Raramente prima d’ora abbiamo assistito alla diffusione così rapida di una tecnologia digitale con un supporto così esteso da parte dei C-level come è avvenuto per l’Intelligenza Artificiale generativa. In pochi mesi, infatti, ha catturato l’attenzione di moltissimi leader aziendali in tutto il mondo.
E mentre anche i giornali generalisti ne parlano, la domanda che molti si pongono è: come è possibile accelerare il percorso dell’organizzazione verso l’adozione diffusa dell’AI generativa garantendo il massimo valore per il business?
IDC ha sviluppato un framework che indica passo a passo il percorso verso l’implementazione dell’AI generativa. Il framework mappa le strategie e le attività che devono essere messe in atto e suggerisce come le organizzazioni dovrebbero progettare e sviluppare nuovi casi d’uso per accelerare il proprio percorso di adozione e garantire un ritorno rapido sugli investimenti sostenuti.
D’altronde, un recente studio di McKinsey stima che l’impatto annuale dell’IA generativa sull’economia globale oscillerà tra i 2.600 e i 4.400 miliardi di dollari, una cifra davvero esorbitante. La stessa ricerca indica che il 75% del valore sarà legato all’utilizzo in quattro macro aree di business: Customer Operation, marketing e vendite, ingegneria del software, ricerca e sviluppo.
Generative AI: cos’è e applicazioni di business. Clicca sull’immagine per approfondire
Come creare l’habitat giusto in azienda
Gli esperti di IDC ritengono che sia necessario procedere attraverso alcuni passaggi propedeutici per garantire all’organizzazione la capacità di identificare rapidamente i migliori casi d’uso, coinvolgere e ingaggiare a dovere dipendenti e manager, investire nelle tecnologie di supporto necessarie. Ecco i quattro principali.
• Policy etiche: è importante partire dalla definizione di politiche responsabili improntate a principi di equità, trasparenza e responsabilità nell’utilizzo dei dati utili ad addestrare i modelli e in quello dei risultati (output) dell’elaborazione. Questa attività dovrebbe includere l’ideazione di una metodologia che permetta di garantire la massima trasparenza sui ruoli e le responsabilità degli sviluppatori, degli utenti e di ogni singolo stakeholder coinvolto in queste iniziative.
• Roadmap di casi d’uso definiti e prioritizzati: questo permetterà di allineare l’organizzazione rispetto all’impatto dell’Intelligenza Artificiale generativa nel breve, medio e lungo termine.
• Architettura dati strutturata: un’architettura ben concepita permetterà di gestire il ciclo di vita e la governance dei dati, dei modelli e del contesto aziendale per ogni singolo caso d’uso. Risulta importante contemplare e includere anche i protocolli relativi alla privacy dei dati, alla sicurezza e alla tutela della proprietà intellettuale.
• Riqualificazione e formazione del personale: creare una mappa delle competenze sulle tecnologie di base dell’AI generativa risulta imprescindibile. Allo stesso modo, è importante avere una visione sulle capacità tecniche più ampie necessarie per implementare l’IA generativa su larga scala. I programmi elaborati dovrebbero includere anche una formazione personalizzata e specifica per i ruoli chiave coinvolti nell’implementazione dell’AI e contemplare anche iniziative organiche di Change Management.
Il framework di adozione dell’Intelligenza Artificiale generativa sviluppato da IDC
Le tecnologie che influenzano l’evoluzione dell’Intelligenza Artificiale generativa
Una volta predisposto il “terreno giusto” per l’introduzione massiva dell’AI generativa in azienda, sarà necessario mappare e comprendere l’evoluzione delle tecnologie alla base della generative AI, tra le quali i Large Language Model (LLM).
La capacità di addestrare questi modelli su ampie quantità di dati (principalmente contenuti semi-strutturati e non strutturati) rappresenta oggi un vero e proprio vantaggio di business. E non riguarda solo la produzione di testi (come avviene con applicazioni tipo ChatGPT) ma anche la generazione e gestione di immagini, video, file audio e codice software.
Le dinamiche di evoluzione delle piattaforme e dell’infrastruttura, e persino l’accelerazione tecnologica in atto nel mercato dei semiconduttori e dei processori grafici (GPU), avranno impatti rilevanti sul futuro dell’Intelligenza Artificiale generativa. La roadmap con cui questi modelli vengono integrati nel software commerciale, nelle applicazioni aziendali e nelle piattaforme di sviluppo software rappresentano aree critiche da tenere monitorate con continuità.
ChatGpt: l’AI generativa inaugura la nuova era del marketing. Clicca sull’immagine per saperne di più
I 3 casi d’uso principali
IDC definisce un caso d’uso come una “iniziativa finanziata dall’azienda e abilitata dalla tecnologia, che fornisce un risultato misurabile”. Lo studio evidenzia tre categorie generali di applicazioni rilevanti dell’IA generativa che possono essere valutati dall’organizzazione:
• Casi d’uso settoriali: queste applicazioni solitamente richiedono una certa dose di personalizzazione e, in alcuni casi, anche la creazione di un modello proprietario di IA generativa. Nel pharma, per esempio, l’AI generativa permette di accelerare la scoperta di nuovi farmaci, mentre nel comparto manifatturiero si diffondono le sperimentazioni di generative design di nuovi prodotti.
• Casi d’uso relativi a specifiche funzioni aziendali: queste applicazioni integrano uno o più modelli standardizzati di generative AI con i dati aziendali di una funzione specifica (ad esempio, marketing, vendite, procurement ecc.).
• Casi d’uso di produttività: queste applicazioni prevedono l’impiego dell’Intelligenza Artificiale generativa in attività quali la stesura di un report, la generazione di una job description o di codice software. Queste funzionalità vengono integrate nelle applicazioni esistenti (come avviene per Microsoft Co-Pilot oppure Google Duet AI).
I diversi casi d’uso interni ed esterni all’azienda – ognuno con il proprio livello di rischio potenziale e impatto più o meno rilevante associati – dovranno essere sistematizzati in un modello di priorità, che permette di individuare le attività più critiche sulle quali concentrare gli sforzi di sperimentazione.
Governance, etica e controllo
A causa della sua capacità di generare codice, dati e immagini falsi che somigliano molto ai corrispondenti reali, la generative IA potrebbe portare a un aumento dei casi di furto d’identità, frode e contraffazione. Senza contare il fatto che i modelli stessi presentano vulnerabilità intrinseche che li rendono potenzialmente esposti ad attacchi e manipolazioni – o, come si dice in gergo, allucinazioni.
Inoltre, non vanno dimenticate le ambiguità ancora spesso irrisolte che riguardano, in particolare, la paternità dei contenuti generati dall’AI, la tutela dei diritti d’autore, l’utilizzo etico dei dati utilizzati per allenare i modelli, la conformità normativa e la governance dell’IA generativa.
Tutti questi rischi dovranno essere contemplati all’interno di un framework ben concepito e orchestrato, per garantire che le tecnologie in questione possano essere implementate in modo etico e sostenibile.
