Come smettere di perdere denaro nei progetti pilota di IA: tre errori e cosa fare invece

Negli ultimi anni, il settore finanziario ha corso a implementare l’intelligenza artificiale. Le aziende acquistano sempre più modelli e firmano contratti con i fornitori, ma ciò produce poco o risultati spaventosi. Secondo uno studio del MIT pubblicato lo scorso anno, 95% dei progetti pilota di IA aziendali non hanno alcun effetto misurabile sui profitti delle società.

Allo stesso tempo, la spesa sta decollando, poiché si stima che lo scorso anno il mondo abbia speso 1,76 trilioni di dollari in IA, e nel 2026 ci si aspetta che questa cifra cresca a 2,59 trilioni. Quindi il denaro investito e quello restituito sembrano differire notevolmente, e i costi aumentano praticamente per nulla.

Tuttavia, il problema non è che la tecnologia sia debole. I modelli di IA stanno diventando più intelligenti ogni anno, al punto che OpenAI decise di mettere in pausa i propri sviluppi per non andare troppo oltre. Pertanto, in questo caso, il vero svantaggio è la mancanza di un modello operativo capace di utilizzare efficacemente queste tecnologie.

L’illusione di avere un pilota

La portata dell’integrazione dell’IA è così alta che quasi ogni fintech o società finanziaria tradizionale ha recentemente avviato almeno un progetto pilota di IA, ad esempio un chatbot per i clienti. Ma indipendentemente da ciò che lanciano, queste storie hanno complessivamente un finale piuttosto spiacevole.

Tutto inizia con un team specifico che costruisce una prova di concetto che funziona bene in condizioni di test controllate. Poi, dopo la demo, la direzione è impressionata e consente il suo dispiegamento, ma a un certo punto il progetto si interrompe o si rivela inefficace. Ma perché?

Naturalmente, non tutti i progetti di IA interni falliscono, perché in tal caso non rimarrebbero ingegneri ML e la tecnologia sarebbe inutile. Tuttavia, ho osservato questo ciclo di fallimento così tante volte da conoscerne già molto bene la radice. In parole povere, è il pilota stesso, che, sebbene ben realizzato, non è stato progettato per adattarsi al modo in cui l’azienda funziona realmente giorno per giorno.

Di conseguenza, un modello che funziona brillantemente in isolamento entra in conflitto con l’infrastruttura legacy o con dipendenti che non sanno nemmeno come utilizzare la tecnologia. Tuttavia, nessuna di queste barriere viene risolta da un algoritmo più intelligente. Tutte possono essere corrette solo con decisioni manageriali, e questo non rientra nelle responsabilità dei data scientist.

Alcuni errori da evitare

Prima di vedere come integrare l’IA in modo più efficace in un’azienda, consideriamo altri errori che possono verificarsi lungo il percorso.

Il primo e più importante scivolone, come abbiamo già accennato indirettamente, è trattare l’IA come un’aggiunta senza ricostruire i processi. In effetti, molte aziende prendono un flusso di lavoro esistente e semplicemente inseriscono uno strumento di IA in un passaggio, senza nemmeno valutare se l’IA abbia senso in quel processo.

Quindi, come manager, mi chiederei prima: questo processo era davvero necessario nella vostra azienda? Se il flusso di lavoro era inefficiente prima dell’automazione, rimarrà altrettanto inefficiente dopo. Potrebbe persino peggiorare, perché l’IA può ricordare schemi negativi e ripeterli.

Il prossimo errore si verifica quando i manager sottovalutano il peso della conformità e della governance. I servizi finanziari affrontano alcune delle pressioni normative più dure di qualsiasi settore e, ad esempio, non è possibile automatizzare l’intero dipartimento di conformità con l’IA. Lo stesso vale per la fornitura diretta di servizi e la gestione del portafoglio. Sembra una verità universale, ma rimarrete sorpresi da quanti fondatori commettano questo errore.

E, ultimo ma non meno importante, molte aziende dimenticano di formare il proprio personale per l’implementazione dell’IA. Quando la tecnologia prende il sopravvento sulle routine dei dipendenti, l’istinto iniziale è spesso quello di ridurre il personale, poiché molte attività possono essere svolte più rapidamente con meno persone coinvolte. Sebbene ciò riduca le spese a breve termine, è una visione molto miope.

Se cercate valore reale, ponetevi una domanda diversa. Quale lavoro di livello superiore possono svolgere ora le nostre persone, ora che sono liberate dalla routine? Sono pronte per questo con le loro competenze e motivazione attuali?

Cosa avviare lunedì per maggiore efficienza

Come primo passo, eseguite un audit dei vostri progetti pilota di IA sospesi. Cioè, non introdurre nuove idee finché non avrete gestito correttamente quelle vecchie. Nel 90% dei casi, il problema è la mancanza di responsabilità, il fatto che nessuno sia chiaramente responsabile della sua scalabilità. Quindi assegnate la proprietà.

Se qualcuno ha già la responsabilità del controllo dell’IA, il passo successivo è rivedere il processo e ricostruirlo interamente. Non aggiungere semplicemente l’IA al flusso di lavoro esistente. Il mio consiglio è chiedersi invece come sarebbe questo processo se lo progetteremmo oggi da zero, sapendo che l’IA può eseguire analisi primarie. Spesso la risposta è molto più semplice di quanto sembri.

Inoltre, non dimenticate di calcolare i numeri reali che il modello di IA genera. Se, sei mesi dopo il lancio, non potete fornire dati sull’efficacia del vostro modello (ad esempio ore risparmiate o profitti aumentati), allora non funziona come dovrebbe, quindi è meglio riconsiderare il suo valore.

E, forse soprattutto, non licenziare le persone, soprattutto quelle responsabili e quelle che hanno sempre svolto il loro lavoro onestamente. Se le persone portano più soldi all’azienda di quanto guadagnino in un anno, il licenziamento diventerà presto un problema per te. E le aziende che non comprendono questo perdono la loro conoscenza istituzionale e la fiducia del team, il che poi costa molto di più.

Nel complesso, il 95% dei progetti pilota non raggiunge il risultato, non perché la tecnologia abbia fallito. Non lo raggiungono perché l’organizzazione che li circonda è rimasta la stessa e obsoleta. Questa è l’unica variabile che dovrebbe essere cambiata per prima.