Le 5 sfide principali dell'adozione dell'AI nel 2025

5 anni fa, Rob Thomas e Paul Zikopoulos di IBM hanno creato un framework per adottare con successo l'intelligenza artificiale (AI) chiamato AI Ladder, un "approccio unificato e prescrittivo per aiutare [i leader] a comprendere e accelerare il percorso dell'AI". Il framework è diventato un libro, che è stato presentato con parole che potrebbero ora sembrare bizzarre:

“Tutti parlano di AI. Perché? Riteniamo che l'AI rappresenti un'enorme opportunità per le aziende di ogni dimensione in ogni settore".

Considerando l'attuale panorama dell'AI, è buffo immaginare un mondo in cui Rob e Paul sentissero il bisogno di persuadere i lettori che l'AI sarebbe diventata una cosa importante. Sono interessanti anche i "pioli" della scala: modernizzare, raccogliere, organizzare, analizzare e integrare.

Nel 2020, molte organizzazioni non avevano ancora messo piede sul primo gradino. Sono passati solo 5 anni e non è necessario leggere un rapporto di McKinsey per sapere che l'AI è il futuro.

Praticamente ogni organizzazione può adottare l'AI in un modo o nell'altro. I nuovi progressi tecnologici hanno reso più facile la realizzazione di integrazioni di AI che producono un ritorno sull'investimento (ROI) immediato.

La mancanza di entusiasmo per l'AI non è mai una questione di incertezza sul potenziale dell'AI, bensì su come farlo nel modo giusto.

L'IBM Institute of Business Value ha pubblicato un rapporto che ha rivelato alcuni dati interessanti sull'adozione dell'AI, in particolare sugli ostacoli che ancora impediscono alle organizzazioni di fare progressi nell'intelligenza artificiale generativa (gen AI). 

Quasi la metà dei rispondenti ha espresso preoccupazione riguardo all'accuratezza o al bias dei dati. I dirigenti aziendali possono superare queste preoccupazioni dando priorità alla governance, alla trasparenza e all'etica dell'AI.

La governance dell'AI è fondamentale per raggiungere uno stato di conformità, fiducia ed efficienza nello sviluppo e nell'applicazione delle tecnologie AI. La governance efficace dell'AI include meccanismi di supervisione che si occupano di rischi quali bias, violazione della privacy e uso improprio, promuovendo al contempo l'innovazione e aumentando la fiducia. 

Strutture di governance solide, come i comitati etici per l'AI e conformità ai framework, aiutano a garantire le responsabilità e a implementare l'AI in modo responsabile.

L'etica dell'AI è un campo multidisciplinare che studia come ottimizzare l'impatto positivo dell'AI, riducendo al contempo i rischi e gli esiti negativi. L'etica dell'AI comprende gli aspetti di responsabilità e privacy dei dati, equità, spiegabilità, robustezza, trasparenza e altre considerazioni etiche.

I controlli dell'equità e altre misure correttive rientrano nell'etica dell'AI e aiutano a garantire che i suoi output siano affidabili ed equi.

La trasparenza dell'AI aiuta le persone ad accedere alle informazioni per capire meglio come è stata creata una soluzione di AI e come prende le decisioni. I ricercatori descrivono spesso l'AI come una "scatola nera", poiché può essere ancora difficile spiegare, gestire e regolamentare i risultati dell'AI a causa della sua crescente complessità tecnologica. La trasparenza dell'AI aiuta ad aprire questa scatola nera per comprendere meglio i risultati dell'AI.

Circa il 42% dei rispondenti ha dichiarato di ritenere che la propria organizzazione non abbia accesso a una quantità sufficiente di dati proprietari. Le aziende possono superare il notevole problema dell'insufficienza di dati di alta qualità per personalizzare i modelli AI utilizzando una combinazione di data augmentation, generazione di dati sintetici e partnership strategiche per i dati.

Un approccio efficace consiste nel migliorare i set di dati esistenti attraverso tecniche di augmentation come parafrasi, traduzione o aggiunta di rumore per aumentare la diversità senza acquisire dati completamente nuovi.

I dati sintetici creati artificialmente tramite simulazione al computer o generati da algoritmi di AI possono sostituire i dati del mondo reale. I dati possono essere utilizzati come alternativa o integrazione ai dati reali quando non sono prontamente disponibili.

Un'altra strategia chiave consiste nell'avvio di partnership strategiche e la partecipazione a iniziative di condivisione dei dati a livello di settore. La collaborazione con aziende, istituti di ricerca o consorzi non concorrenti consente alle aziende di accedere a set di dati più ampi e diversificati, evitando i timori etici e aderendo agli standard legali.

L'apprendimento federato, in cui i modelli vengono addestrati su fonti di dati decentralizzate senza condividere dati non elaborati, è un altro modo per trarre beneficio dai dati esterni mantenendo la sicurezza e la conformità.

La gen AI è ancora nuova, ma le aziende possono affrontare la mancanza di competenze investendo nello sviluppo dei talenti, nelle partnership strategiche e negli strumenti di AI accessibili.

Uno degli approcci più efficaci consiste nel migliorare le competenze dei dipendenti esistenti attraverso programmi di addestramento specializzati, workshop e certificazioni nel campo dell'AI e del machine learning (ML). L'offerta di esperienza pratica attraverso strumenti di AI e la promozione di una cultura dell'apprendimento continuo aiutano a colmare il divario di competenze internamente.

Oltre a sviluppare le competenze interne, le aziende possono collaborare con fornitori di AI, istituti di ricerca e società di consulenza per accedere a conoscenze specialistiche.

La collaborazione con startup o fornitori di tecnologia AI consente alle aziende di utilizzare competenze esterne senza dover creare tutto da zero. Partecipare all'ecosistema open source può anche fornire preziosi insight e modelli predefiniti che riducono la complessità dell'implementazione di una strategia di AI.

Un'altra soluzione consiste nell'adottare piattaforme di AI low-code o no-code, che consentano ai dipendenti con un background tecnico limitato di lavorare con la gen AI. Questi strumenti semplificano l'implementazione e la personalizzazione dell'AI, rendendo più facile per le aziende integrare l'AI nei propri workflow senza necessitare di competenze approfondite.

Le aziende dovrebbero cercare di giustificare finanziariamente l'esplorazione delle iniziative di gen AI concentrandosi sulla riduzione dei costi, sull'aumento dei ricavi, sul vantaggio competitivo e sulla riduzione dei rischi.

Devono identificare casi d'uso specifici in cui le funzionalità dell'AI possono aumentare l'efficienza, ad esempio automatizzando i processi aziendali, generando contenuti di marketing o accelerando la trasformazione digitale.

Quantificando i benefici dell'AI, come la riduzione dei costi di manodopera grazie all'automazione della supply chain, il time-to-market più rapido o il migliore coinvolgimento del cliente, le aziende possono stimare il ROI.

Le aziende dovrebbero anche considerare il pieno potenziale di nuovi flussi di entrate, come l'offerta di prodotti basati sull'AI, esperienze personalizzate per i clienti o processi decisionali in tempo reale. Iniziare con piccoli progetti pilota a basso rischio può fornire risultati tangibili che giustificano ulteriori investimenti.

La valutazione del rischio gioca un ruolo anche nella giustificazione finanziaria. Le organizzazioni devono soppesare i costi della mancanza di azione, tra cui la perdita di quote di mercato a favore dei concorrenti basati sull'AI o le inefficienze che i progetti di AI potrebbero risolvere.

Le preoccupazioni legate alla privacy rimangono un ostacolo importante all'implementazione della gen AI. Anche qui, governance dei dati e i principi dell'AI responsabile rivestono un ruolo. Un primo passo cruciale è quello di limitare l'esposizione dei dati sensibili utilizzando tecniche di gestione dei dati, come l'anonimizzazione, la privacy differenziale e la crittografia, prima di inserire le informazioni nei modelli AI.

Ciò riduce il rischio di esporre informazioni di identificazione personale (PII) o dati aziendali proprietari. Le aziende dovrebbero anche contribuire a garantire che i sistemi AI rispettino rigorosi controlli degli accessi e meccanismi di audit per tracciare chi interagisce con i dati e come essi vengono utilizzati.

L'apprendimento federato può essere un approccio efficace, che consente di addestrare i modelli AI su più set di dati decentralizzati senza spostare i dati stessi, preservando così la privacy.

La conformità normativa è un altro fattore chiave. Le aziende devono allineare il proprio utilizzo dell'AI alle leggi internazionali sulla privacy dei dati, come il GDPR, il CCPA e le normative specifiche di settore. Condurre valutazioni regolari dell'impatto sulla privacy e mantenere una documentazione chiara su come le applicazioni di AI gestiscono i dati può aiutare le aziende a rimanere conformi e a conquistare la fiducia dei clienti. 

La buona notizia è che molte organizzazioni sono sulla buona strada per gestire queste problematiche:

• L'80% dei rispondenti ha dedicato parte della propria funzione di gestione del rischio ai rischi associati all'AI o alla gen AI.

• L'81% conduce valutazioni regolari del rischio per identificare le potenziali minacce alla sicurezza introdotte dalla gen AI.

• Il 78% mantiene una solida documentazione per migliorare la spiegabilità del funzionamento e dell'addestramento dei modelli di gen AI.

• Il 76% definisce strutture organizzative, policy e processi chiari per la governance dell'AI.

• Il 72% sviluppa politiche e procedure per la gestione dei dati e per la gestione dei potenziali rischi.

Superare le sfide comuni all'adozione dell'AI richiede un approccio olistico che includa non solo i team di sviluppo dell'AI, ma anche gli stakeholder dei reparti di tecnologia, finanza, sicurezza e legali. Tuttavia, considerando la velocità con cui la tecnologia si sta muovendo, il momento migliore per chi deve iniziare è oggi.