L’Intelligenza Artificiale Generativa, o Generative AI, o GenAI, è una tecnologia salita alla ribalta con il software ChatGPT di OpenAI, e sta avendo una diffusione rapidissima all’interno delle organizzazioni, con un impatto tanto profondo da rappresentare una nuova rivoluzione industriale. I vantaggi sono ormai noti: grazie alla capacità di analisi di grandi quantità di fonti e di dati, migliora le prestazioni di diverse attività aziendali, come la produzione di testi, di immagini e di codice software, rendendole più veloci e, in qualche misura, creative, e può svolgere in autonomia attività come rispondere alle richieste dei clienti o personalizzare offerte.
Non si tratta solo di affidare all’AI Gen qualcosa che già si poteva fare, per risparmiare tempo e soldi: è una tecnologia in grado di fare qualcosa che un tempo non si poteva fare, trasformando il lavoro, in misura diversa, in qualsiasi ambito.
L’AI Generativa sta anche diventando la nuova interfaccia utente: grazie ai copilot, gli assistenti virtuali ormai integrati nei software enterprise, basta fare domande ai sistemi attraverso i prompt per avere un risultato, che sia esso un grafico dei dati di vendita o un annuncio per assumere un nuovo dipendente. Gli analisti di IDC stimano che il 40% dei professionisti aziendali delle prime 500 aziende EMEA entro il 2028 si affiderà ad Agenti AI e orchestratori di Intelligenza Artificiale per la reportistica, creando un accesso democratico ai dati che aiuterà a risolvere più rapidamente le sfide aziendali.
In questo ultimo anno è emerso, però, che “è facile innamorarsi dell’Intelligenza Artificiale Generativa, ma realizzarne il valore è ben più difficile che seguire l’entusiasmo del momento”, scrive McKinsey, che in uno studio fornisce la sua ricetta strategica per aiutare le aziende a cogliere il valore di questa tecnologia, un’opportunità che vale secondo gli analisti 4,4 trilioni di dollari, oltre che per gestire il suo profondo impatto sul futuro del lavoro. “Le aziende devono riorganizzarsi su sei dimensioni fondamentali: strategia, talento, modello operativo, tecnologia, dati e IA, adozione, scalabilità e sostenibilità“.
Anche BCG, in uno studio recentemente pubblicato (From Potential to Profit: Closing the AI Impact Gap), offre una fotografia analoga: “Sebbene il 75% dei dirigenti consideri l’AI tra le tre principali priorità strategiche, solo il 25% riesce a generare un valore significativo dalle proprie iniziative in questo ambito. I leader nell’adozione dell’AI hanno trovato la chiave del successo concentrandosi su un numero selezionato di progetti strategici, scalando rapidamente le soluzioni, trasformando i processi chiave, formando i team e monitorando rigorosamente i risultati operativi e finanziari.”
Che cosa significa Generative AI
I sistemi di Intelligenza Artificiale Generativa rientrano nell’ampia categoria della General Artificial Intelligence (AGI) e nell’apprendimento automatico o Machine Learning (ML). Secondo la definizione di McKinsey, l’Intelligenza Artificiale generativa descrive algoritmi che possono essere utilizzati per creare nuovi contenuti, tra cui audio, codice, immagini, testo, simulazioni e video.
Il software di AI Generativa parte dalle richieste o descrizioni (prompt) formulate in linguaggio naturale dall’utente (umano o software) e genera di conseguenza testi da testi (Text-to-Text), immagini da testi (Text-to-Image) o anche immagini da immagini (Image-to-Image).
Gli output di questi sistemi sono combinazioni dei dati utilizzati per addestrare gli algoritmi. Poiché la quantità di dati utilizzata per il training del software è massiccia i risultati possono sembrare “creativi”. In realtà ciò che generano è una compilazione e una ripresa di un mix di fonti, ma, data l’enorme quantità di dati elaborati, l’output può essere nuovo. Del resto, anche la rielaborazione può essere considerata una forma di creatività.
Esiste, chiaramente, il rischio di output non corretti o addirittura inappropriati (chiamati allucinazioni) e di violazione della proprietà intellettuale. Ma, se la richiesta dell’utente è pertinente e la sorveglianza umana continuativa, i prodotti dell’AI Generativa possono essere soddisfacenti. Sono, inoltre, in grado di migliorare grazie ai feedback dell’utente.
Deep Learning, Transformer e Reti Neurali GAN: cosa sono
La tecnologia di ChatGPT potrebbe rientrare nell’ambito delle Reti Neurali di tipo Generative Adversarial Network o GAN. La questione è dibattuta, perché secondo alcuni esperti ChatGPT è un Transformer (GPT è l’acronimo di Generative Pretrained Transformer) e non una GAN.
Il Transformer è un modello di Deep Learning utilizzato nel campo dell’elaborazione del linguaggio NLP (Natural Language Processing). I GAN, invece, sono un tipo di algoritmo di intelligenza artificiale che utilizza due reti neurali messe in competizione per generare immagini, suoni, testo e altri tipi di dati.
La prima rete, detta “generatore”, cerca di creare immagini o dati falsi che sembrino veri; la seconda, detta “discriminatore”, cerca di identificare se le immagini o i dati sono reali o falsi.
I due modelli competono l’uno contro l’altro: il generatore cerca di generare dati sempre più realistici mentre il discriminatore cerca di identificare sempre meglio se i dati sono reali o falsi. Con il tempo il generatore diventa sempre più bravo a generare dati realistici che ingannano il discriminatore, mentre il discriminatore diventa sempre più bravo a identificare i dati falsi.
L’obiettivo di una GAN è ottimizzare il Deep Learning ed evitare errori superficiali di generalizzazione dovuti alla scarsità dei dati.
Generative AI: cosa sa fare
Per le imprese l’opportunità dell’AI Generativa sta nella capacità di questi strumenti di produrre un’ampia varietà di testi, audio e immagini credibili in pochi secondi. Ne beneficiano, ad esempio, le organizzazioni che necessitano di brevi testi di marketing o manuali tecnici. Le organizzazioni IT e software possono usare questi sistemi per generare codice istantaneamente. Me è un supporto efficace anche per la progettazione di prodotti, il design o la fotografia.
Più in dettaglio, ecco cosa è in grado di fare oggi l’AI Gen.
- Brainstorming: risponde a domande e fornisce spunti e idee
- Analisi di documenti, libri o dati
- Generazione testi o articoli con uno stile predefinito a partire da informazioni, ad esempio per la scrittura di Email di Marketing
- Automatizzare la raccolta di informazioni, analizzare recensioni e feedback
- Editing di testi, libri o articoli
- Resoconti delle riunioni
- Assistenza clienti o assistenza interna (ad esempio con chatbot).
- Brainstorming per nuovi prodotti partendo da processi o database proprietari.
- Attività di Coaching
- Interazione con documenti, ricerche, saggi
- Sistemare e implementare dataset
- Produrre ed editare video e tracce musicali
I vantaggi dell’Intelligenza Artificiale Generativa per il business
- Ottimizzazione dei processi: può essere utilizzata per ottimizzare i processi aziendali, come la pianificazione della produzione o la pianificazione della distribuzione.
- Creazione di nuovi prodotti: può essere impiegata per generare nuovi prodotti o per creare nuovi design di prodotto. Aiuta dunque l’innovazione e consente di diversificare l’offerta.
- Miglioramento della Customer Experience: può essere applicata nella produzione di contenuti personalizzati per i clienti, come raccomandazioni di prodotto o risposte automatizzate ai messaggi dei clienti.
- Analisi dei dati: può essere utilizzata per analizzare grandi quantità di dati e generare insight che possono aiutare le aziende a prendere decisioni informate.
- Riduzione dei costi: può aiutare le aziende a ridurre i costi automatizzando alcuni processi manuali.
Le aziende che vogliono impiegare l’AI Generativa possono o ricorrere alla tecnologia così com’è, off-the-shelf, oppure addestrarla inserendo propri dati e modelli da cui il software impara.
Generative AI: applicazioni e opportunità per le aziende
Design con l’AI
Questa tecnologia offre alle aziende di design un modo più veloce e efficiente per creare e modificare progetti. Gli algoritmi generativi possono essere addestrati su un vasto set di dati di riferimento, come immagini di prodotti esistenti, che vengono analizzati per poi generare nuovi disegni e modelli che rispettano i criteri stabiliti oppure per modificare e personalizzare i progetti esistenti, creando nuove varianti e opzioni. Le applicazioni vanno dal Fashion design al design automobilistico alla progettazione di edifici e altre opere di architettura.
Nel campo specifico del design di prodotto, l’AI Generativa viene utilizzata per generare nuove idee e per personalizzare i prodotti in base alle preferenze dei clienti.
Altre opportunità si aprono nell’ottimizzazione dei prodotti. Ad esempio, gli algoritmi generativi possono essere utilizzati per analizzare i dati sulle prestazioni dei prodotti e generare modifiche progettuali per migliorarle.
eCommerce e Marketing
L’AI Generativa migliora l’interazione fra cliente e azienda attraverso chatbot basati su LLM (Large Language Model evoluti), permettendo una maggiore personalizzazione della consulenza fornita. Nel settore del Retail viene usata per la personalizzazione dei prodotti e dei contenuti: scrittura di email o consigli di prodotto, contenuti promozionali (annunci pubblicitari e post), progettazione di siti web e applicazioni mobili. L’AI Generativa può anche generare il testo descrittivo per ciascun prodotto di un lunghissimo elenco di articoli in vendita in un sito di e-commerce.
La modifica delle caratteristiche visive dei prodotti o la loro descrizione in video è un altro campo di applicazione. Si va oltre il video a 360° di un prodotto: l’AI Generativa può fare il rendering automatico con una grande variabilità di parametri (angolazione, dimensione, colori, modifiche, ambientazioni).
Ricerca scientifica
La Generative AI può essere utilizzata in molte aree della ricerca scientifica per generare nuove idee, testare ipotesi e accelerare la scoperta e anche per la redazione di testi scientifici.
I campi di applicazione includono:
- la Bioinformatica per l’identificazione di nuove proteine e scoperta di potenziali farmaci attraverso la generazione di modelli di proteine e molteplici scenari di simulazione;
- l’Astronomia per la generazione di immagini di galassie e di universo simulato per comprendere meglio l’evoluzione dell’universo;
- la Fisica per la generazione di materiali artificiali e la scoperta di nuovi materiali attraverso simulazioni basate sull’AI.
Questi algoritmi permettono di condurre anche simulazioni in ambito medicale in supporto alle tecnologie 3D per pre-visualizzare protesi e organismi molecolari.
Industria dell’intrattenimento
L’uso della tecnologia Text-to-Image viene già usata per la creazione di contenuti visivi per film, giochi e altri strumenti di marketing e multimediali. La copertina di giugno 2022 di Cosmopolitan, per la prima volta nella storia dei giornali, è stata realizzata interamente all’Intelligenza Artificiale DALL-E 2.
Lo stesso esperimento era stato condotto una settimana prima dall’Economist per la sua copertina. DALL-E 2 permette anche la generazione Image-to-Image: si parte da immagini esistenti per migliorarne la qualità o immaginare contorni e contesti prima non esistenti.
Gestione delle HR
Si tratta soprattutto di scrittura a supporto dei recruiter, come riassumere i CV in forma meno schematica, un aiuto nello scrivere gli annunci di lavoro, pre-impostare email di feedback positivi o negativi per i candidati già sottoposti a colloquio, suggerimenti di scrittura per attrarre candidati passivi e infine ottenere aiuto per approfondire e capire meglio gli aspetti tecnici dei ruoli ricercati.
I passi per un’adozione di successo della Gen AI in azienda
La rapidità dell’innovazione in questo ambito è sorprendente. Non solo le grandi aziende tecnologiche, ma una moltitudine di startup, sono costantemente al lavoro per migliorare le capacità di questa tecnologia. Basti pensare che l’80% dei 50 prodotti basati su Generative AI più usati oggi un anno fa non esistevano, e che solo 5 di questi sono stati lanciati da Big Player: Bard (Google), Poe (Quora), QuillBot (Course Hero), Pixlr (123RF) e Clipchamp (Microsoft).
La domanda è: le aziende saranno in grado di essere abbastanza veloci e “snelle” per integrare l’IA nei loro processi? Occorre andare alla velocità della tecnologia e al contempo La domanda è: le aziende saranno in grado di essere abbastanza veloci e “snelle” per integrare l’IA nei loro processi? Occorre andare alla velocità della tecnologia e al contempo comprendere che non si tratta solo di adottare un nuovo strumento ma di cambiare l’approccio al lavoro.
La formazione su larghissima scala è il punto di partenza, per poi inserire in processi selezionati l’AI. Serve condividere i limiti e le opportunità della GenAI, rassicurare sul futuro del lavoro, spiegare come si usano gli strumenti principali e dare a tutti accesso a ChatGPT in versione protetta, dando la possibilità di sperimentare e di condividere i risultati delle sperimentazioni.
È importante anche trovare un giusto equilibrio fra uomo e tecnologia, mantenere rilevante per i cliente il personale umano nel ripensare la relazione.
Un punto di attenzione, da mettere in chiaro con il proprio fornitore, è la privacy e la sicurezza dei dati, un vero patrimonio che le aziende non possono disperdere.
Le aziende più mature si stanno concentrando su aspetti chiave, investendo nei dati, rendendoli più facili da fruire per scalare i modelli di Intelligenza Artificiale, o nel modello operativo, assicurando che business, tecnologia, operations e funzioni di controllo lavorino insieme.
Generative AI: come evitare impatti dannosi
Una delle sfide attuali della GenAI, scrive McKinsey, è che è così facile da applicare che si rischia di avviare decine di progetti pilota e rimanere bloccati in questo approccio. Occorre dunque essere selettivi e considerare che le applicazioni che forniranno un reale vantaggio competitivo, ad esempio per una migliore manutenzione degli impianti o per un migliore supporto all’organizzazione di vendita in grado di incrementare il fatturato, richiedono un duro lavoro e non si ottengono da un giorno all’altro.
Le organizzazioni che si basano su modelli di Intelligenza Artificiale generativi devono poi considerare che esistono rischi reputazionali e legali legati alla pubblicazione involontaria di contenuti di parte, offensivi, protetti da copyright o dalle regole sulla privacy.
Emblematica, da questo punto di vista, l’esperienza – opposta – di due testate giornalistiche online: Cnet ha iniziato a usare ChatGPT per scrivere interi articoli andando incontro a gravi problemi di correttezza dell’informazione, incluso il plagio, mentre Buzzfeed ha sperimentato ChatGPT per generare i quiz e altri contenuti molto schematici e limitati, e sempre dietro la guida dei giornalisti, con risultati molto più positivi.
I rischi possono dunque essere mitigati e gestiti, come spiega un documento di McKinsey. Innanzitutto, è fondamentale selezionare attentamente i dati iniziali utilizzati per addestrare i modelli AI per evitare di includere contenuti tossici o distorti. Successivamente, piuttosto che impiegare un modello di Generative AI off-the-shelf, le organizzazioni possono usare modelli più piccoli e specializzati o addirittura personalizzare un modello generale usando i propri dati per soddisfare le loro esigenze e ridurre al minimo i rischi.
È necessario anche un supervisore che controlli l’output di un modello di AI Generativa prima di procedere con la pubblicazione o con l’utilizzo.
