Ma la tua azienda ha davvero bisogno dell’intelligenza artificiale?

Nel 2016, quando Amazon lanciò Just Walk Out, l’idea sembrava davvero buona. I clienti dei negozi Amazon Go e Amazon Fresh avrebbero potuto fare acquisti senza passare da nessun tipo di cassa. Sarebbe bastato farsi riconoscere attraverso il telefono, perché un sistema di telecamere supportato dall’intelligenza artificiale avrebbe identificato le merci e l’addebito sarebbe arrivato direttamente sull’account Amazon. Ad aprile 2024, però, Amazon ha dichiarato di voler ridimensionare l’uso di questo sistema in gran parte dei suoi negozi. Secondo fonti di stampa, oltre a vari problemi tecnici, l’intelligenza artificiale doveva a sua volta essere supportata da un migliaio di impiegati indiani, incaricati di rendere più accurato il riconoscimento delle merci.

Oggi l’eccesso di entusiasmo per l’intelligenza artificiale è un rischio più forte che nel 2016 e le aziende che possono paragonarsi ad Amazon per capacità economica e preparazione tecnologica sono poche al mondo. Ogni manager, prima di avviare un progetto legato all’intelligenza artificiale, dovrebbe allora porsi alcune domande fondamentali.

La “domanda zero” che sempre dobbiamo farci è la più banale ma in parte anche la più difficile. Abbiamo davvero bisogno di una soluzione AI? In un momento di effetto moda davvero travolgente, analizzare a mente fredda se questo tipo di iniziativa sia davvero quella da perseguire è uno step zero da non sottovalutare.

Fatto questo, una prima domanda più di dettaglio riguarda la natura dei benefici che si vogliono ottenere dall’intelligenza artificiale. Anche prima dell’esplosione dell’AI generativa, diversi sistemi di intelligenza artificiale riuscivano a rendere più efficienti (più veloci, meno costosi) alcuni processi aziendali di vario tipo, con un relativo beneficio economico per l’impresa. Per specifici tipi di aziende (spesso tech company con la tecnologia al centro della propria offerta) questi benefici potevano arrivare a essere dei veri e propri fattori strategici differenzianti. Questa distinzione si ripropone anche nel campo della Gen-AI. Molti progetti attualmente in sperimentazione mirano infatti a ottenere un beneficio economico con aumento dell’efficienza. Altri, più ambiziosi e al momento più incerti, cercano di immaginare un uso della Gen-AI in logica più strategica.

La seconda domanda ha a che fare con il bilanciamento tra impatto atteso e fattibilità tecnica. L’impatto deve ovviamente essere commisurato a costi e sforzi necessari, ma quello che si tende a dimenticare, in tempi di hype e di pressione psicologica all’adozione, è un serio assesment di fattibilità.

Se, ancora oggi, molti progetti di adozione si bloccano prima di raggiungere una fase di produzione a scala, è perché pochi riescono a vedere un sistema di intelligenza artificiale nella sua interezza. A volte il rischio è quello di focalizzarsi sulla componente di “training”: il modello, l’algoritmo di funzionamento e i dati necessari a farlo funzionare. Si tende però a dimenticare che tutto questo si deve innestare su una infrastruttura tecnologica preesistente, essere accettato dagli operatori che lavorano sul campo, dialogare efficacemente, o essere direttamente integrato, con gli altri strumenti tecnologici che costituiscono la spina dorsale dei sistemi aziendali. Questo vale tanto per le soluzioni generative, quanto per quelle di AI predittiva più tradizionale.

L’intelligenza artificiale deve insomma essere integrata nei processi aziendali esistenti. Se non si progetta l’integrazione e non si stimola l’adattamento delle persone, il sistema funzionerà, nel migliore dei casi, in modo molto limitato e isolato. Se il sistema deve essere alimentato da dati raccolti e registrati dai venditori sul campo, per esempio, è cruciale essere certi della loro collaborazione e della loro consapevolezza di quanto registrare efficacemente questi dati sia cruciale per l’azienda. Se introduciamo un sistema per la scrittura di contratti, il personale che se ne occupa deve fidarsene. Se il sistema deve essere alimentato con dati omogenei, dobbiamo assicurarci che quelli a disposizione non derivino, per le diverse legacy dei vari reparti aziendali, da sistemi non coerenti tra loro e con dati semanticamente differenti.

L’ultimo aspetto da considerare è la necessità (e le modalità) di personalizzazione.  Gli approcci possibili (guardando con occhio più attento ai sistemi generativi e ai Large Language Models, LLM) sono sostanzialmente quattro.

• Il prompting è l’approccio più soft. Adotto un sistema standard e cerco di affinare il comportamento attraverso l’utilizzo di prompt che ne ottimizzino il comportamento. Questo può avvenire tramite tecniche di prompting che usiamo direttamente nelle interfacce utenti delle soluzioni per migliorare la coerenza e l’accuratezza delle risposte che riceviamo. In altri casi, potremo agire attraverso i cosiddetti prompt di sistema. Un esempio extra-aziendale è quello dei bias razziali e di genere nei sistemi di generazione di immagini. Per limitare il rischio che un sistema addestrato su centinaia di migliaia di foto di medici maschi e bianchi mi riproponga in continuazione questo stereotipo, potremmo introdurre all’interno del prompt di sistema una indicazione che gli chieda di inserire diversity ogni volta che riceve una richiesta di questo genere.

• Il knowledge enrichment è una forma di specializzazione per conoscenza. La ottengo spingendo il sistema a formulare le sue risposte considerando solo il materiale che gli sottopongo e non tutto quello su cui è stato addestrato. Per consentirlo, è necessario disporre di dati adeguati riguardo al fenomeno oggetto del caso d’uso. Nel caso di un bot che assiste nella manutenzione di macchinari, per esempio, il materiale da cui estrae l’informazione deve essere la sola manualistica relativa a quello specifico macchinario.

• Il fine-tuning può specializzare il modello o rispetto a un certo dominio (per esempio, il settore finanziario, con un supplemento di testi che parlino quel linguaggio) o per task (data analytics, coding ecc.). Per realizzare questa personalizzazione, sarà necessario entrare nel funzionamento del modello stesso. Per questo, questo approccio richiede competenze tutt’altro che banali. Attenzione quindi, da usare responsabilmente!

• La costruzione da zero di un modello può sembrare una soluzione estrema e dispendiosa, ma non è sempre così. Va fatta una profonda distinzione. Se è sostanzialmente irrealizzabile per i sistemi di Gen-AI e gli LLM, non lo è, invece, per sistemi efficaci, anche se non più al centro dell’hype, come quelli che utilizzano il machine learning a fini predittivi. Se restiamo nel dominio di quel tipo di AI al centro del dibattito attuale e non siamo una tech company focalizzata su questa tecnologia, scordiamoci quindi questa strada. Se invece il nostro interesse non è strettamente legato ai temi generativi ma si allarga al machine learning e ai modelli predittivi più tradizionali, la costruzione da zero era, e resta, il migliore approccio per un sistema davvero calato sulle necessità aziendali.