Soluzioni aziendali basate sull'intelligenza artificiale

L’intelligenza artificiale è ormai presente nella maggior parte delle grandi organizzazioni, ma la sua presenza non va confusa con la trasformazione. I dipendenti possono utilizzare i copiloti per redigere e-mail, i team tecnologici possono testare agenti autonomi e i reparti di assistenza clienti possono implementare chatbot, eppure molte aziende faticano ancora a dimostrare un ritorno finanziario affidabile. La domanda centrale per i dirigenti aziendali non è più se investire nell’IA, bensì in quali ambiti la tecnologia possa migliorare un processo aziendale specifico in misura tale da giustificare i dati, l’infrastruttura, la governance e il cambiamento organizzativo che essa richiede.

L'adozione è diffusa, ma non lo è la sua portata

Il mercato dell'IA aziendale è passato rapidamente da esperimenti isolati a un utilizzo diffuso. Gli strumenti di IA generativa hanno abbassato la barriera tecnica, consentendo ai dipendenti di sintetizzare documenti, redigere prime bozze, cercare informazioni interne e fornire assistenza nello sviluppo di software senza dover creare un modello da zero.

Questa accessibilità può far sembrare che l'adozione sia più avanzata di quanto non sia in realtà. Un'organizzazione può essere considerata un utente di IA semplicemente perché un reparto ha introdotto un assistente alla scrittura, anche se la tecnologia non è stata integrata nei sistemi principali né ha comportato la riprogettazione di un flusso di lavoro end-to-end.

C'è una differenza sostanziale tra rendere un'attività esistente leggermente più veloce e modificare il modo in cui opera l'azienda. Nel primo caso, i dipendenti potrebbero risparmiare alcuni minuti alla volta; nel secondo, potrebbero essere necessarie nuove responsabilità, procedure di approvazione, un'architettura dei dati e indicatori di performance.

Le aziende spesso riescono a portare a termine con successo le fasi di sperimentazione perché un progetto pilota può essere gestito da un piccolo team con dati limitati e un'attenzione ridotta da parte dei vertici aziendali. Il passaggio su larga scala è più complesso. Il sistema deve funzionare a livello transnazionale, tra diversi reparti, lingue e gruppi di clienti, rispettando al contempo i requisiti di sicurezza, normativi e operativi.

Il divario tra diffusione e valore non è quindi indice di un fallimento dell’IA. Dimostra piuttosto che l’acquisto di uno strumento rappresenta l’inizio del processo di implementazione, piuttosto che il suo termine.

Inizia dal flusso di lavoro, non dal modello

Un progetto di IA aziendale efficace parte da un problema operativo ben definito. Le richieste dei clienti richiedono troppo tempo per essere risolte, i tecnici faticano a trovare la documentazione tecnica, i team addetti agli acquisti si trovano a dover riesaminare ripetutamente contratti simili e i dipendenti del reparto finanziario impiegano giorni interi a riconciliare i dati provenienti da sistemi diversi.

L'organizzazione dovrebbe mappare il flusso di lavoro esistente prima di decidere come utilizzare l'intelligenza artificiale. Ciò consente di individuare dove si verificano i ritardi, quali informazioni sono necessarie, chi approva i risultati e cosa succede quando il processo non va a buon fine.

L'intelligenza artificiale potrebbe quindi essere applicata a una parte del flusso di lavoro. Potrebbe recuperare documenti pertinenti, classificare le richieste, preparare una bozza di risposta o individuare transazioni anomale da sottoporre a revisione umana. L'obiettivo dovrebbe essere misurabile: tempi di elaborazione più brevi, meno errori, riduzione delle rielaborazioni o una percentuale più elevata di richieste risolte al primo contatto.

Partire dalla tecnologia porta al risultato opposto. I team acquisiscono un potente modello generico e poi cercano motivi per utilizzarlo. L’applicazione finale potrebbe risultare tecnicamente impressionante, senza però risolvere un problema sufficientemente importante da giustificare un investimento continuativo.

Il servizio clienti è un punto di partenza affidabile

Il servizio clienti rappresenta una delle applicazioni aziendali più chiare, poiché il lavoro spesso comporta la gestione di grandi volumi di domande ricorrenti, sulla base di politiche consolidate e informazioni sui prodotti.

Un assistente basato sull'intelligenza artificiale è in grado di effettuare ricerche in una base di conoscenze approvata, suggerire risposte e riassumere le interazioni precedenti. Può inoltre classificare una richiesta e inoltrarla al team competente. Il dipendente rimane responsabile della verifica della risposta e della gestione dei casi insoliti o delicati.

Un chatbot a contatto con i clienti comporta un rischio maggiore, poiché una risposta errata raggiunge direttamente il cliente. Il sistema dovrebbe quindi limitarsi a fornire informazioni che può ricavare da fonti verificate, con un percorso chiaro per il reindirizzamento a un operatore umano quando il livello di affidabilità è basso o la richiesta esula dal suo ambito di competenza.

Il successo non dovrebbe essere misurato esclusivamente in base al numero di conversazioni gestite dal bot. Un’azienda dovrebbe anche verificare se i clienti ricevono risposte corrette, se aumentano i reclami e se gli utenti rimangono intrappolati in cicli automatizzati mentre cercano di contattare l’assistenza umana.

Un'automazione che riduce i costi del servizio ma rende più difficile risolvere i problemi non rappresenta un miglioramento significativo.

L'intelligenza artificiale può migliorare il lavoro intellettuale senza sostituire il giudizio

I dipendenti qualificati dedicano molto tempo alla ricerca di informazioni, al confronto tra documenti e alla stesura di prime bozze di routine. L'intelligenza artificiale può supportare queste attività quando è collegata a fonti interne affidabili.

Un team legale potrebbe utilizzarlo per individuare le clausole che si discostano dal testo approvato. Un analista finanziario potrebbe ricorrervi per estrarre informazioni da una serie di relazioni. Un team di ricerca potrebbe utilizzarlo per organizzare i risultati prima di procedere a un’analisi più approfondita.

La distinzione tra assistenza e processo decisionale è fondamentale. Un modello può evidenziare una formulazione insolita in un contratto, ma spetta a un avvocato qualificato determinarne il significato giuridico. Può individuare un andamento finanziario inaspettato, ma spetta alla direzione decidere se la questione costituisca una frode, un errore o una normale eccezione.

I dipendenti devono inoltre sapere quando lo strumento non è sicuro. Un sistema di intelligenza artificiale che presenta ogni risposta con lo stesso grado di sicurezza favorisce il “bias dell’automazione”, in particolare quando gli utenti sono indaffarati o danno per scontato che la tecnologia abbia accesso a informazioni di cui in realtà non dispone.

L'obiettivo dovrebbe essere quello di eliminare le attività amministrative di scarso valore, preservando al contempo la responsabilità professionale.

Lo sviluppo di software offre chiari vantaggi e nuovi rischi

Gli assistenti di programmazione possono suggerire funzioni, spiegare il codice che non si conosce, generare test e aiutare gli sviluppatori a individuare gli errori. Sono particolarmente utili per le attività di routine e per orientarsi in codici di grandi dimensioni.

Il risultato deve comunque essere sottoposto a revisione. Il codice generato può contenere vulnerabilità di sicurezza, logiche inefficienti o dipendenze non adatte ai sistemi aziendali. Un suggerimento che sembra funzionare se considerato isolatamente potrebbe causare problemi una volta introdotto in un ambiente di produzione complesso.

Le aziende dovrebbero stabilire quali archivi e quali dati possano essere condivisi con un modello esterno. Gli sviluppatori non devono inserire codice proprietario, credenziali o informazioni sui clienti in uno strumento pubblico non approvato.

Il vantaggio più concreto non è quello di sostituire gli ingegneri del software, bensì di consentire agli sviluppatori qualificati di dedicare meno tempo alle attività ripetitive di implementazione e più tempo all’architettura, alla sicurezza e alla risoluzione di problemi complessi. Ciò richiede che il personale venga formato per valutare il codice generato, anziché limitarsi ad accettarlo passivamente.

Le catene di approvvigionamento hanno bisogno di dati più accurati per poter elaborare previsioni più precise

L'intelligenza artificiale può aiutare le aziende a prevedere la domanda, individuare le interruzioni nella catena di approvvigionamento e ottimizzare le scorte, ma i modelli della catena di approvvigionamento dipendono dai dati raccolti presso fornitori, magazzini, operatori di trasporto e sistemi interni.

Questi dati sono raramente così puliti come suggerisce una dimostrazione. I codici dei prodotti possono variare da un’unità aziendale all’altra, i registri delle consegne possono essere incompleti e i fornitori possono riportare le informazioni utilizzando definizioni incompatibili. Un modello sofisticato addestrato su dati incoerenti produrrà una versione sofisticata di tale incoerenza.

Le previsioni diventano difficili anche quando il futuro si discosta nettamente dal passato. Guerre, pandemie, restrizioni commerciali e cambiamenti improvvisi nelle abitudini dei consumatori possono invalidare le relazioni individuate dai dati storici. I pianificatori umani rimangono indispensabili per interpretare eventi che il modello non ha mai incontrato in precedenza.

L'intelligenza artificiale può rivelarsi particolarmente utile come strumento per l'analisi degli scenari e la definizione delle priorità. È in grado di individuare quali materiali risultano vulnerabili, stimare il possibile impatto di un ritardo e aiutare i responsabili della pianificazione a valutare le alternative. Non dovrebbe però dare l'impressione che l'incertezza sia stata eliminata.

La personalizzazione ha un limite

I reparti marketing possono utilizzare l'intelligenza artificiale per raggruppare i clienti, consigliare prodotti e personalizzare i contenuti. Nel migliore dei casi, ciò riduce le comunicazioni irrilevanti e aiuta i clienti a trovare più rapidamente ciò che fa al caso loro.

Nel peggiore dei casi, la personalizzazione si trasforma in sorveglianza invadente. Le aziende potrebbero combinare dati relativi alla navigazione, agli acquisti, alla posizione e al comportamento in modi che i clienti non si aspettano né comprendono. Un algoritmo potrebbe inoltre dedurre caratteristiche sensibili o discriminare indirettamente attraverso indicatori apparentemente neutri.

L'azienda dovrebbe chiedersi se ogni tipo di dato sia effettivamente necessario e se il cliente ne considererebbe ragionevole l'utilizzo. Un targeting più mirato non sempre comporta un aumento proporzionato delle vendite, ma comporta sempre ulteriori responsabilità in materia di consenso, sicurezza e conservazione dei dati.

La personalizzazione dovrebbe migliorare la pertinenza senza limitare l'autonomia del cliente. Interfacce manipolatorie, urgenza artificiale e trattamenti differenziati basati su previsioni poco trasparenti possono generare ricavi a breve termine, ma minare la fiducia.

La sicurezza informatica richiede un controllo umano

L'intelligenza artificiale può aiutare i team di sicurezza ad analizzare gli avvisi, identificare comportamenti insoliti e sintetizzare i potenziali incidenti. Può ridurre la mole di informazioni di routine che un analista deve elaborare ed evidenziare i modelli che meritano un'indagine.

La stessa tecnologia è a disposizione degli hacker. Gli strumenti generativi possono facilitare la creazione di messaggi di phishing, codice dannoso e tecniche di ingegneria sociale, aumentando sia il volume che la credibilità dei tentativi di frode.

Una risposta automatizzata in materia di sicurezza può inoltre causare disagi se blocca utenti legittimi o arresta un sistema essenziale sulla base di un segnale errato. Le azioni ad alto impatto richiedono soglie di approvazione ben definite e procedure di rollback affidabili.

L'intelligenza artificiale dovrebbe rafforzare un programma di sicurezza più ampio, anziché compensare controlli di accesso carenti, software obsoleto o una formazione inadeguata dei dipendenti. È improbabile che un'azienda incapace di gestire le password e le patch software riesca a garantire la propria sicurezza semplicemente aggiungendo un dashboard predittivo.

La qualità dei dati è l'investimento nascosto

Le discussioni sull’intelligenza artificiale aziendale si concentrano spesso sui modelli, ma lo sforzo pratico maggiore potrebbe riguardare proprio la preparazione delle informazioni interne all’azienda.

I documenti potrebbero essere obsoleti, duplicati o archiviati su diversi sistemi. La titolarità potrebbe non essere chiara e le decisioni importanti potrebbero essere conservate solo nelle conversazioni via e-mail o nella memoria dei dipendenti più esperti. Collegare un assistente basato sull’intelligenza artificiale a questo ambiente può rendere più facile il recupero di informazioni inaffidabili, piuttosto che correggerle.

Prima di espandersi, le aziende devono stabilire delle regole che definiscano quale fonte sia autorevole, chi possa modificarla e in che modo vengano rimosse le informazioni obsolete. Le autorizzazioni di accesso devono allinearsi ai documenti di riferimento, in modo che un’interfaccia di intelligenza artificiale non divulghi materiale riservato a dipendenti che in precedenza non potevano visualizzarlo.

La preparazione dei dati può sembrare meno entusiasmante dello sviluppo dei modelli, ma è proprio da essa che dipende la capacità di un sistema aziendale di fornire risposte utili. Un modello più semplice, se abbinato a informazioni ben gestite, può dare risultati migliori rispetto a uno più potente che opera su dati disorganizzati.

Per cosa vale la pena spendere?

L'investimento è giustificato quando l'intelligenza artificiale interviene su un processo ripetitivo e costoso, con un volume tale da generare un valore misurabile. Un'integrazione affidabile con i sistemi interni, i controlli di sicurezza e il monitoraggio può avere un valore maggiore rispetto all'accesso al modello più recente.

Anche le capacità di valutazione meritano di essere finanziate. Le aziende hanno bisogno di set di test che rispecchino la realtà lavorativa, inclusi casi complessi, lingue diverse e gruppi che potrebbero essere interessati in modo diseguale. Le prestazioni dovrebbero essere valutate prima dell’implementazione e monitorate successivamente, poiché i modelli e le condizioni di mercato sono soggetti a cambiamenti.

La formazione dei dipendenti dovrebbe andare oltre i semplici workshop sulla scrittura di prompt. Il personale deve comprendere i concetti di verifica, riservatezza, parzialità, proprietà intellettuale e i limiti dell’automazione. I manager devono imparare a riprogettare i ruoli, anziché limitarsi ad aggiungere uno strumento di intelligenza artificiale a un processo già di per sé inefficiente.

Una consulenza indipendente in ambito legale, di sicurezza o tecnico può rivelarsi preziosa qualora l’applicazione abbia ripercussioni su decisioni soggette a regolamentazione o su dati sensibili. La garanzia fornita dal fornitore circa la conformità di un sistema non dovrebbe sostituirsi alla valutazione effettuata dall’azienda stessa.

Cosa potrebbe non essere necessario

Non tutte le aziende hanno bisogno di un modello di base proprietario. L'addestramento e la manutenzione di un modello di questo tipo sono costosi, mentre i modelli disponibili in commercio o open source possono essere sufficienti per molte applicazioni.

Inoltre, un’organizzazione non ha bisogno di decine di strumenti complementari acquistati separatamente dai diversi reparti. Ciò aumenta i costi, frammenta i dati e complica la governance. Un portafoglio controllato di strumenti approvati è generalmente preferibile a una sperimentazione incontrollata finanziata tramite bilanci locali.

Gli agenti autonomi non dovrebbero essere implementati semplicemente perché rappresentano l'ultima novità del mercato. Consentire al software di portare a termine attività articolate in più fasi e di avviare azioni può essere utile, ma ogni ulteriore grado di autonomia aumenta il rischio operativo.

L'azienda dovrebbe iniziare con un'assistenza in sola lettura, per poi introdurre azioni limitate una volta comprese le prestazioni. La piena autonomia dovrebbe essere riservata a processi a basso rischio, con limiti chiari, monitoraggio e reversibilità.

La questione della forza lavoro non può essere elusa

L'intelligenza artificiale modifica la natura dei lavori anche quando non li elimina. Le attività di routine quali la redazione, la classificazione e l'analisi potrebbero richiedere meno ore, mentre la verifica, la gestione delle eccezioni e la supervisione del sistema assumono maggiore importanza.

Le aziende dovrebbero spiegare in che modo la tecnologia influirà sui ruoli, anziché presentare la sua adozione come un programma di innovazione astratto. I dipendenti saranno più propensi a impegnarsi se comprenderanno quali mansioni cambieranno, quali competenze saranno richieste e come verranno distribuiti i guadagni in termini di produttività.

La formazione dovrebbe essere collegata ai flussi di lavoro reali ed essere erogata durante l'orario di lavoro. Chiedere ai dipendenti di acquisire competenze in materia di IA pur mantenendo lo stesso carico di lavoro significa trasferire il costo della trasformazione sulla forza lavoro.

La dirigenza deve inoltre decidere se il tempo risparmiato verrà impiegato per migliorare la qualità, servire un maggior numero di clienti, snellire i processi lavorativi o ridurre l’organico. Evitare di affrontare questa questione genera incertezza e spinge i dipendenti a opporsi alla tecnologia o a nascondere il modo in cui la utilizzano.

Come passare dalla fase pilota alla fase di implementazione su larga scala

Un'azienda dovrebbe procedere all'espansione solo dopo che il progetto pilota abbia dimostrato un miglioramento significativo rispetto al processo esistente. Il confronto deve tenere conto dei costi del software, dei tempi di revisione da parte dei dipendenti, degli errori, dell'integrazione e del monitoraggio continuo.

La responsabilità deve quindi passare dal team sperimentale alla funzione responsabile del flusso di lavoro. Un’applicazione finanziaria dovrebbe, in definitiva, essere gestita dal reparto finanziario, con il supporto di specialisti in tecnologia e gestione del rischio, anziché rimanere indefinitamente all’interno di un laboratorio di innovazione.

È fondamentale che le responsabilità siano ben definite. Qualcuno deve assumersi la responsabilità dei risultati aziendali, qualcun altro delle prestazioni tecniche e qualcun altro ancora dei controlli legali e di rischio. Quando le responsabilità sono distribuite tra un fornitore, dei consulenti e diversi comitati interni, i problemi rischiano di rimanere irrisolti.

L'organizzazione dovrebbe inoltre mantenere la possibilità di interrompere o sostituire il sistema. I dati dovrebbero essere esportabili, gli obblighi contrattuali dovrebbero essere chiari e i processi critici dovrebbero poter proseguire nel caso in cui il fornitore non fosse più disponibile.

L’IA aziendale offre il massimo valore quando migliora un flusso di lavoro specifico, piuttosto che fungere da simbolo aziendale di innovazione. Le aziende dovrebbero investire innanzitutto nei dati, nell’integrazione, nelle competenze dei dipendenti e nella governance, per poi scalare solo le applicazioni che producono vantaggi misurabili senza indebolire la responsabilità. La tecnologia può trasformare alcune parti di una multinazionale, ma non può compensare processi poco chiari, informazioni inadeguate o una leadership riluttante a compiere scelte operative. Il vantaggio andrà meno alle aziende che acquistano più IA e più a quelle che la utilizzano in modo sufficientemente selettivo da capire dove funziona davvero.