estende oltre le spese dirette. Si manifesta come un’accumulazione a livello di sistema di raccomandazioni che non si traducono in conversioni, personalizzazioni che sembrano incoerenti e automazioni che amplificano gli errori esistenti.

Nel tempo, ciò crea un’erosione sottile ma significativa della fiducia all’interno dell’organizzazione. I team iniziano a mettere in discussione l’affidabilità dei sistemi che stanno costruendo e vengono introdotti ulteriori strati di tecnologia nel tentativo di compensare. Il risultato è un ritardo nel raggiungere la chiarezza necessaria per costruire sistemi che funzionano.

Il motivo per cui molte aziende costruiscono piloti di intelligenza artificiale ma non vanno oltre è che stanno costruendo questi piloti su fondamenta deboli, il che è come cucinare con ingredienti di scarsa qualità.

Potresti avere una ricetta di Gordon Ramsay e attrezzature eccellenti, ma se gli ingredienti sono scadenti, il risultato sarà comunque negativo.

La differenza tra startup e grandi corporation

Le organizzazioni più piccole, in particolare quelle nel range del mercato di medie dimensioni, spesso dimostrano una maggiore capacità di implementare l’intelligenza artificiale in modo efficace. Ciò è dovuto al fatto che i loro sistemi sono meno frammentati e i processi decisionali sono più diretti.

Nelle grandi organizzazioni, la struttura stessa introduce potenziali ostacoli. Le iniziative sono spesso guidate dalla necessità di rispondere alle aspettative esterne e l’intelligenza artificiale diventa una categoria che deve essere affrontata piuttosto che una capacità che viene integrata con cura.

Dire “vogliamo implementare l’intelligenza artificiale” è come portare l’elettricità in una fabbrica senza macchine. Le luci si accendono, ma la produzione non migliora, perché si è investito in tecnologia senza sapere cosa farà realmente.

Il passaggio dai modelli all’infrastruttura

Un approccio alternativo sta iniziando a prendere forma tra le organizzazioni che hanno incontrato direttamente queste limitazioni.

Invece di allocare i budget iniziali ai modelli di intelligenza artificiale, stanno investendo in ciò che può essere descritto come “data trust”, che è la creazione di una base in cui i dati sono coerenti, connessi e aggiornati in continuazione. L’obiettivo è assicurarsi che i dati utilizzati possano supportare decisioni significative.

La preparazione dei dati può richiedere fino all’80% del tempo speso sui progetti di apprendimento automatico, sottolineando quanto lavoro sia necessario nel livello di dati sottostante piuttosto che nei modelli stessi.

Questo processo inizia tipicamente con una mappatura dettagliata dei sistemi esistenti e l’identificazione delle lacune nel flusso e nell’integrità dei dati. I primi 30-60 giorni sono spesso dedicati a comprendere come le informazioni si muovono o non si muovono all’interno dell’organizzazione. Ciò è seguito da un periodo di integrazione e standardizzazione, durante il quale i dati vengono puliti, deduplicati e allineati su piattaforme.

Nel corso dei successivi tre-sei mesi, le aziende si concentrano sulla costruzione di pipeline di dati affidabili e sulla connessione di sistemi ad alto valore in modi che supportino casi d’uso reali. Solo una volta che questa base è in place, diventa possibile introdurre l’intelligenza artificiale in flussi di lavoro che possono produrre risultati coerenti e misurabili.

Entro un orizzonte di sei-nove mesi, le organizzazioni che seguono questo approccio iniziano tipicamente a vedere risultati significativi sotto forma di processi guidati dall’intelligenza artificiale che influenzano metriche come la conversione, la fidelizzazione e il miglioramento del margine. A quel punto, i modelli smettono di essere esperimenti e diventano parte delle operazioni. Le loro prestazioni si stabilizzano e i loro output diventano azionabili al punto che i team possono iniziare a fare affidamento su di essi.

L’accelerazione degli investimenti in intelligenza artificiale nel commercio è improbabile che si rallenti nel breve termine. Ciò che rimane incerto è se la prontezza dell’infrastruttura sarà in grado di stare al passo e supportarla. Il divario in aumento tra ciò che le organizzazioni si aspettano che l’intelligenza artificiale possa offrire e ciò che i loro sistemi possono supportare è già visibile nel crescente numero di piloti che falliscono nel raggiungere la produzione. Affrontare questo divario richiede un passaggio dell’attenzione alla costruzione di questa infrastruttura critica.

Spostare la conversazione dai modelli all’infrastruttura non porta la stessa immediatezza o visibilità. Tuttavia, è lì che risiedono molte delle limitazioni attuali. Ed è lì che la prossima fase di progressi significativi nel commercio guidato dall’intelligenza artificiale è probabile che emerga.