Le iniziative di intelligenza artificiale non richiedono dati perfetti: una visione pragmatica sull’intelligenza artificiale aziendale

Il mercato dell’intelligenza artificiale aziendale raggiungerà 204 miliardi di dollari entro il 2030. Il 92% delle organizzazioni prevede di aumentare gli investimenti in intelligenza artificiale nei prossimi tre anni. Tuttavia, la ricerca del MIT mostra che il 90% dei progetti di intelligenza artificiale non supera la fase di pilotaggio. E la causa principale non è la complessità del modello, ma la qualità dei dati.

Le sale riunioni discutono di ChatGPT versus Claude. Stanno ponendo la domanda sbagliata. Il vero problema è se i dati dell’organizzazione sono pronti per qualsiasi implementazione di intelligenza artificiale. La maggior parte delle aziende costruisce capacità di intelligenza artificiale sofisticate su fondamenta di dati fratturate, inconsistenti e prive di contesto.

Purtroppo, ciò crea fallimenti costosi. Le istituzioni finanziarie distribuiscono chatbot che immaginano cifre di ricavi. I rivenditori implementano motori di raccomandazione che suggeriscono prodotti discontinuati. I produttori investono in analisi predittive che non possono rispondere a domande operative di base. Questi fallimenti derivano dal fatto di affrettarsi a implementare modelli avanzati senza saltare la preparazione dei dati fondamentali.

Comprendere la sfida della complessità dei dati

I dati aziendali esistono in tre categorie. Ognuna richiede approcci di preparazione diversi. Comprendere queste differenze determina il successo dell’intelligenza artificiale.

I dati strutturati appaiono familiari. Le informazioni sono archiviate in database e fogli di calcolo con righe e colonne chiare. Molte organizzazioni suppongono che sistemi transazionali ben organizzati significhino prontezza per l’intelligenza artificiale. Questa supposizione crea problemi. I sistemi di intelligenza artificiale lottano con i dati strutturati non a causa della disorganizzazione, ma a causa delle lacune di contesto. Quando l’intelligenza artificiale incontra campi “ProductID” across multiple tabelle del database, non può comprendere queste relazioni senza istruzioni esplicite. Il risultato è un’intelligenza artificiale che accede ai dati ma non può analizzarli in modo significativo.

I dati non strutturati presentano sfide e opportunità opposte. Questa categoria include email, documenti, presentazioni, video e altri contenuti generati dagli esseri umani dove risiede la maggior parte della conoscenza organizzativa. Gli strumenti di analisi tradizionali lottano con i dati non strutturati. I sistemi di intelligenza artificiale moderni sono progettati per elaborarli. Il successo richiede una preparazione sistematica. Le organizzazioni non possono caricare migliaia di PDF e aspettarsi informazioni significative. L’implementazione efficace richiede la segmentazione del contenuto, la creazione di metadati e l’ottimizzazione della ricerca.

I dati semistrutturati occupano il terreno medio complesso. I file JSON, i log di sistema e i rapporti combinano elementi organizzati con contenuto narrativo. L’errore comune è trattare queste fonti come puramente non strutturate, il che perde componenti organizzati preziosi. L’implementazione di intelligenza artificiale di successo richiede l’analisi degli elementi strutturati mentre si preservano le informazioni non strutturate, e quindi ricombinandoli per un’analisi completa.

Ogni tipo di dati richiede strategie di preparazione specifiche. I sistemi di intelligenza artificiale devono essere configurati per gestire questa complessità. Le organizzazioni che trattano tutti i dati in modo uniforme creano implementazioni di intelligenza artificiale che eccellono con un tipo di dati mentre falliscono con gli altri.

La lacuna di contesto che ostacola le prestazioni dell’intelligenza artificiale

Il contesto è il fattore più critico nel successo dell’intelligenza artificiale. È anche il più comunemente trascurato. Gli analisti umani portano decenni di conoscenza aziendale all’interpretazione dei dati. Quando esaminano i rapporti trimestrali, capiscono che “Ricavo” rappresenta le vendite post-tasse negli Stati Uniti in dollari. I sistemi di intelligenza artificiale non possiedono tale comprensione. Senza contesto esplicito, l’intelligenza artificiale potrebbe interpretare “47%” come una cifra di ricavo quando il valore reale è di 4,7 milioni di dollari. Ciò porta a raccomandazioni aziendali fondamentalmente errate.

La lacuna di contesto si estende oltre la semplice interpretazione dei dati. Ogni organizzazione sviluppa definizioni uniche per metriche comuni. “Costo di acquisizione del cliente” significa qualcosa di completamente diverso in una startup rispetto a un’azienda stabilita. I calcoli del “tasso di abbandono” variano drasticamente tra settori e aziende. I sistemi di intelligenza artificiale richiedono istruzioni esplicite in queste sfumature organizzative per fornire informazioni significative.

Le tradizionali approcci di documentazione falliscono l’implementazione dell’intelligenza artificiale. I dizionari di dati statici archiviati sui server rimangono invisibili ai sistemi di intelligenza artificiale e si aggiornano rapidamente. Le organizzazioni di successo creano una documentazione vivente che l’intelligenza artificiale può attivamente fare riferimento. Questo si aggiorna automaticamente man mano che le regole aziendali evolvono.

L’equilibrio tra input automatico e umano diventa cruciale qui. Le macchine eccellono nell’identificare relazioni tecniche. Riconoscono che la Colonna A si collega alla Tabella B attraverso sistemi di database. Solo l’esperienza umana fornisce il contesto aziendale. Gli esseri umani spiegano perché alcune metriche sono importanti, come vengono calcolate e cosa costituisce normali o preoccupanti intervalli di prestazione. L’implementazione di intelligenza artificiale efficace combina la scoperta automatizzata con la cura della conoscenza umana.

Rischi amplificati nell’era dell’intelligenza artificiale

L’implementazione dell’intelligenza artificiale amplifica i problemi di dati esistenti a una scala e velocità senza precedenti. Le sfide tradizionali di governance dei dati diventano esponenzialmente più complesse quando i sistemi di intelligenza artificiale accedono, elaborano e condividono informazioni attraverso i confini organizzativi.

I meccanismi di controllo degli accessi progettati per gli utenti umani si rivelano inadeguati per i sistemi di intelligenza artificiale. I modelli di sicurezza tradizionali potrebbero concedere agli analisti di vendita l’accesso a specifiche cartelle. Tuttavia, gli assistenti di intelligenza artificiale possono involontariamente esporre informazioni sensibili a utenti non autorizzati attraverso query apparentemente innocue. Un’intelligenza artificiale di servizio clienti potrebbe accedere ai dati di prezzi dei concorrenti e condividerli nelle comunicazioni con i clienti. Le organizzazioni necessitano di framework di sicurezza abbastanza sofisticati da comprendere cosa l’intelligenza artificiale possa e non possa condividere in diversi contesti.

Le esigenze di conformità diventano significativamente più complesse quando i sistemi di intelligenza artificiale prendono decisioni che influenzano gli individui. La conformità con il GDPR era impegnativa quando gli esseri umani prendevano decisioni basate sui dati. Ora le organizzazioni devono spiegare come gli algoritmi di intelligenza artificiale abbiano raggiunto conclusioni specifiche. Devono mantenere tracce di audit per decisioni automatizzate. Devono assicurarsi che i dati di addestramento dell’intelligenza artificiale siano conformi alle norme sulla privacy. Il “diritto alla spiegazione” assume un nuovo significato quando il decisore è un sistema algoritmico piuttosto che un analista umano.

La costruzione della fiducia richiede nuovi approcci al testing e al monitoraggio. La garanzia di qualità tradizionale si concentrava sul fatto che i sistemi funzionassero correttamente in condizioni previste. I sistemi di intelligenza artificiale richiedono un monitoraggio continuo per rilevare quando falliscono, quanto gravemente e perché. Le organizzazioni devono implementare un monitoraggio in tempo reale per ogni decisione di intelligenza artificiale, non solo per le metriche di prestazione del sistema.

Il ciclo di feedback diventa critico per il miglioramento. Quando gli utenti correggono le risposte dell’intelligenza artificiale, quella correzione rappresenta dati di addestramento preziosi. Ma solo se le organizzazioni catturano e incorporano sistematicamente tali correzioni. Ciò richiede processi per la raccolta del feedback degli utenti, la convalida delle correzioni e l’aggiornamento del comportamento dell’intelligenza artificiale di conseguenza.

Navigare la decisione di costruire o acquistare

Le organizzazioni si trovano di fronte a una scelta tra lo sviluppo di capacità di intelligenza artificiale interne o il partenariato con piattaforme esterne. Ogni approccio presenta vantaggi e sfide distinti che devono allinearsi con le capacità e gli obiettivi strategici dell’organizzazione.

Lo sviluppo di capacità di intelligenza artificiale interne offre il massimo controllo e potenziale di personalizzazione. Le organizzazioni possono sviluppare sistemi adattati precisamente alle loro esigenze uniche. Mantengono la proprietà completa dei loro dati e algoritmi. Tuttavia, le esigenze di risorse sono sostanziali. Lo sviluppo interno di successo richiede generalmente squadre di ingegneri di dati, specialisti di intelligenza artificiale e esperti di settore. Lo sviluppo richiede 12-24 mesi. I costi nascosti includono la necessità di stare al passo con le tecnologie di intelligenza artificiale in rapida evoluzione, mantenere i sistemi 24 ore su 24 e spiegare ritardi di timeline alla dirigenza esecutiva.

Le soluzioni di piattaforma promettono un’implementazione più rapida e una riduzione del sovraccarico tecnico. Le organizzazioni possono caricare i dati, configurare le impostazioni di base e iniziare a generare informazioni di intelligenza artificiale. Tuttavia, le organizzazioni devono valutare attentamente le capacità della piattaforma rispetto alle loro esigenze specifiche. Le considerazioni critiche includono la compatibilità del formato dei dati, la comprensione specifica del settore, le protezioni della sicurezza e della privacy dei dati e le capacità di integrazione con i sistemi esistenti.

Un approccio ibrido funziona spesso meglio per molte organizzazioni. Iniziare con le soluzioni di piattaforma consente alle aziende di dimostrare il valore dell’intelligenza artificiale rapidamente mentre apprendono le loro esigenze specifiche. Una volta che le organizzazioni comprendono cosa funziona, possono prendere decisioni informate su quali capacità giustifichino lo sviluppo interno rispetto all’uso continuato della piattaforma.

Un quadro pratico per andare avanti

L’implementazione di successo dell’intelligenza artificiale inizia con una valutazione onesta piuttosto che con una pianificazione ambiziosa. Le organizzazioni dovrebbero iniziare inventariando i beni di dati esistenti. Questo processo di solito rivela più complessità e incoerenza di quanto inizialmente previsto. Piuttosto che tentare una trasformazione complessiva dell’intelligenza artificiale, le aziende di successo identificano problemi specifici e misurabili in cui l’intelligenza artificiale può fornire un valore chiaro.

I lavori di base richiedono uno sforzo significativo ma rimangono essenziali. Ciò include la pulizia dei dati, la documentazione del contesto, l’implementazione del controllo degli accessi e il test di pilotaggio con metriche di successo chiaramente definite. Le organizzazioni dovrebbero pianificare timeline realistici. Pensare a mesi o anni piuttosto che a settimane. Costruire capacità in modo incrementale.

Le aziende che completano questo lavoro di base mentre i loro concorrenti rimangono concentrati sulla selezione dei modelli di intelligenza artificiale guadagneranno vantaggi significativi. La scelta della tecnologia conta molto meno della preparazione che consente a qualsiasi sistema di intelligenza artificiale di avere successo.

Il costo dell’attesa

La rivoluzione dell’intelligenza artificiale procede indipendentemente dalla prontezza organizzativa. Le aziende possono scegliere di investire nella preparazione dei dati ora. Oppure possono tentare di adattare soluzioni più tardi a un costo e una complessità significativamente più elevati. Le organizzazioni che emergono come leader dell’intelligenza artificiale riconosceranno presto che il successo dipende non dalla scelta dei modelli più sofisticati, ma dalla costruzione di fondamenta di dati abbastanza robuste da supportare qualsiasi sviluppo tecnologico che emerga in seguito.

La domanda che si pone ai leader aziendali non è quale tecnologia di intelligenza artificiale implementare. È se la loro organizzazione abbia fatto il lavoro difficile necessario per rendere qualsiasi implementazione di intelligenza artificiale di successo. Le capacità di intelligenza artificiale avanzano mensilmente. Il vantaggio competitivo sostenibile appartiene alle aziende con fondamenta di dati abbastanza robuste da supportare qualsiasi sviluppo tecnologico che emerga in seguito.