Perché la maggior parte degli investimenti nell’intelligenza artificiale non darà i risultati sperati o fallirà

Le persone e le aziende sono ossessionate dal potenziale dell’intelligenza artificiale, ma 80% dei progetti di intelligenza artificiale fallirà, e non è dovuto alla volontà o all'entusiasmo. 

Sebbene l'intelligenza artificiale stia permeando ogni settore e industria, il problema risiede nel fatto che le aziende non si stanno preparando adeguatamente a questo cambiamento tecnologico. 

Il Boston Consulting Group segnala che una società su tre a livello globale prevede di spendere oltre $25 milioni sull'intelligenza artificiale. Pertanto, milioni di dollari andranno sprecati se le aziende continueranno a investire in soluzioni di intelligenza artificiale senza pianificare in anticipo. 

Tuttavia, con solide iniziative di gestione del cambiamento e un sistema a supporto delle nuove innovazioni e di KPI misurabili, le aziende possono invertire la rotta del successo della loro intelligenza artificiale.

Analizziamo i tre principali motivi per cui le iniziative di intelligenza artificiale falliscono. 

Mettere la tecnologia al primo posto e il business al secondo

Centinaia di rapporti e studi, soprattutto riguardanti IA generativa, mostrano la velocità e l'impressionante destrezza intellettuale degli algoritmi e dei programmi di intelligenza artificiale. 

L'intelligenza artificiale è stata investita in una grande quantità di innovazione, spingendo le aziende a volerla affrontare a testa bassa e investire nello sfruttamento di prototipi all'avanguardia. Tuttavia, il rischio è quello di spendere milioni di dollari per una soluzione che si traduce in un obiettivo aziendale poco chiaro o in un impatto non misurabile.

Infatti, Gartner prevede che almeno 30% dei progetti di intelligenza artificiale generativa saranno abbandonati entro la fine del 2025 a causa della scarsa qualità dei dati, di controlli dei rischi inadeguati, di costi crescenti o di un valore aziendale poco chiaro.

La scarsa qualità dei dati rappresenta un ostacolo che la maggior parte delle aziende non riesce a superare, soprattutto quando si tratta di massimizzare l'efficienza e l'efficacia delle soluzioni di intelligenza artificiale. I dati isolati sono tra i problemi più evidenti e rappresentano un problema aziendale che non può essere ignorato. I team possono ritrovarsi a perdere ore cercando di recuperare informazioni mancanti, cruciali per il processo decisionale strategico. 

E non sono solo i team a essere compromessi, ma anche gli strumenti. I modelli di apprendimento automatico, ad esempio, non sono in grado di funzionare correttamente quando i dati sono disconnessi e pieni di errori. 

Per garantire un ROI positivo sull'investimento, e prima di iniziare qualsiasi intervento tecnico, le organizzazioni devono identificare i problemi aziendali specifici che la soluzione di intelligenza artificiale intende risolvere. Ciò include la definizione di KPI e obiettivi misurabili, come la riduzione dei costi, l'aumento del fatturato o il miglioramento dell'efficienza, come la riduzione dei tempi di recupero dei dati.

Nello specifico, la strategia aziendale dovrebbe essere prioritaria e l'implementazione tecnologica dovrebbe seguire di conseguenza. In definitiva, le soluzioni tecnologiche dovrebbero fungere da mezzo per promuovere i risultati aziendali. Inoltre, le esigenze aziendali sono essenzialmente la spina dorsale dell'IA e di altre implementazioni tecnologiche. 

Ad esempio, un'azienda di logistica che desidera sfruttare l'intelligenza artificiale potrebbe stabilire obiettivi misurabili per il proprio software di intelligenza artificiale per ottimizzare le previsioni della domanda e migliorare la gestione della flotta, riducendo il numero di camion sottoutilizzati del 25% nei primi sei mesi e aumentando i profitti del 5%. 

Le aziende hanno bisogno di obiettivi misurabili per verificare costantemente che l'IA non solo migliori l'efficienza, ma che sia anche quantificabile. Questo è essenziale per spiegare agli stakeholder aziendali che la costosa scommessa sull'IA non solo è valsa la pena, ma che hanno anche i dati per dimostrarlo.  

Implementazione dell'intelligenza artificiale troppo ambiziosa

La promessa dell'IA di rivoluzionare tutto viene costantemente ribadita dai media e spesso presentata come una panacea. Questo può infondere un senso di falsa fiducia nei leader aziendali, inducendoli a credere di poter sfruttare i nuovi sistemi di IA e integrarli simultaneamente nei processi aziendali. 

Tuttavia, i tentativi troppo ambiziosi di risolvere un problema in un colpo solo di solito portano al fallimento. Le aziende dovrebbero invece iniziare in piccolo e scalare strategicamente per ottenere risultati migliori. 

Ad esempio, il successo è stato dimostrato su larga scala con Walmart, che ha introdotto algoritmi di apprendimento automatico in modo incrementale per ottimizzare la gestione dell'inventario. Il risultato? Una riduzione del 30% delle eccedenze di magazzino e un aumento del 20% della disponibilità a scaffale.

Per aiutare in questo, le aziende dovrebbero adattarsi a un quadro 'zona per vincere' per l'implementazione dell'intelligenza artificiale, una metodologia comprovata che aiuta i team a comprendere che devono bilanciare le operazioni attuali con l'innovazione futura. 

Il framework suddivide le attività aziendali in quattro aree: performance, produttività, incubazione e trasformazione. L'intelligenza artificiale non può rivoluzionare tutto in una volta, e l'area di incubazione crea uno spazio dedicato alla sperimentazione delle tecnologie di intelligenza artificiale senza stravolgere il core business.

Ad esempio, ecco come il framework "zone to win" potrebbe essere applicato a un'azienda di logistica di stoccaggio a freddo che implementa l'intelligenza artificiale:

• Zona di prestazione: Le attività principali dell'azienda, come la pianificazione del magazzino e la distribuzione delle merci, sono fondamentali per generare fatturato. Gli indicatori chiave di prestazione (KPI) per migliorare l'efficienza del magazzino, ridurre i tempi di sosta e aumentare le consegne, sono prioritari. 
• Zona di produttività:In questo caso, i processi interni vengono affrontati per aumentare l'efficienza e ridurre i costi, come le spese di detenzione, integrando funzionalità di data science quali analisi predittive e strumenti di analisi in tempo reale. 
• Zona di incubazione:L'azienda dedica tempo alla sperimentazione di strumenti basati sui dati in determinati magazzini, consentendo ai team di determinare quali innovazioni potrebbero trasformarsi in flussi di entrate future.
• Zona di trasformazione: È qui che l'azienda estende la sua trasformazione digitale a tutta l'organizzazione, seguendo un'infrastruttura digitale completa che garantisce risultati aziendali ricorrenti. 

Il framework aiuta la dirigenza a prendere decisioni sull'allocazione delle risorse tra il mantenimento delle operazioni correnti e gli investimenti in capacità future basate sull'intelligenza artificiale. Questa consapevolezza contribuisce a evitare il problema e l'inevitabile fallimento di investimenti in intelligenza artificiale eccessivamente distribuiti tra troppi dipartimenti e processi.

Mancanza di adozione da parte degli utenti

Le aziende si stanno affrettando a sfruttare tutti i vantaggi offerti dall'intelligenza artificiale e dall'apprendimento automatico senza prima considerare le persone che li utilizzano. Anche le soluzioni di intelligenza artificiale più sofisticate falliscono se gli utenti finali non comprendono la tecnologia: tutto si basa sulla fiducia e su una formazione completa.

Il fattore fondamentale per l'integrazione dell'IA è la sua operatività. Ciò significa garantire che gli strumenti di IA siano integrati nei flussi di lavoro e integrati nei processi aziendali. 

Altri strumenti di lavoro, come i CRM, ottimizzano e controllano un intero processo dall'inizio alla fine. Questo semplifica la formazione, poiché ogni fase del processo può essere illustrata e spiegata. Tuttavia, l'IA generativa opera a un "livello di attività" più granulare, piuttosto che comprendere interi processi. Può essere utilizzata sporadicamente in diverse fasi di metodi diversi; anziché supportare un flusso di lavoro completo, ogni utente potrebbe applicare l'IA in modo leggermente diverso per le proprie attività specifiche. 

Ruth Svensson, partner di KPMG UK, ha dichiarato: Forbes: "Poiché l'IA generativa opera a livello di attività piuttosto che a livello di processo, non è possibile individuare facilmente le lacune formative". Di conseguenza, i dipendenti potrebbero utilizzare lo strumento di IA senza comprendere come si inserisca negli obiettivi aziendali più ampi, con conseguenti lacune formative nascoste. Queste lacune potrebbero includere una scarsa comprensione di come sfruttare appieno le capacità dell'IA, di come interagire efficacemente con il sistema o di come garantire che i dati generati vengano utilizzati correttamente.

In questo caso, una gestione efficace del cambiamento diventa cruciale per l'adozione da parte degli utenti. La gestione del cambiamento consente alle organizzazioni di garantire che i dipendenti non si limitino ad adottare la nuova tecnologia, ma ne comprendano anche tutte le implicazioni per le loro attività e i loro processi aziendali. 

Senza un'adeguata gestione del cambiamento, le aziende non riusciranno a raggiungere l'obiettivo in termini di adozione di strumenti di intelligenza artificiale da parte degli utenti, correndo al contempo il rischio di esacerbare le lacune tecnologiche, che rappresentano una discesa verso maggiori inefficienze, errori e l'incapacità di massimizzare il potenziale della soluzione di intelligenza artificiale.

Affinché le iniziative di change management funzionino, è necessario un team dirigenziale qualificato e designato che guidi il movimento. I leader devono individuare le lacune formative a livello di attività e fornire o organizzare corsi di formazione personalizzati per i dipendenti, in base alle specifiche attività per cui utilizzeranno l'IA.

L'idea è quella di responsabilizzare e incoraggiare i dipendenti ad acquisire maggiore comprensione e fiducia nel nuovo sistema. Solo allora si otterrà comprensione e accettazione, portando le aziende a un'adozione diffusa e a una migliore applicazione della tecnologia.

È chiaro che l'intelligenza artificiale è la tecnologia che definisce questo decennio, ma senza un'operatività adeguata, il suo impatto continuerà a essere sprecato. Aggiornando le iniziative di change management, implementando lentamente le iniziative di intelligenza artificiale e utilizzando KPI misurabili, le aziende non solo investiranno nell'intelligenza artificiale, ma ne trarranno anche profitto.