Navigare l’era dell’oro dell’AI: svelare i costi nascosti del debito tecnico nelle imprese

Nell’ultimo anno, l’intelligenza artificiale ha catturato l’attenzione dei leader aziendali, spingendoli ad accelerare gli investimenti in aziende di AI o a introdurre i propri prodotti per non rimanere indietro. Tuttavia, nella fretta di unirsi a questa nuova era di progresso tecnologico, le organizzazioni che sono nuove all’AI potrebbero non considerare un fattore importante che dovrebbe essere al centro dell’attenzione quando si investe o si creano nuovi prodotti AI: il debito tecnico.

Sebbene l’idea di debito tecnico non sia nuova, la tecnologia AI comporta un tipo diverso di debito tecnico rispetto ai servizi software regolari. E poiché l’AI continua a migliorare rapidamente, sta causando la crescita di questo problema importante insieme a essa.

Cosa è il debito tecnico?

Il debito tecnico, nella definizione più semplice, è l’accumulo di codice di bassa qualità durante la creazione di un pezzo di software. Ciò deriva generalmente da una timeline di go-to-market accelerata per soddisfare le esigenze aziendali o per ottenere un feedback più rapido dai clienti. Quando si considera il debito tecnico, è importante concentrarsi sull’aspetto deliberato, poiché i responsi delle decisioni sono spesso consapevoli dei rischi connessi al software e degli impatti di prendere scorciatoie per la velocità. L’emergere dell’AI ha portato a una sfida diversa e unica quando si tratta di debito tecnico, e con essa rischi e conseguenze significativi che potrebbero derivarne.

Man mano che i sistemi AI iniziano a invecchiare e i loro dati di training diventano inaccurati e superati, il costo di investire in AI supera il tempo e l’investimento richiesto per mantenere dati di training di alta qualità, noti anche come igiene dei dati.

Esaminiamo come il debito tecnico si accumula, l’impatto che ha sul fondo e come le organizzazioni possono porvi rimedio.

Come le organizzazioni accumulano il debito tecnico?

 Esistono due modi in cui il software può accumulare debito tecnico. Uno è attraverso il semplice codice scadente. Le organizzazioni possono acquistare prodotti o ereditarli attraverso attività di M&A, solo per scoprire in seguito problemi di qualità oltre a tassi di cambiamento e innovazione lenti. L’altro è quando i leader scelgono deliberatamente di assumere il debito tecnico.

Quando si tratta di AI, oltre il 72% dei leader vuole adottare l’AI per migliorare la produttività dei dipendenti, tuttavia la principale preoccupazione nell’implementare l’AI è la qualità e il controllo dei dati. Sembra controproducente per un’organizzazione utilizzare un prodotto promosso per aumentare la produttività, mentre allo stesso tempo sottrae tempo dal lavoro vitale per affrontare continuamente eventuali problemi di qualità causati dal debito tecnico che potrebbero compromettere la produttività. Tuttavia, la promessa del payoff finale per una maggiore produttività supera questi ostacoli nel prossimo futuro, che alla fine tornerà a perseguitare il software nel lungo termine.

Deriva del modello: un nuovo tipo di debito tecnico

Con l’emergere di maggiori investimenti in AI, le organizzazioni hanno accelerato le strategie di go-to-market per sfruttare la miniera d’oro dell’AI generativa. Sebbene ciò possa funzionare come un driver di entrate a breve termine, le organizzazioni stanno trascurando ciò che potrebbe accumulare una grande quantità di debito tecnico in futuro, noto come deriva del modello.

La deriva del modello si verifica quando le prestazioni di un sistema AI iniziano a diminuire e le uscite diventano meno accurate man mano che i dati di training invecchiano. Guardando il ciclo di vita dell’AI, è ovvio che i dati di training dovranno essere mantenuti e aggiornati continuamente per garantire che le risposte fornite dalla macchina siano il più accurate possibile: è qui che inizia il problema. Quando si affretta a ottenere soluzioni, i responsi delle decisioni spesso depotenziano problemi come l’acquisizione di ulteriori dati di training, il mantenimento dell’igiene dei dati del sistema e la garanzia che ci sia una forza lavoro sufficiente per supportare questi compiti.

Man mano che i dati di training continuano a invecchiare e le lacune tra realtà e uscite si allargano, le organizzazioni saranno lasciate con costi e tempo aumentati per affrontare queste lacune che avrebbero potuto essere evitate con procedure di pianificazione e protocolli adeguati. In breve: saltare il prossimo passo quando si pianifica una strategia di go-to-market può consentire una consegna più rapida, ma non vale la ricaduta inevitabile che costerà in molti modi nel lungo termine.

L’impatto del debito tecnico sul fondo

Il debito tecnico può anche impattare profondamente sull’efficienza organizzativa — ad esempio, consideriamo i team di vendita. Quando il debito tecnico inizia a crescere e il tasso di cambiamento si rallenta, diventa sempre più difficile per i rappresentanti di vendita attirare i clienti, il che rallenta i tassi di chiusura e inevitabilmente i flussi di entrate come risultato.

Oltre alle vendite, il debito tecnico ha anche un grande impatto sui team di sviluppo. Non solo richiederà più tempo dedicato all’aggiornamento del codice, ma l’attenzione deviata effettivamente mette in secondo piano l’innovazione. Spostando l’attenzione e il tempo sulla manutenzione, la roadmap del prodotto viene ritardata o abbandonata, creando un effetto a catena che potrebbe alla fine portare a una mancanza di fiducia tra il lato tecnico e commerciale dell’azienda. Senza una roadmap del prodotto da seguire, i team di vendita sono lasciati con promesse rotte o nulla da mostrare ai potenziali clienti, ciò che nuovamente impatta sulle entrate.

Come affrontare il debito tecnico

Man mano che la prevedibilità della consegna diminuisce, le organizzazioni inizieranno a vedere il deterioramento dell’efficienza organizzativa, portando a conversazioni su come affrontare le sfide in atto. Ci sono due modi in cui i responsi delle decisioni possono sfruttare per combattere il debito tecnico. Il primo è gettare via la piattaforma e il codice interamente e ripianificare, o incorporare piccoli cambiamenti incrementali, simili a pulire lentamente una stanza un oggetto alla volta, per eventualmente mettere i sistemi a punto.

Il primo metodo, la ripianificazione, richiede un completo ribaltamento dei sistemi e rappresenta un grande e costoso rischio. Simile a un processo di costruzione su larga scala, eventuali ritardi nella pianificazione possono gettare a mare i tempi di consegna del prodotto e potrebbero far fallire l’intero sforzo. Tuttavia, questo metodo può funzionare a volte. Prendiamo ad esempio LinkedIn – dopo il suo IPO nel 2011, l’azienda ha ripianificato il sito e ora è un grande giocatore nel mercato.

La scommessa più sicura, apportare piccoli cambiamenti che alla fine si sommano a miglioramenti significativi, è un altro caso d’uso per sostenere. Con gli sviluppatori che già interagiscono con i dati quotidianamente, entrare per apportare ritocchi qua e là può mettere in forma i sistemi per liberarli dal debito tecnico. Ciò beneficia anche le competenze degli sviluppatori, poiché richiede loro di rimanere aggiornati con gli ultimi standard di codice e tecnologia, il che a sua volta prepara un’organizzazione per il successo tecnico poiché ha meno lacune di competenze. Implementare un’iniziativa guidata dagli ingegneri, in cui vengono allocati il 20% del loro tempo per pianificare gli aggiornamenti del prodotto, è un ottimo modo per iniziare. Sebbene questo processo sia molto più lento della ripianificazione, è meno rischioso e produce comunque valore per il modello di business.

Lasciare il debito tecnico alle spalle nell’era dell’AI

Man mano che lo spazio dell’AI continua a svilupparsi rapidamente, continueremo a vedere più soluzioni emergere che vantano guadagni di produttività e efficienza organizzativa. Sebbene ciò sia vero, i responsi delle decisioni devono prioritizzare l’incorporazione di tecniche come la manutenzione continua dei dati e pensare al quadro generale quando si tratta del ciclo di vita della soluzione. Investire in AI non deve essere costoso e soverchiante, e con alcuni piccoli cambiamenti nella pianificazione e nella strategia di go-to-market, è possibile evitare la prossima montagna di debito tecnico.