Cosa vuol dire AI-native?

Man mano che l'intelligenza artificiale (AI) si integra in diversi settori, le organizzazioni descrivono sempre più spesso i loro prodotti, piattaforme e workflow come basati sull'AI o abilitati dall'AI. Tuttavia, il termine "AI-native" indica qualcosa di più profondo e strutturale. I sistemi potenziati dall'AI si affidano ad essa come strumento di supporto, mentre i sistemi AI-native sono basati sull'AI nel profondo.

Le startup che utilizzano l'AI come focus strategico centrale possono essere considerate AI-native, così come le aziende legacy che riorganizzano in modo completo il loro business model attorno a dati e modelli AI. Il descrittore non si riferisce solo all'uso degli strumenti di AI, ma a un approccio fondamentale in cui l'AI plasma architettura, processo decisionale, esperienza e l'intero ciclo di vita del sistema fin dall'inizio. Questo include come vengono raccolti i dati, come vengono eseguiti i workload, come viene gestita la latenza e come i sistemi scalano.

Ma a causa dell'entusiasmo del settore tecnologico e degli investimenti nell'AI, "AI-native" appare spesso come una parola d'ordine del marketing in contesti in cui potrebbe non essere effettivamente applicabile. Tuttavia, il termine ha un significato molto utile, e capire cosa significhi davvero essere AI-native è importante per valutare l'attuale ondata di progressi tecnologici e separare il reale vantaggio competitivo dall'hype di marketing.

Allo stesso modo in cui "mobile-native" si riferiva ad app specificamente progettate per smartphone e non per l'uso desktop, "AI-native" indica una relazione con l'AI che si incarna end-to-end nell'architettura e nello stack tecnologico. Possiamo aspettarci che l'utilità del termine svanisca nel tempo con l'avanzare dell'ubiquità dell'AI.

Lo sviluppo software tradizionale prevede progetti basati su una logica deterministica e regole predefinite stabilite da programmatori umani. Pertanto, svolgere un'attività complessa con strumenti software potrebbe comportare la guida manuale di un sistema software con vari input di dati e la regolazione dei parametri per arrivare al risultato desiderato. Una calcolatrice o la macro di un foglio di calcolo non hanno la capacità di apprendere o adattarsi: tutto il comportamento è predeterminato.

L'AI, invece, non richiede istruzioni esplicite, "apprende" le regole da sola rivedendo molti esempi di un compito. Le app e i sistemi di AI utilizzano algoritmi di machine learning per individuare schemi in grandi quantità di dati al fine di prendere decisioni o fare previsioni. Questo processo permette loro di eccellere nel gestire dati non strutturati e, in alcuni casi, di eseguire un apprendimento continuo nel tempo. Questo apprendimento dipende da pipeline di elaborazione dati, set di dati contestuali e pratiche continue di gestione dei dati.

Perché un prodotto o workflow sia veramente AI-native, la capacità dell'AI non può essere un'aggiunta a un sistema esistente. L'AI non può essere un componente rimovibile. In altre parole, se l'AI venisse rimossa, il prodotto non solo smetterebbe di funzionare come previsto, ma cesserebbe del tutto di essere utile.

Un esempio di qualcosa che non si qualifica come AI-native sarebbe un browser web che utilizza l'AI nella forma ristretta di una caratteristica di accessibilità basata sulla narrazione intelligente.

Al contrario, nei progetti AI-native, gli utenti spesso interagiscono tramite linguaggio naturale, e l'automazione è intrinseca al funzionamento centrale del prodotto piuttosto che ausiliaria. Questi sistemi si basano spesso su strati di orchestrazione che coordinano modelli, strumenti, API e servizi esterni.

Il browser Comet di Perplexity è un esempio di browser AI-native, in cui un assistente AI è integrato nell'esperienza, riassumendo i contenuti, redigendo e-mail, confrontando i risultati degli acquisti: l'esperienza è mediata dall'AI in ogni fase. Non è necessario aprire una barra laterale per avere l'esperienza dell'AI. È già presente.

Bob di IBM è un ambiente integrato di sviluppo integrato (IDE) AI-native di livello enterprise. Non è solo un chatbot aggiunto a un editor: è progettato per operare all'interno dell'IDE e della riga di comando, andando oltre il semplice completamento del codice gestendo workflow agentici.

Poiché l'architettura AI-native è costruita attorno a output probabilistici, iterazioni e adattamento, piuttosto che sulle regole rigide e sui processi deterministici del software tradizionale, i workflow non sono semplicemente versioni automatizzate di vecchi processi che fanno tutti gli stessi passaggi più velocemente. I lunghi processi in più fasi possono essere ridotti in un prompt e un agente AI può eseguire questa interazione ed eseguire una serie di passaggi di ragionamento per completare l'attività. Questi agenti possono eseguire workload iniziali come la pianificazione, la selezione degli strumenti e la valutazione prima di produrre risultati.

In base ai modelli comportamentali dell'utente, un sistema AI-native può migliorare nel tempo, diventando più utile non solo nell'esecuzione di compiti specifici, ma anche nel modo in cui interagisce con l'utente a un livello fondamentale.

I recenti progressi nell'AI generativa hanno accelerato la spinta verso nuovi sistemi AI-native. I modelli di AI generativa permettono ai sistemi di creare testo, immagini, codice e altri output in modo dinamico, rendendo possibile andare oltre le automazioni ristrette verso sistemi di agentic AI che ragionano e prendono decisioni in modo autonomo. L'AI generativa non è solo una novità, ma il nucleo cognitivo del sistema. I sistemi intelligenti risultanti hanno ridefinito l'esperienza dell'utente e hanno trasformato l'interfaccia più in un assistente o copilota in tempo reale che un pannello di controllo.

I sistemi AI-native di AI pre-generativa erano in genere limitati, poiché i progettisti li ottimizzavano per compiti specifici. I framework generativi hanno collassato più pipeline in architetture unificate in grado di gestire molti tipi di casi d'uso.

Per creare un sistema AI-native non basta aggiungere un prodotto AI pronto all'uso. I sistemi AI-native spesso hanno profili di costo non lineari. Raccogliere e elaborare i dati necessari da solo è un'impresa enorme, così come addestrare, mantenere e orchestrate modelli o agenti. Poi è necessario integrare un paradigma di governance dell'AI con principi di AI responsabile, affinché le implementazioni dell'AI non minaccino la missione dell'organizzazione. I sistemi di AI possono fallire in modo clamoroso, con allucinazioni, errori di ragionamento, uso improprio degli strumenti e deriva dei modelli.

Un sistema AI-native di solito prevede la creazione di un sistema di gestione dell'AI globale che fornisce un framework per lo sviluppo, l'implementazione e il monitoraggio continuo dei sistemi di AI. Questi sistemi attenuano il rischio legato all'AI e promuovono la conformità normativa.

Tuttavia, queste sfide meritano di essere affrontate per due motivi principali.

Per prima cosa, i sistemi di AI maturi sono difficili da copiare perché l'intelligenza è integrata nei workflow, non nelle caratteristiche. I workflow sono dinamici e la loro logica è diffusa nel codice di orchestrazione e influenzata dall'uso storico, regolata tramite tentativi ed errori. I modelli imparano costantemente come fare le cose meglio nel tempo, e non è un progetto semplice replicare quell'intelligenza accumulata. Inoltre, tale miglioramento genera rendimenti composti che il software tradizionale non è in grado di ottenere.

Stare tra gli utenti e le grandi organizzazioni che creano e mantengono modelli di spicco offre molte opportunità per aggiungere valore nel decidere quali dati sono rilevanti, quali strumenti vengono consultati, quale intelligence viene emersa e come. Questo livello controlla il contesto e modella l'intelligenza, astraendo la complessità dietro il linguaggio naturale. Un'organizzazione AI-native funge da coordinatore nell'ecosistema che aiuta l'utente a ottenere il massimo valore possibile dal modello per le proprie esigenze specializzate. Quindi, anche senza possedere il modello, queste aziende possono offrire un valore enorme.