L’esplosione dell’intelligenza artificiale ha raggiunto un punto di svolta decisivo: cosa devono sapere le imprese

La scuola media non è mai stata il momento migliore per nessuno, ma tutti noi dovevamo superarla, con i suoi dolori di crescita e tutto il resto, per raggiungere una versione migliore e più matura di noi stessi.

L’attuale boom dell’intelligenza artificiale sta entrando in una sorta di difficile adolescenza, qualcosa che gli esperti chiamano il messy middle tra adozione e maturità. L’iniziale hype si è dissolto e ora le organizzazioni si stanno concentrando sul rendere l’intelligenza artificiale veramente operativa. Ma l’intelligenza artificiale sta raggiungendo la maturità in un momento difficile. Le previsioni sono tutte fuori controllo, lo scetticismo è alto tra le imprese e i consumatori, e le discussioni su una bolla dell’intelligenza artificiale in espansione hanno i leader delle imprese sull’orlo di una crisi, in attesa del temuto scoppio.

In questo momento decisivo, le organizzazioni devono distinguere il segnale dal rumore – sia che stiano spostando i loro sforzi dall’esperimentazione all’applicazione pratica, sia che stiano scalando l’applicazione pratica per raggiungere l’ubiquità operativa. Ciò richiede di concentrarsi su fattori tangibili che possono controllare, come la loro infrastruttura e la prontezza dei dati; misurare i risultati; e costruire le fondamenta per la scala.

L’approccio infrastruttura-prima

La vera prontezza per l’intelligenza artificiale richiede un’infrastruttura adeguata per supportare il deploy sostenibile dei carichi di lavoro dell’intelligenza artificiale. Naturalmente, l’intelligenza artificiale ha aumentato la domanda di servizi cloud: la spesa per il cloud è prevista aumentare del 40% quest’anno, con l’infrastruttura che costituisce il voce più costosa del budget, e nuovi data center stanno sorgendo su ogni continente per soddisfare la crescente domanda di calcolo dell’intelligenza artificiale. In questo punto di svolta dell’intelligenza artificiale, le scelte di infrastruttura sono esistenziali. L’infrastruttura definisce cosa è sicuro, cosa è possibile e cosa beneficia realmente l’impresa, invece di creare un drenaggio di risorse.

L’infrastruttura sostenibile è definita da più di solo costi e potenza di calcolo totale. Quando determinano dove e come ospitare i loro carichi di lavoro dell’intelligenza artificiale, le organizzazioni devono considerare questioni di efficienza delle risorse, sicurezza, visibilità e prezzo-prestazione complessivo. L’infrastruttura dell’intelligenza artificiale non può essere un investimento una-tantum, ma un processo in movimento, in grado di evolversi con le esigenze di ogni progetto.

È una netta deviazione dagli approcci storici alla spesa per il cloud. Prima dell’attuale ondata di intelligenza artificiale, le organizzazioni spesso dipendevano da un singolo fornitore di servizi cloud – di solito un hyperscaler – per ospitare le loro operazioni basate sul cloud. Ora, la complessità e la varietà dei carichi di lavoro dell’intelligenza artificiale stanno sfidando questo modello, specialmente mentre le imprese si muovono verso casi d’uso più pratici e emergono cloud alternativi per soddisfare la domanda.

Le iniziative moderne dell’intelligenza artificiale richiedono una notevole potenza di calcolo, che i Big 3 sono ben equipaggiati per fornire. Le crepe iniziano a mostrarsi quando tutta quella potenza diventa eccessiva. I contratti dei hyperscaler possono essere proibitivi, gonfiati di add-on non necessari e potrebbero non offrire la necessaria sicurezza dei dati e residenza per progetti altamente sensibili.

Al posto di legare le loro operazioni cloud a un singolo fornitore, le imprese possono capitalizzare una crescente classe di alternative per comporre i propri stack su diversi fornitori, tipi di GPU e setup di cloud pubblico/privato in base alle loro esigenze specifiche. In questo modo, non pagano per funzionalità che non necessitano, mentre contemporaneamente personalizzano i loro cloud per ciò che necessitano.

Un approccio infrastruttura-prima per raggiungere la maturità dell’intelligenza artificiale consiste nel creare una solida base per la scala, che massimizzi l’efficienza e l’utilità senza sacrificare la potenza.

Dall’esperimentazione all’applicazione

Negli ultimi anni, le imprese di tutto il mondo hanno sperimentato come inserire l’intelligenza artificiale nelle loro operazioni. Guidate dalla curiosità e da una buona dose di hype, hanno spinto i confini dell’innovazione, sbloccato nuove possibilità di efficienza e elevato il potenziale di innumerevoli strumenti e modelli open-source. Hanno anche corso a testa bassa nella realtà, imparando che la filosofia di Silicon Valley “muoversi velocemente e rompere le cose” non è sempre la strada da seguire, specialmente quando si tratta di una tecnologia potente come l’intelligenza artificiale.

Ora, mentre le imprese emergono da questa fase di esperimentazione, il fallimento non è un’opzione. L’accuratezza è fondamentale. Le prestazioni non possono essere lente. Se le imprese vogliono ricostruire le funzioni aziendali di base su una struttura di intelligenza artificiale, devono raddoppiare gli sforzi sulle “parti noiose” che portano l’intelligenza artificiale da un esperimento creativo a un moltiplicatore di forza, tra cui:

• Sicurezza e privacy dei dati: Molti modelli di intelligenza artificiale utilizzano dati personali e aziendali sensibili per funzionare efficacemente. Le organizzazioni necessitano della garanzia che i loro dati siano ospitati in modo sicuro, senza il rischio di riproduzione non autorizzata o esposizione a “intelligenza artificiale oscura”.
• Gestione del ciclo di vita del modello: I modelli devono essere accurati, aggiornati e riaddestrati regolarmente per supportare funzioni aziendali critiche.
• Coerenza delle prestazioni: Indipendentemente dal deploy di modelli per uso interno o in operazioni rivolte ai clienti, assicurarsi di prestazioni coerenti è fondamentale per l’efficienza e la facilità d’uso. Molti problemi di prestazione comuni, come quelli legati alla latenza e al downtime, vengono risolti a livello di infrastruttura.

Al momento, solo 37% delle organizzazioni stanno deployando nuovi modelli generativi su base mensile, settimanale o quotidiana. Mentre più organizzazioni si spostano nella fase di applicazione, quella percentuale aumenterà drasticamente, creando una maggiore domanda di potenza di calcolo – ma anche di infrastrutture personalizzate per modelli specifici. Un modello “leggero” non necessita di una base di hyperscaler, ma se utilizza informazioni sensibili, potrebbe necessitare di quel livello di sicurezza. È qui che entrano in gioco i cloud personalizzati – e perché l’infrastruttura dovrebbe essere la considerazione primaria nel corso di un passaggio dell’impresa all’intelligenza artificiale.

Dall’applicazione alla scala

Per le imprese più avanti nella curva di maturità, l’applicazione pratica dell’intelligenza artificiale è già parte della loro attività quotidiana. Ora, stanno puntando a scalare queste applicazioni per creare un valore ancora maggiore e far evolvere completamente la loro impresa.

La pressione è alta, e i vantaggi sono chiari: 81% delle organizzazioni al livello più alto di maturità dell’intelligenza artificiale hanno riportato migliori risultati finanziari nell’ultimo anno. Questa è la fase in cui le applicazioni dell’intelligenza artificiale subiscono il loro più grande test di stress. Potrebbero superare il test in un ambiente contenuto, ma possono inghiottire più dati? Funzionare in nuove regioni? E forse la domanda più importante: possono produrre risultati significativi?

La scala è questione di crescita, ma in alcuni casi, meno è più. Le imprese in questa fase dovrebbero considerare se modelli linguistici target (SLM) potrebbero funzionare meglio di modelli linguistici multi-propósito (LLM). Le iniziative dell’intelligenza artificiale sono più efficaci quando sono legate a problemi aziendali reali e possono produrre risultati misurabili.

Un modello simile si verifica nell’applicazione e nella scala degli agenti di intelligenza artificiale – il prossimo fronte dell’intelligenza artificiale autonoma. Gli agenti che eseguono compiti specifici del dominio, informati da un set di dati altamente focalizzato e mantenuto in modo coerente, sono quelli che stanno realmente facendo un impatto nell’impresa. Tuttavia, gli agenti specializzati necessitano ancora di una notevole potenza di calcolo, anche se non quanto un copilota onnicomprensivo. Dare priorità all’infrastruttura fin dall’inizio permetterà alle organizzazioni di estrarre un reale ritorno sull’investimento dalle loro iniziative di intelligenza artificiale agente senza esplodere i loro budget cloud.

Innovazione con impatto

La “corsa” all’intelligenza artificiale è meno una corsa che una ristrutturazione: se stiamo ricostruendo l’impresa, vogliamo farlo su una solida base – altrimenti, i muri inevitabilmente crollano. Le imprese devono prendersi il tempo per essere pensierose sull’infrastruttura, assicurarsi della salvaguardia dei dati, gestire attentamente il ciclo di vita del modello, monitorare le prestazioni e raccogliere informazioni e apportare modifiche. La pazienza e la persistenza sono fondamentali per creare soluzioni che funzionano realmente, rimangono sicure e si eseguono in modo coerente.

La novità del ciclo di hype dell’intelligenza artificiale potrebbe essere in declino, ma le organizzazioni possono superare gli anni difficili dell’intelligenza artificiale energizzando i loro team con ciò che conta di più: i risultati.