Risolvere il Come e il Quando: Infondere la Strategia Aziendale nell’Adozione dell’Intelligenza Artificiale

Abbiamo raggiunto un punto di svolta con l’intelligenza artificiale (AI) in cui le discussioni nelle stanze dei bottoni sono passate dal dibattere l’efficacia all’accelerare l’adozione. È un momento emozionante, soprattutto considerando che il ritmo del cambiamento non sarà mai più lento. Secondo BCG, nonostante l’incertezza economica globale, l’innovazione è salita al primo posto tra le priorità aziendali nel 2023, con il 79% delle aziende che la classifica tra i primi tre obiettivi.

Tuttavia, l’innovazione fine a se stessa non è una solida strategia aziendale, e le organizzazioni che si lasciano travolgere dall’entusiasmo per l’AI rischiano di investire nell’iperiallocco invece che in soluzioni che creano valore a lungo termine. Comprendere la differenza richiede una attenta valutazione delle capacità attuali e la pazienza di dare priorità alla crescita sostenibile rispetto alle tendenze a breve termine.

La Zona di Goldilocks

La storia aziendale è costellata di esempi di aziende le cui decisioni strategiche in momenti cruciali hanno avuto conseguenze sulla loro esistenza. Ad esempio, Amazon ha superato la bolla delle dot-com riconoscendo l’importanza di adattare la propria strategia contabile e aumentare le riserve mentre altre aziende bruciavano denaro come se non ci fosse un domani. Il punto è che le decisioni aziendali solide sono più critiche che mai durante i periodi di entusiasmo di massa, e pianificare per il domani richiede una grande capacità di pensare a tutti i possibili scenari.

In generale, c’è un sentimento generale di FOMO (“paura di perdere l’opportunità”) che ha permeato i team di leadership, ulteriormente complicato dalla realtà che non fare nulla (cioè soccombere alla “paralisi per eccesso di analisi”) è anche una minaccia reale. (Chiedilo a Kodak.) Ecco 3 considerazioni per le aziende che cercano quella “Zona di Goldilocks” dell’AI – non investire troppo velocemente o troppo lentamente, ma trovare il punto dolce della crescita sostenibile.

1. Concentrarsi sulla Crescita dei Dati in Primo Luogo

Come qualsiasi macchina, è importante comprendere il suo funzionamento interno per capire da dove proviene il valore. Ciò significa che l’AI non è un prodotto completamente formato, ma i suoi grandi modelli linguistici (LLM) si basano su vasti dati diversi per imparare modelli, contesto e sfumature linguistiche. La dimensione e la complessità dei LLM richiedono dati di formazione estensivi per funzionare efficacemente in vari domini e compiti. La qualità e la quantità di questi dati avranno un grande impatto sulle prestazioni dei LLM e, di conseguenza, sulla suite di strumenti AI di un’azienda.

Creare ecosistemi di dati più robusti è quindi un saggio primo investimento per qualsiasi azienda che pianifica una trasformazione AI, e questi dati serviranno come fondamento per i LLM mentre crescono ed evolvono. È in questa evoluzione che i dati di alta qualità diventano ancora più critici. Mentre gli studi hanno scoperto che i LLM possono essere competenti con dati minimi, gli esperti dicono ora che “l’impatto della qualità e della diversità dei dati su allineamento e altri percorsi di formazione LLM (pre-formazione, fine-tuning, steerability, ecc.) è assolutamente massiccio”.

2. Identificare un Caso d’Uso Aziendale

Sebbene l’AI abbia certamente la capacità di applicazioni esterne ampie, la maggior parte delle aziende si concentra sull’utilizzo della tecnologia per ottimizzare i processi interni. “Ottimizzare” è la parola chiave qui, significa che le aziende non dovrebbero aspettarsi di semplicemente collegare e utilizzare il software AI per migliorare magicamente l’output. Piuttosto, alcuni dei casi d’uso AI più di successo coinvolgono l’analisi dei dati per rivelare informazioni preziose sul comportamento dei clienti, le tendenze del mercato e i potenziali rischi. È stato anche dimostrato che è efficace nel semplificare le attività interne, tra cui cose come l’automazione di compiti manuali per allocare il tempo dei dipendenti ad attività di livello superiore.

In breve, invece di sprecare tempo a cercare di capire quali modelli AI utilizzare, le organizzazioni devono concentrarsi su problemi specifici che devono risolvere con l’AI. (Ad esempio, iniziare con l’ago che si desidera spostare, impostare il KPI che si desidera influenzare e poi lavorare a ritroso per capire quali strumenti AI raggiungeranno quegli obiettivi.) Secondo MIT’s Global Executive AI Survey, il 90% di coloro che utilizzano l’AI per creare nuovi KPI afferma di vedere migliorare i propri KPI. “Questi KPI informati dall’AI offrono vantaggi aziendali e dimostrano nuove capacità: spesso portano a maggiore efficienza e beneficio finanziario e sono più dettagliati, sensibili al tempo e allineati con gli obiettivi aziendali”.

3. Costruire Strumenti AI Personalizzati Utilizzando LLM Open Source

Costruire o acquistare – questa è la domanda. Costruire una soluzione AI personalizzata può sembrare scoraggiante, e molte aziende optano per l’acquisto di una licenza da un fornitore esterno con un LLM proprietario per evitare di percorrere quella strada. Tuttavia, la licenza può limitare come il LLM può essere utilizzato e le tariffe di licenza possono diventare molto costose nel tempo. In alternativa, i LLM open source sono gratuiti e l’architettura sottostante è disponibile per gli sviluppatori per accedere, costruire e modificare in base alle esigenze specifiche dell’azienda.

Questo modello di ecosistema open source ha guadagnato popolarità poiché le aziende cercano di mantenere le informazioni sensibili sulla loro rete e di conservare più controllo sui propri dati. I LLM open source offrono alle aziende questa trasparenza e flessibilità, insieme ai vantaggi della riduzione dei problemi di latenza e del miglioramento delle prestazioni. IBM e NASA hanno recentemente collaborato per sviluppare un LLM open source addestrato su dati geospaziali per aiutare gli scienziati a combattere il cambiamento climatico, parte dell’iniziativa decennale di NASA per la scienza open source per costruire una comunità scientifica più accessibile, inclusiva e collaborativa.

Come per qualsiasi tecnologia open source, ci sono rischi associati ai LLM open source, tra cui potenziali violazioni della sicurezza, allucinazioni/pregiudizi basati su informazioni inaccurate o errate e attori malintenzionati che manipolano intenzionalmente i dati. Tuttavia, i modelli open source stanno diventando più intelligenti e sicuri nel tempo, portando alcuni esperti a ritenere che i LLM open source raggiungeranno presto il livello dei migliori LLM proprietari, giustificando l’investimento nell’adozione precoce e il tempo trascorso formando i team.

L’Adozione dell’AI Sarà Molte Corse Veloci in una Maratona

Sulla base di dati recenti, ci sono circa 15.000 aziende AI negli Stati Uniti, più del doppio rispetto al 2017. A livello mondiale, questi numeri aumentano quasi quadruplicati. Con così tanti fornitori e nuove startup che promuovono i loro servizi, non è sorprendente che le aziende possano lottare per decidere dove investire il loro tempo e denaro. Tuttavia, valutando attentamente le proprie esigenze e i rischi/ricompense presentati dall’innovazione, i leader troveranno il giusto mix di AI per spingere le loro aziende verso un futuro di crescita sostenibile.