Perché i progetti AI falliscono: la trappola degli esperimenti scientifici e come evitarla

La scena è facile da immaginare: uno scienziato solitario si chiude in un garage per settimane e poi ne esce con una scoperta che cambia il mondo. O un misterioso gruppo aziendale dedito alla sperimentazione che si fa vivo ogni tanto per presentare l'ultima invenzione rivoluzionaria.

L'innovazione fatta da persone geniali che lavorano in isolamento ha avuto i suoi momenti di gloria, e l'idea sicuramente permane nell'immaginario collettivo.

Ma c'è una situazione in cui non funziona e, di fatto, può fare più male che bene, ovvero nel caso dell'adozione dell'AI aziendale.

Il tentativo di implementare la trasformazione AI aziendale in un contesto isolato è destinato a fallire. Escludere gli stakeholder, i leader delle unità di business e i collaboratori significa, in ultima analisi, trascurare le prospettive e le risorse necessarie per avere successo.

Questo approccio potrebbe essere il motivo per cui, secondo il 2025 CEO Study dell'IBM Institute for Business Value (IBV), solo il 16% delle iniziative di AI ha raggiunto la scalabilità a livello aziendale. Un recente rapporto dell'iniziativa NANDA del MIT ha diffuso risultati ancora più preoccupanti, secondo cui il 95% dei progetti pilota di AI generativa fallisce.

In troppi casi, le aziende si impegnano in svariate proof of concept (POC) che equivalgono a poco più che esperimenti scientifici poco pratici. All'inizio potrebbero suscitare stupore (o FOMO, come ha notato IBV), ma alla fine producono un valore trascurabile. Come persona con un profondo background finanziario, so che le organizzazioni possono fare di meglio, molto meglio, che rassegnarsi a un così scarso ritorno sugli investimenti.

Le iniziative di AI su larga scala possono avere un impatto che va oltre una piccola parte dell'organizzazione e ottenere ritorni reali sul marketplace. Ma il superamento dei silos non avviene per caso. Richiede l'allineamento e il supporto della direzione, compresi i vertici aziendali e persino i membri del consiglio di amministrazione.

I leader e i manager possono aiutare a orchestrare la collaborazione e i sistemi che generano efficienza e aumentano l'impatto. Ad esempio, quando più reparti lavorano su diversi casi d'uso dell'AI, team separati investono tempo in attività ridondanti, dalla ricerca dei modelli AI da utilizzare allo sviluppo di programmi di governance. Al contrario, quando i team si uniscono, possono combinare le risorse e stabilire un approccio unificato pronto per la scalabilità, offrendo più valore all'intera organizzazione.

Un'azienda che si è distinta in questo approccio unificato è PepsiCo. Negli ultimi anni, PepsiCo ha collaborato con IBM Consulting per creare una piattaforma tecnologica unificata che ospita circa 100 casi d'uso di AI generativa. Abbiamo incontrato i team di PepsiCo per mappare i loro dati e l'architettura AI, identificare le lacune e creare servizi riutilizzabili per i loro casi d'uso di gen AI più importanti.

I servizi riutilizzabili sono stati resi disponibili tramite la piattaforma di tecnologia unificata, che offre ai team di tutta l'azienda modelli, strumenti e best practices preapprovati. La piattaforma ha anche consentito una visibilità centralizzata, garantendo che i progetti fossero conformi agli standard PepsiCo, cosa che lo sviluppo ad hoc tramite fornitori di terze parti non era in grado di fornire.

Con queste impostazioni, i team di PepsiCo hanno accelerato la sperimentazione, lo sviluppo e, infine, il time to market. I risultati sono stati soluzioni basate su AI che spaziano dal design iper-personalizzato delle bottiglie di Gatorade al posizionamento ottimizzato dei prodotti sugli scaffali retail.

Le piattaforme e gli strumenti giusti sono elementi critici per un approccio scalabile e unificato all'AI. Ma ci sono altri due elementi sono probabilmente altrettanto importanti: i dati e la cultura.

I dati sono la struttura di un programma AI di successo. È ciò su cui vengono addestrati i modelli AI ed è ciò che le aziende utilizzano per determinare se vale la pena perseguire un caso d'uso. Tuttavia, gli esperti stimano che meno dell'1% dei dati aziendali, finora, sia stato incorporato nei modelli AI. Questi dati inutilizzati rappresentano un'enorme opportunità per le aziende.

Sfruttarli significa lavorare per consolidare le loro basi di dati, ovvero garantire che i dati siano puliti, organizzati e sicuri, mentre perseguono progetti pilota di AI. Nel caso di PepsiCo, l'azienda ha collaborato con IBM Consulting su una solida strategia di dati per gestire i suoi oltre 60 petabyte di dati.

A ben vedere, l'organizzazione dei dati è stata una componente centrale nell'iniziativa di IBM per trasformare le nostre stesse risorse umane con l'agentic AI. La formazione e l'ottimizzazione dei modelli su set di dati di alta qualità, specifici del dominio, ci hanno aiutato a sviluppare un agente virtuale, AskHR, che ha automatizzato più di 80 attività delle risorse umane e ora partecipa a 1,5 milioni di conversazioni all'anno con i dipendenti.

I dipendenti possono utilizzare AskHR per richiedere lettere di verifica dell'impiego, inviare richieste di ferie e ottenere informazioni importanti su tutto, dal congedo per malattia alla retribuzione. Di conseguenza, a partire dall'anno scorso, i ticket di assistenza e i costi operativi sono diminuiti notevolmente, mentre i nostri professionisti delle risorse umane possono concentrarsi sulle priorità strategiche.

Naturalmente, AskHR non avrebbe raggiunto la sua portata se i nostri dipendenti non fossero stati disposti a usarlo. Questo vale anche per quasi tutte le altre iniziative aziendali di AI. I leader aziendali devono fare attenzione a stabilire il tono e la cultura giusti riguardo all'adozione dell'AI.

Ciò significa essere aperti su come l'AI aumenta il lavoro dei dipendenti e allo stesso tempo prepararli a raccogliere tali benefici. Per questi ultimi, i programmi di formazione e sviluppo delle competenze sono fondamentali; comprendere come funzionano gli strumenti basati su AI e come utilizzarli al meglio.

In molti casi, i manager imparano insieme ai propri dipendenti e questo è fantastico: rafforza il fatto che l'adozione dell'AI nelle aziende ha successo se è inteso come un lavoro di squadra. Alla fin fine, stiamo tutti imparando, migliorando e superando i limiti insieme. Non servono centri di sperimentazione e silos.