Mercati

AI: una strategia per cogliere le opportunità di business

Crescono le aspettative per le applicazioni di intelligenza artificiale, ma per ottenere risultati di business soddisfacenti bisogna definire una strategia di adozione e, soprattutto, assicurarsi una infrastruttura dati di qualità e una solida data governance

Pubblicato il 08 Gen 2018

AI per il business

Grandi sono oggi le aspettative nei confronti dell’intelligenza artificiale (AI), come rileva lo studio Reshaping Business With Artificial Intelligence realizzato da MITSloan Management Review in collaborazione con BCG-The Boston Consulting Group nella primavera del 2017, attraverso una survey a livello mondiale presso 3.000 business executive e 30 interviste approfondite con analisti ed esperti tecnologici: se oggi solo il 14% ritiene che queste tecnologie abbiano un impatto sulla propria offerta di prodotti e servizi, salta infatti al 63% la quota che si attende impatti entro i prossimi 5 anni (nella figura 1 si vedono le diverse opinioni in base al settore di appartenenza); trend analogo per quanto riguarda i processi, dove il 59% si aspetta un importante impatto entro i prossimi 5 anni (figura 2).

Figura 1 – aspettative dall’introduzione di tecniche AI sull’offerta – fonte: Reshaping Business With Artificial Intelligence, MITSloan Management Review e BCG-The Boston Consulting Group, primavera 2017

Figura 2 – aspettative dall’introduzione di tecniche AI sui processi aziendali – fonte: Reshaping Business With Artificial Intelligence, MITSloan Management Review e BCG-The Boston Consulting Group, primavera 2017

Lo studio riporta alcuni esempi che sostanziano queste affermazioni.

Information Technology

Il potenziale dell’AI viene rilevato soprattutto negli ambiti di amministrazione dei sistemi e dell’IT, help desk. “Molte di queste attività, ripetitive e poco business appealing, negli anni passati sono state trasferite in paesi con un basso costo del lavoro. Grazie al crescente livello di automazione e all’introduzione di tecniche di intelligenza artificiale i nostri sistemi sono oggi in grado di svolgere queste attività”, ha dichiarato Vishal Sikka, CEO e Direttore Generale di Infosys Ltd.

Operation e produzione

È questo un ambito nel quale gli executive intervistati si attendono i maggiori effetti positivi dall’utilizzo dell’intelligenza artificiale. Ahmed Hashmi, Global Head of Upstream Technology della società petrolifera BP, per esempio, spiega come grazie alla sua adozione vengano migliorati gli skill di chi opera sul campo: “Il sistema, che abbiamo chiamato BP well advisor, raccoglie tutti i dati di perforazione e invia indicazioni agli ingegneri per la regolazione continua dei parametri di perforazione affinché rimangano nell’area migliore per svolgere questa attività, allertandoli su possibili deviazioni”.

Customer care

Più che riconosciuto il potenziale dell’AI in questo campo che è anche quello dove si rileva il maggior numero di esempi concreti. Tra i tanti possibili, lo studio porta quello della seconda compagnia di assicurazioni cinese, Ping An Insurance, che è in grado di offrire un prestito online in soli 3 minuti grazie a uno strumento di valutazione del cliente che utilizza un sofisticato sistema di riconoscimento facciale, basato su tecniche AI, e che ha consentito di verificare più di 300 milioni di volti in varie applicazioni.

Sin da quando si è iniziato a parlare di intelligenza artificiale nel lontano 1956, questo tema ha avuto numerosi alti e bassi, con picchi di entusiasmo e altrettanti di delusione, ma lo studio sembra dimostrare che oggi le opportunità si sono fatte più concrete, anche se non vengono sottovalutati i rischi: se il 50% degli intervistati vede nell’AI solo un’opportunità, il 40% si mostra più cauto sostenendo che essa può essere contemporaneamente un’opportunità e un rischio (figura 3). Purtroppo lo studio non spiega quali sono i rischi cui si riferiscono i rispondenti. Per questo aspetto ci può venire in aiuto un altro studio (A Future That Works: Automation,. Employment and Productivity, realizzato da McKinsey Global Institute, che abbiamo già analizzato in questo articolo) dove uno dei rischi principali evidenziati è quello della sicurezza, nei due sensi che questo termine racchiude e che il lessico inglese meglio esprime: security, ossia la protezione di un sistema, un oggetto, un’applicazione da intrusioni, e safety, ossia la salvaguardia della nostra incolumità personale (un esempio per tutti, i droni utilizzati in campo militare o le auto senza guidatore che non sempre hanno comportamenti “intelligenti”). Mentre, tornando allo studio MITSloan-BCG, risultano ridimensionate le preoccupazioni sulla perdita di posti di lavoro dovuta all’AI: meno della metà dei partecipanti (47%) si aspetta che la forza lavoro delle proprie società si riduca nei prossimi 5 anni e quasi l’80% crede che le attuali competenze dei dipendenti saranno aumentate; meno di un terzo dei manager teme che l’AI porterà via alcune delle funzioni attualmente svolte da loro stessi.

Figura 3 – AI: opportunità o rischio? – fonte: Reshaping Business With Artificial Intelligence, MITSloan Management Review e BCG-The Boston Consulting Group, primavera 2017

Tra il dire e il fare…discrepanza tra aspettative e azione

Nonostante le grandi aspettative, l’adozione dell’AI all’interno delle aziende è però ancora in una fase iniziale: sebbene il 23% segnali una qualche forma di adozione stabile, dato significativo per una nuova tecnologia (figura 4), lo studio rileva che ci sono notevoli differenze sulla comprensione di cosa significa sviluppare prodotti e servizi basati sull’AI (dato che indica la limitata maturità delle aziende in questo ambito): sul fronte costi abbiamo quasi le stesse percentuali tra chi sostiene che la propria organizzazione ha ben compreso (16%) qual è l’impegno economico richiesto e chi pensa invece che non lo abbia compreso (17%); situazione analoga sul fronte dei dati necessari per sviluppare gli algoritmi AI, dove per il 19% la propria organizzazione ha ben chiaro cosa significa (in termini di processo di data governance, qualità dei dati ecc.) disporre dei dati necessari per utilizzare efficacemente strumenti AI e per il 16% questa comprensione è limitata.

Figura 4 – livello di adozione dell’AI – fonte: Reshaping Business With Artificial Intelligence, MITSloan Management Review e BCG-The Boston Consulting Group, primavera 2017

Data l’evidente diversità nelle aziende intervistate, gli estensori dello studio hanno clusterizzato le aziende in 4 aree:

  • Pionieri (19%): le aziende che hanno ben compreso cosa significa implementare soluzioni AI e che lo hanno fatto.
  • Investigatori (32%): imprese che hanno compreso cosa significa sviluppare prodotti e servizi implementando soluzioni AI, ma lo hanno fatto solo in alcuni progetti pilota.
  • Sperimentatori (13%): aziende che stanno sperimentando realizzando progetti pilota, ma in realtà non hanno ancora compreso a fondo cosa significhi implementare soluzioni di questo tipo.
  • Passivi (36%): realtà che non hanno ancora compreso cosa significhi implementare soluzioni di questo tipo e che non lo hanno fatto.

Quali sono dunque le barriere che impediscono l’adozione dell’AI?

Le principali motivazioni non riguardano tanto eventuali problematiche tecnologiche bensì tematiche di business (figura 5): le due principali (con differenti percentuali in base al cluster di appartenenza) sono la scarsa chiarezza o la mancanza di business case e l’attenzione ad altre priorità di investimento; al terzo posto viene però il solito, annoso problema connesso all’introduzione di moltissime nuove tecnologie ossia la difficoltà a reperire sul mercato le competenze adeguate.

Figura 5 – barriere all’adozione dell’AI – fonte: Reshaping Business With Artificial Intelligence, MITSloan Management Review e BCG-The Boston Consulting Group, primavera 2017

I dati necessari per un’applicazione AI: uno snodo cruciale

Al di là delle differenze che caratterizzano i diversi cluster a livello di adozione e comprensione, il vero snodo è rappresentato dalla comprensione della cruciale interdipendenza tra dati e algoritmi AI e che si può riassumere in una semplicissima frase: impossibile sviluppare buoni algoritmi con cattivi dati.

Lo studio spiega infatti chiaramente che uno degli equivoci più insidiosi (e che può portare a risultati disastrosi) è quello di ritenere che un sofisticato algoritmo di AI possa fornire interessanti risultati di business anche in presenza di dati scarsi o poco attendibili. Ma la generazione di valore per il business è direttamente connessa con la capacità dell’algoritmo di AI di autoapprendere determinati comportamenti (sulla base di ricorrenze, eccezioni ecc.) e questo è possibile solo se l’infrastruttura dati su cui si basa è affidabile.

Ebbene, quasi la metà dei rispondenti afferma che questo concetto non è assolutamente chiaro all’interno delle proprie organizzazioni, ma è importante sottolineare anche che in questo ambito la differenza tra i diversi cluster è molto meno marcata: comparando i Passivi con i Pionieri, questi ultimi hanno 12 volte più chiaro dei primi che gli algoritmi di AI si basano su un processo di autoapprendimento, comprendono 10 volte di più quali sono i costi connessi allo sviluppo di prodotti e servizi basati su AI, ma hanno solo 8 volte più chiaro il ruolo di dati efficaci per supportare il processo di autoapprendimento di un algoritmo AI.

Algoritmi molto sofisticati possono in alcuni casi supplire a una carenza di dati, ma solo se si tratta di dati di alta qualità. Lo studio non lascia possibilità di appello nel caso questa condizione non si verifichi: dati di bassa qualità paralizzano qualsiasi algoritmo.

Infine lo studio mette in guardia da due altre insidie: molte aziende ritengono di poter utilizzare tutti i dati di cui sono in possesso, invece possono esserci vincoli nell’utilizzo (legati a normative sulla privacy ecc.) per cui bisogna fare molta attenzione ai dati che vengono “dati in pasto” all’algoritmo AI; la seconda insidia è che la frammentazione dei dati in diversi sistemi e database può impedire o limitare il processo di autoapprendimento dell’algoritmo.

Insomma, l’adozione di un sistema di intelligenza artificiale non può prescindere da una buona infrastruttura dati e da una robusta data governance.

Come sviluppare una strategia di AI

Nella parte finale dello studio vengono riassunte le principali sfide di carattere manageriale che le aziende devono affrontare per introdurre l’intelligenza artificiale in azienda e quali sono i punti di attenzione sui quali focalizzarsi.

In primo luogo il top management e gli executive delle varie linee di business devono aumentare la propria conoscenza sull’intelligenza artificiale: non si tratta di studiarne gli aspetti scientifici, ma di capire quali benefici in termini di business (nel proprio specifico ambito) può portare e quali vantaggi dal punto di vista dell’organizzazione dei processi. La seconda sfida riguarda la creazione di un’organizzazione coerente con l’introduzione di tecniche di AI e quindi: flessibilità, sviluppo di forme di collaborazione interfunzionali pensando anche a team composti da umani e da macchine. La terza riguarda il panorama competitivo: bisogna osservare come si stanno muovendo i competitor del proprio settore e di quelli affini perché l’introduzione di queste tecniche può garantire un grande vantaggio e se si opera in un settore molto reattivo all’AI bisogna necessariamente accelerare la definizione di una strategia.

Infine, alcuni punti di attenzione. Pur premettendo che anche per l’AI valgono gli stessi principi di qualsiasi altra tecnologia digitale, lo studio evidenzia alcune caratteristiche distintive.

Assicurarsi la fiducia dei clienti

Molte iniziative digitali dipendono dalla fiducia dei clienti sull’utilizzo dei dati che essi forniscono per usufruire di un determinato servizio, ma nel caso dell’AI il tema è più delicato per vari motivi: non sempre si è in grado di spiegare chiaramente come vengono utilizzati questi dati; molte applicazioni di AI simulano perfettamente gli esseri umani, bisogna però che i clienti capiscano chiaramente quando stanno interagendo con una macchina e quando con un essere umano; alcuni sistemi AI sono in grado di valutare le emozioni di chi interagisce con loro, acquisendo quindi informazioni molto delicate e il cliente deve avere ben chiaro chi ha accesso a queste informazioni.

Verificare i dati sui quali si basa l’applicazione

Come già detto, l’infrastruttura dati sottostante un sistema AI è fondamentale, quindi il controllo di qualità dei dati è un’attività indispensabile per partire con un progetto di questo tipo e che non si esaurisce dopo l’avvio, ma deve essere costante nel tempo.

Sperimentare, sperimentare, sperimentare

Questo è un adagio valido per l’introduzione di tutte le nuove tecnologie digitali, ma in questo caso è ancor più necessario: le stime sui risultati sono particolarmente difficili nel caso dell’AI, con una variabilità maggiore tra successo e fallimento.

Pianificare la propria strategia AI sulla base di differenti scenari

Come qualsiasi tecnologia digitale, anche l’AI può potenzialmente spostare il modello di business di un’azienda, introducendone di nuovi. È quindi fondamentale delineare possibili scenari, provarne la resilienza affinando la capacità di riconoscere gli eventi che possono avere maggiore effetto.

Motivare la forza lavoro

L’adozione di tecniche di AI può avere effetti negativi sui dipendenti, generando ansia riguardo il loro futuro lavorativo. È quindi importante sviluppare iniziative di comunicazione, formazione e collaborazione per far correttamente percepire il valore di queste tecniche, dissipando i timori.

In conclusione, quindi, per l’AI si parla di una nuova rivoluzione ed effettivamente l’impatto sul business può essere importante, ma dall’analisi compiuta in questo studio si evince anche che, seppur con tutti i distinguo e le necessarie focalizzazioni di cui abbiamo parlato, gli highlight tecnologici e organizzativi che la renderanno possibile sono quelli che da qualche anno abbiamo più volte sottolineato: organizzazione lean, flessibile, con team interfunzionali, approcci Agile e DevOps e infrastruttura tecnologica altrettanto flessibile, ibrida, software defined.

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

Articoli correlati

Articolo 1 di 4