Allineare il potenziale dell’AI con la realtà pratica

Gli strumenti di intelligenza artificiale (AI) hanno visto un’ampia adozione aziendale dal lancio di ChatGPT nel 2022, con il 98% delle piccole imprese intervistate dalla Camera di Commercio degli Stati Uniti che li utilizzano. Tuttavia, nonostante il successo in aree come l’analisi dei dati, la sintesi, la personalizzazione e altre, un recente sondaggio di 2.500 lavoratori negli Stati Uniti, Regno Unito, Australia e Canada ha scoperto che 3 lavoratori su 4 riferiscono che l’AI ha effettivamente aumentato il loro carico di lavoro. La promessa dell’AI è quindi ancora alta, ma la realtà sul campo sembra finora essere leggermente deludente.

Questa discrepanza sottolinea una sfida critica: colmare il divario tra la vasta promessa dell’AI e il suo impatto pratico attualmente limitato sulle operazioni aziendali. Chiudere questo divario è essenziale per le organizzazioni che desiderano realizzare appieno il valore dei loro investimenti in AI e aumentare l’adozione tra i loro lavoratori e stakeholder.

Una visione di prodotto per gli investimenti in AI

Sebbene l’AI abbia fatto notevoli progressi, molte soluzioni aziendali rimangono allo stadio sperimentale e non sono completamente adatte per le operazioni quotidiane. In un sondaggio transnazionale e settoriale di 1.000 CxO e dirigenti senior, BCG ha scoperto che il 74% delle aziende fatica a realizzare e scalare il valore dei loro investimenti in AI. Parte del motivo di ciò è che oggi, le interfacce utente AI più prominenti si basano su linguaggio naturale fornito attraverso un paradigma di chatbot. Sebbene queste modalità siano senza dubbio utili quando si tratta di attività come la sintesi e altri contesti basati su testo, non corrispondono a come il lavoro viene effettivamente condotto nella maggior parte delle aziende.

Per massimizzare l’impatto, la progettazione degli strumenti di AI deve evolversi per andare oltre le interfacce isolate e basate su testo in applicazioni integrate e miglioranti del flusso di lavoro che meglio soddisfino le esigenze operative delle grandi organizzazioni. La prossima fase dell’evoluzione dell’AI sarà sempre più agente, fondendosi senza soluzione di continuità nello sfondo delle operazioni aziendali e consentendo ai team di concentrarsi sull’ideazione e la strategia di alto livello che porta a operazioni automatizzate, bypassando l’esecuzione manuale ma conservando comunque il controllo umano nella catena di comando che si basa ancora su giudizi umani non automatizzabili.

Questo passaggio da “sperimentale” a “essenziale” richiede un approccio prodotto per lo sviluppo, la distribuzione e le operazioni di AI, simile a come Apple (AAPL ), ad esempio, ha rivoluzionato l’industria tecnologica con il lancio dell’iPhone – un prodotto pensato, facile da usare, che integra tecnologia all’avanguardia e la sposa con un’esperienza utente di classe mondiale fin dal primo giorno.

Chiudere le lacune dei dati e garantire l’efficienza dei costi

Per muoversi verso questa versione più sofisticata e prodotto di AI, è vitale affrontare le lacune all’interno del patrimonio dati aziendale. L’aumentare dell’interesse per il dispiegamento di AI nelle aziende ha esposto ampie silos di dati, che impediscono alle organizzazioni di scalare l’AI oltre i prototipi.

Certo, è importante notare che gli ostacoli finanziari possono anche dissuadere le organizzazioni dall’espandere l’uso di AI dai piloti alle applicazioni aziendali. L’infrastruttura necessaria per la formazione e la manutenzione di modelli di AI avanzati – che comprende potenza di calcolo, archiviazione dei dati e costi operativi continui – può aumentare rapidamente. Senza una supervisione attenta, questi progetti rischiano di diventare insostenibilmente costosi, riflettendo le prime sfide viste durante l’adozione delle tecnologie cloud.

Concentrarsi sull’assicurare l’integrità, la pulizia e la qualità dei dati in prima istanza può aiutare a tenere i costi bassi nel lungo termine. Troppo spesso, le aziende si concentrano sull’AI per prime e affrontano le loro sfide relative ai dati solo in seguito, creando inefficienze e opportunità mancate.

L’efficienza dei costi è strettamente legata agli investimenti attraverso il livello di infrastruttura dei dati e di base. Investire in questa parte dello stack è la chiave per assicurare che i LLM possano essere eseguiti su larga scala. In termini pratici, ciò significa standardizzare la raccolta dei dati, assicurare l’accessibilità e implementare robusti framework di governance dei dati.

AI responsabile

Le aziende che incorporano principi di AI responsabile su una solida base di dati ben governata saranno meglio posizionate per scalare le loro applicazioni in modo efficiente ed etico. Principi come la correttezza, la trasparenza e la responsabilità negli input e output dell’AI non sono più opzionali per le aziende – sono imperativi strategici per mantenere la fiducia con i dipendenti e i clienti, nonché per conformarsi alle normative emergenti.

Un quadro critico è il Regolamento AI dell’UE, che impone una documentazione chiara, la trasparenza e la governance per i sistemi di AI ad alto rischio. La conformità a tali quadri richiede alle aziende di implementare processi che non solo convalidano i loro modelli di AI, ma li rendono anche interpretabili e responsabili, il che è particolarmente vitale in applicazioni ad alto rischio come la valutazione del credito, la rilevazione delle frodi e le raccomandazioni di investimento. Le aziende che danno priorità a queste pratiche possono stare al passo con le richieste normative e evitare rischi legali o di reputazione costosi.

Inoltre, man mano che l’industria evolve e i sistemi di AI agente che possono prendere decisioni autonome diventano più diffusi, le poste in gioco per un’implementazione responsabile aumentano. Delegare azioni agli strumenti di AI richiede fiducia nella loro affidabilità e comportamento etico. Per raggiungere ciò, le organizzazioni devono investire in framework di audit e monitoraggio continui per assicurare che i sistemi di AI operino come previsto e proteggano con attenzione contro i pregiudizi di risultato e il perpetuarsi di esiti ingiusti.

Guardando avanti

Il potenziale trasformativo dell’AI nelle operazioni aziendali è innegabile, ma realizzare il suo pieno valore richiede un cambiamento nell’approccio allo sviluppo e alla distribuzione dell’AI. Andare oltre le applicazioni sperimentali per strumenti integrati nel flusso di lavoro e scalabili richiede una forte attenzione ai problemi fondamentali di qualità dei dati, governance e accessibilità, e l’adozione di una mentalità prodotto.

Chiudere le lacune dei dati e rendere l’AI responsabile un punto centrale della strategia sarà la chiave per mantenere la fiducia con gli stakeholder, continuare a soddisfare gli imperativi di conformità strategica e assicurare che i sistemi di AI siano non solo scalabili ma anche affidabili ed efficaci. In questo modo, la promessa dell’AI può essere realizzata e le sue attuali lotte di adozione saranno superate in aziende di ogni dimensione.