Il 2023 sarà ricordato, nella storia della tecnologia, come l’anno in cui l’AI generativa ha conquistato l’attenzione del grande pubblico, anche al di fuori degli ambienti strettamente digitali. Quello che ci si può aspettare per la fine del 2024 e l’inizio del 2025 è che i sistemi basati su intelligenza artificiale raggiungano un livello di maturità sufficiente per essere adottati con successo nei processi aziendali. Insomma, ci si aspetta che l’AI generativa esca dalla fase di sperimentazione per entrare a pieno titolo fra gli strumenti aziendali produttivi.
Il tema, come accade molto spesso negli ultimi anni, è legato soprattutto alla gestione del cambiamento ancora prima che alla tecnologia. Lo tratta, per esempio, McKinsey, che in un suo articolo sul tema invita a evitare il pilot purgatory, il “Purgatorio del [progetto] pilota”, evidentemente riferimento a tutte le situazioni in cui la tecnologia è pronta ma il cambiamento in azienda non viene gestito in modo adeguato alla sua accettazione. Eppure, si parla di un potenziale enorme. Secondo questa ricerca in settori come quello bancario sarebbe possibile automatizzare fino al 54% delle operazioni, mentre in altri settori si potrebbe beneficiare molto di sistemi assistiti in cui l’AI generativa supporta gli operatori per migliorarne l’efficienza.
Come uscire, quindi, dal purgatorio in cui l’AI generativa si trova oggi, in cui moltissimi ne intuiscono il potenziale ma poche realtà sono in grado di sfruttarlo nella pratica? La risposta, in realtà, è molto semplice: rendere pragmatico l’uso dell’intelligenza artificiale, partendo dai bisogni aziendali e dai campi in cui i suoi benefici sono più immediatamente praticabili.
Abbiamo accennato a come gli strumenti di AI generativa abbiano diversi potenziali. Per semplicità di trattazione, li riduciamo a due macro ambiti: l’automazione e l’assistenza agli operatori umani. Entrambi i contesti sottendono a un principio di base, ovvero che per conservare il pragmatismo è necessario sfruttare l’intelligenza artificiale nei campi in cui i suoi punti di forza sono più noti. Che, anche in questo caso in termini generali, sono riconducibili a tutte le applicazioni in cui è necessario ingerire grandi quantità di dati per estrarne al bisogno segmenti di informazioni significative.
Uno dei campi in cui è possibile ottenere risultati significativi in tempi relativamente brevi è l’estrazione di dati dai manuali tecnici, anche e soprattutto quando questi, per ragioni storiche, presentano difformità di formati e qualità. In questo caso il modello aziendale può essere addestrato attraverso un’ingestione e diventare un ottimo strumento sia per le attività automatizzabili, per esempio un service desk di primo livello via chatbot, sia per quelle assistite, per esempio permettendo agli operatori di identificare informazioni specifiche utilizzando il linguaggio naturale anziché complesse query su un data lake o un file repository.
Analogamente è possibile, per le realtà che già raccolgono all’interno dati di campo, utilizzarli per addestrare l’intelligenza artificiale attraverso un digital twin, un modello che possa essere usato come clone digitale di macchinari, impianti o stabilimenti. Questo può essere utilizzato per diversi scopi, dalla manutenzione predittiva fino all’addestramento dei nuovi operatori, che possono effettuare le prime fasi della formazione in ambiente simulato.
Si tratta di due esempi sui molti in cui l’AI generativa può avere un impatto immediato, e soprattutto un ROI Misurabile, facilitando le operazioni aziendali.
Per fare in modo che questo potenziale si possa esprimere, esistono alcuni requisiti, anche di natura tecnologica. Uno su tutti è l’utilizzo di modelli che non siano generici, ma che siano di proprietà dell’azienda e addestrati con dati propri. In questo modo è possibile creare una AI generativa opportunamente addestrata, che differisca dai servizi comunemente e genericamente accessibili e che sia in grado di meglio rispondere ai bisogni aziendali, attingendo in modo circostanziato e puntuale alla conoscenza utile per l’accelerazione delle operazioni.
Questo implica, come è naturale, che i servizi scelti appartengano alle principali piattaforme e ai principali vendor, capaci anche di fornire la compliance necessaria per la tutela, la conservazione e la sicurezza dei dati aziendali sfruttati dal modello di AI generativa scelta. Analogamente a quanto accade per esempio con la mera archiviazione, anche questi sistemi infatti devono rispondere a norme specifiche, per esempio quelle nel merito delle cloud region, in particolare nei settori in cui i dati potenzialmente usati per l’addestramento sono di tipo tutelato.
Abbiamo visto come l’Intelligenza Artificiale sia uno strumento con elevato potenziale, ma che molte aziende faticano ancora a cogliere. La formula per il successo, in questo caso, è semplice e si compone di due elementi complementari: la gestione del cambiamento e scelte tecnologiche adeguate, che permettano di sfruttarne il potenziale con un approccio pragmatico.