Punti chiave
Considerare l’IA un investimento a lungo termine, non un miracolo a breve
Le grandi promesse possono arenarsi. Il progetto di M.D. Anderson con IBM Watson per fornire consulenza oncologica costò 62 milioni di dollari e non fu mai utilizzato per curare un paziente. Il progetto incontrò difficoltà di gestione e integrazione dei sistemi, nonostante l’entusiasmo suscitato dalla vittoria di Watson in un quiz televisivo. Anche DBS Bank interruppe un ambizioso progetto pilota di consulenza patrimoniale basata sull’IA, quando la tecnologia si rivelò incapace di interpretare in modo affidabile i diversi grafici e rapporti di ricerca della banca.
Anche i progressi silenziosi contano. DBS reindirizzò gli sforzi verso problemi operativi più circoscritti. L’apprendimento automatico aiutò a prevedere quando gli sportelli bancomat avrebbero avuto bisogno di contanti, riducendo l’intervallo medio tra un esaurimento delle banconote e l’altro da tre mesi a cinquantacinque anni e tagliando di oltre il 10 per cento i viaggi per rifornirli. Analogamente, il fondatore di Amazon ha descritto gran parte dell’apprendimento automatico dell’azienda come un insieme di miglioramenti invisibili alle operazioni quotidiane.
Il contrasto tra un progetto ambizioso arenato e un risultato operativo discreto rende concreta la maturità tecnologica: dimostrazioni impressionanti non garantiscono prestazioni affidabili in un’istituzione reale. Le applicazioni più circoscritte offrono inoltre un modo per imparare a gestire dati, flussi di lavoro e responsabilità senza scommettere l’intera impresa su un unico sistema. Tuttavia, procedere per gradi non dovrebbe diventare una scusa per evitare il cambiamento strategico. Il portafoglio più efficace può affiancare applicazioni a basso rischio a esperimenti esplicitamente orientati a opportunità più ampie, utilizzando le evidenze raccolte per rivedere le aspettative dell’organizzazione.
Abbinare lo strumento al compito prima di farsi sedurre dalla narrazione sull’IA
L’IA è una cassetta degli attrezzi, non una singola macchina. Il libro riunisce sotto un’etichetta ampia diversi metodi distinti. L’apprendimento automatico individua schemi nei dati e prevede risultati. L’elaborazione del linguaggio naturale lavora con il parlato e i testi. L’apprendimento profondo, una forma di apprendimento automatico articolata in più livelli, è particolarmente utile per immagini e voce, anche se può essere difficile interpretarne le decisioni. I sistemi basati su regole applicano logiche definite da esseri umani, mentre l’automazione robotica dei processi segue istruzioni attraverso sistemi digitali.
Le differenze cambiano il risultato. Una banca può ricorrere all’apprendimento automatico per prevedere le frodi, ma uno strumento basato su regole può essere preferibile quando la logica decisionale deve essere trasparente. DBS scoprì che un sistema pubblicizzato come consulente intelligente non era in grado di gestire i numerosi formati di grafici e rapporti su cui faceva affidamento il personale. Una tecnologia può essere potente in generale e tuttavia inadatta a un compito specifico.
Scegliere in base al compito, anziché al marchio, è una forma di definizione rigorosa del problema. Costringe i responsabili a chiedersi quali input il sistema debba gestire, quale risultato costituisca un successo e quanta spiegazione richiedano gli utenti o le autorità di regolamentazione. Queste domande evitano anche un comune errore di categoria: saper riconoscere il parlato con disinvoltura non significa automaticamente essere capaci di rispondere a domande complesse. L’uso ampio del termine IA nel libro è pratico per il mondo aziendale, ma può confondere differenze di rischio, costo e capacità. Distinzioni tecniche chiare rendono più onesti i confronti.
Partire dai colli di bottiglia aziendali e poi costruire un portafoglio di piccoli successi
Prima si sceglie il problema. Una strategia cognitiva collega i progetti di IA alle priorità aziendali, come migliorare l’offerta ai clienti, prendere decisioni migliori o ridurre gli attriti nelle operazioni. In un’indagine del 2017 condotta su 250 dirigenti che già conoscevano le tecnologie cognitive, l’88 per cento ha dichiarato che questi strumenti erano importanti per prodotti e servizi, e il 93 per cento che lo erano per i processi interni. Questi risultati mostrano l’entusiasmo di chi li adotta attivamente, non una disponibilità universale.
Cercare conoscenze bloccate. Il libro indica tre opportunità promettenti: competenze intrappolate in compartimenti separati, un servizio prezioso troppo costoso da estendere o più dati di quanti le persone riescano ad analizzare. Un’azienda potrebbe cominciare con un help desk interno o con le previsioni di vendita, anziché con un consulente virtuale per ogni esigenza. Selezionare i progetti pilota in base al valore aziendale e alla fattibilità, poi portare in produzione le componenti che hanno avuto successo, invece di collezionare dimostrazioni che non cambiano mai il lavoro.
La prospettiva dei colli di bottiglia rende la strategia sull’IA più concreta di un elenco di tecnologie di moda. Porta a chiedersi dove un migliore accesso alle conoscenze potrebbe modificare una decisione o un servizio, e se il sistema proposto possa inserirsi in quel punto del flusso di lavoro. I dati dell’indagine sono indicativi, ma gli intervistati erano stati selezionati in base alla loro conoscenza e al loro uso dell’IA; non possono quindi dimostrare una diffusa disponibilità delle aziende. Una strategia più solida considera la fiducia dei dirigenti un’ipotesi da verificare, misurando il valore per i clienti, i risultati operativi e l’adozione, non soltanto l’entusiasmo.
Automatizzare i compiti e poi riprogettare l’intero processo
Automatizzare non significa riprogettare. L’automazione robotica dei processi, o RPA, utilizza software per svolgere compiti digitali strutturati attraverso diversi sistemi, un po’ come una persona che segue un copione. In un’analisi di 152 progetti di consulenza, l’automazione dei processi è stata l’attività di IA più comune: è comparsa in 71 progetti. La NASA ha testato quattro progetti pilota RPA in funzioni amministrative; un’applicazione per le risorse umane ha completato l’86 per cento delle transazioni senza intervento umano.
Occorre anche correggere il flusso di lavoro. Automatizzare ogni passaggio esistente può conservare inutili complessità o regole obsolete. Il libro sostiene che, prima dell’implementazione, si dovrebbe esaminare il processo, eliminare i passaggi che non aggiungono più valore e decidere quali eccezioni richiedano ancora l’intervento umano. L’integrazione è un ostacolo importante: il 47 per cento dei dirigenti intervistati che conoscevano l’IA ha dichiarato che collegare i progetti ai sistemi e ai processi esistenti era difficile. Pochi bot possono essere semplici da gestire; amministrarne migliaia può diventare un problema architetturale.
L’automazione modifica un sistema di lavoro, non soltanto un elenco di compiti. Quando un passaggio diventa più rapido, il vincolo può spostarsi sulle approvazioni, sulle eccezioni o sul reparto successivo; perciò un’efficienza locale non garantisce un miglioramento complessivo. Mappare i processi e coinvolgere i lavoratori aiuta a individuare queste dipendenze prima di codificarle. Si rischia inoltre di considerare il software intrinsecamente privo di errori: un bot può ripetere con coerenza e su vasta scala una regola errata. Una riprogettazione efficace comprende quindi la gestione delle eccezioni, il monitoraggio e l’attribuzione della responsabilità di correggere gli errori.
Usare l’IA per potenziare i lavoratori prima di presumere che eliminerà posti di lavoro
I lavori sono insiemi di compiti. Le stime sull’automazione futura variano notevolmente. Alcuni studi citati nel libro prevedono che si potrebbe automatizzare fino al 47 per cento dei lavori, mentre un altro stima che circa il 9 per cento dei lavori nei paesi esaminati sia ad alto rischio. La differenza dipende in parte dal fatto che i ricercatori classificano intere professioni oppure singoli compiti, e dal fatto che tengano conto di costi, regolamentazione e accettazione sociale.
Nella pratica, spesso si tratta di potenziamento. Nell’indagine di Deloitte, solo il 6 per cento degli intervistati ha indicato la riduzione del personale come obiettivo principale dell’IA, mentre il 22 per cento l’ha inclusa tra i tre obiettivi prioritari. Nei progetti esaminati, la riduzione dei posti di lavoro è stata limitata e ha spesso riguardato attività esternalizzate. In Vanguard, gli strumenti automatizzati per gli investimenti gestivano le attività di routine dei portafogli, mentre i consulenti umani si dedicavano maggiormente a seguire i clienti e ad aiutarli a mantenere i propri piani.
La distinzione tra compito e posto di lavoro è essenziale, ma non chiarisce chi sostenga i costi della transizione. Un ruolo può rimanere, pur subendo cambiamenti sostanziali di status, retribuzione, autonomia o opportunità di ingresso. Il potenziamento è una scelta progettuale promettente, non un esito automatico: richiede formazione, interfacce utilizzabili e un piano concreto per il lavoro che viene sottratto al ruolo. L’argomentazione è più convincente quando considera gli effetti sulla forza lavoro qualcosa che le organizzazioni possono orientare, invece di prevedere che sia la sola capacità tecnologica a determinare l’occupazione.
Costruire le basi dei dati prima di aspettarsi l’intelligenza automatica
I modelli hanno bisogno di evidenze utilizzabili. L’apprendimento automatico dipende da dati pertinenti, sufficientemente numerosi e spesso corredati di etichette che indicano gli esiti noti. Eppure, nelle grandi organizzazioni, i dati sono spesso frammentati o incoerenti. I gruppi di ricerca di GSK hanno scoperto che gli scienziati faticavano a usare dati che si trovavano al di fuori dei compartimenti dei rispettivi dipartimenti. L’azienda ha scelto strumenti di apprendimento automatico per abbinare e consolidare i dati di ricerca, anziché affidarsi soltanto a un approccio manuale più lento alla gestione dei dati.
La preparazione apre la strada a nuove domande. Inizialmente GSK ha dato priorità a dieci casi d’uso nella ricerca, poi li ha estesi a 250 dopo aver realizzato un ambiente integrato per i dati. I dati degli studi clinici potevano essere ricondotti a formati condivisi dal settore, rendendo più pratico il confronto tra gli studi. Anche BMO Bank ha investito nella governance dei dati, in archivi comuni e nelle infrastrutture prima di ampliare l’uso dell’analisi dei dati e dell’automazione. Preparare i dati non è un’attività appariscente, ma senza questo lavoro anche i modelli più sofisticati possono produrre risultati inaffidabili o inutilizzabili.
La qualità dei dati non è un compito preliminare che si conclude una volta costruito un modello. È una capacità organizzativa permanente che riguarda definizioni, accesso, provenienza e responsabilità degli aggiornamenti. L’esempio di GSK mostra che collegare le informazioni può rendere possibili domande scientifiche che prima era impraticabile porre. Tuttavia, una raccolta di dati più ampia non è automaticamente migliore. Se dai dati vengono sistematicamente esclusi alcuni gruppi o contesti, la scala può riprodurre quella lacuna con maggiore sicurezza. La preparazione dei dati dovrebbe quindi includere un esame di ciò che l’organizzazione non ha registrato.
Integrare equità e spiegabilità nelle specifiche di progettazione del modello
Le previsioni possono distribuire il danno. Uno strumento per le sentenze penali chiamato COMPAS è stato criticato dopo che un’inchiesta ha rilevato che sembrava sovrastimare il rischio di recidiva per gli imputati neri e sottostimarlo per quelli bianchi. Il suo sviluppatore ha contestato l’analisi, mostrando che l’equità dipende in parte dalla misura utilizzata. Facebook è stata criticata anche perché i suoi strumenti pubblicitari consentivano di definire destinatari sulla base di categorie d’odio: un esempio di come i sistemi automatizzati possano riprodurre schemi dannosi senza che tale intento sia stato programmato esplicitamente.
Integrare la revisione nell’implementazione. Prima di scegliere un modello, stabilire quanta spiegazione richieda una decisione. Gli impieghi ad alto rischio, come il credito, la salute o le sentenze, richiedono un esame più attento rispetto alla selezione di annunci a basso rischio. Esaminare gli input alla ricerca di indicatori indiretti ingiustificati, valutare i dati mancanti o insoliti, verificare gli esiti per i diversi gruppi coinvolti e riesaminare i modelli quando cambiano i dati. Quando possibile, usare metodi in grado di spiegare i fattori alla base di una singola previsione.
L’equità non è una singola impostazione tecnica. Definizioni diverse possono entrare in conflitto, perciò i gruppi di lavoro devono dichiarare quali danni intendono prevenire e chi abbia l’autorità di prendere tale decisione. La spiegabilità rende possibile il controllo, ma un modello leggibile non è necessariamente equo; anche un modello opaco può ottenere buoni risultati in media e fallire con gruppi specifici. Il processo di progettazione richiede quindi sia verifiche tecniche sia responsabilità istituzionale. È particolarmente importante quando un punteggio automatizzato influisce sull’accesso di una persona a diritti, servizi o opportunità.
Conquistare la fiducia dichiarando i limiti e mantenendo gli esseri umani responsabili
Non mascherare una macchina. In un sondaggio tra i consumatori descritto nel libro, l’87 per cento era favorevole a norme che vietassero ai sistemi di IA di fingersi persone. I clienti possono accettare un aiuto automatizzato, ma devono sapere se stanno interagendo con un sistema e che cosa sia davvero in grado di fare. La banca svedese SEB ha presentato il proprio agente digitale come un tirocinante, descrivendone il ruolo limitato anziché insinuare che avesse capacità pari a quelle umane.
Prevedere un’alternativa responsabile. Gli sforzi di Facebook per individuare notizie false e contenuti dannosi hanno mostrato i limiti dell’affidarsi esclusivamente a filtri automatizzati. L’azienda ha aggiunto revisori umani e sperimentato altri interventi, ma i risultati sono rimasti incerti. Un servizio responsabile permette di rivolgersi a un livello superiore, comunica agli utenti che cosa il sistema non è in grado di gestire e verifica se si verificano errori o esiti dannosi. Esagerare le capacità può attirare l’attenzione all’inizio, ma promesse disattese rendono più difficile l’adozione successiva.
La fiducia dipende in parte dalla corretta calibrazione delle aspettative: gli utenti devono avere un’idea realistica di ciò che un sistema può o non può fare. La trasparenza favorisce questa consapevolezza, mentre un’alternativa umana impedisce che l’interazione automatizzata diventi un vicolo cieco. L’esempio di Facebook mostra inoltre che la sicurezza non può essere ridotta a un classificatore che etichetta correttamente i contenuti: anche gli incentivi, la progettazione della piattaforma e il comportamento umano influenzano gli esiti. La revisione umana non è una soluzione universale, perché i revisori hanno bisogno di tempo e autorità; la responsabilità, però, non può essere delegata al modello.
Coinvolgere i lavoratori nella riprogettazione prima di portare i bot in produzione
La partecipazione cambia l’adozione. L’IA può minacciare le persone le cui competenze vengono assorbite dai sistemi o le cui abitudini di lavoro stanno cambiando. Il libro raccomanda di coinvolgere i dipendenti interessati nella definizione di come distribuire il lavoro tra persone e sistemi. Presso un rivenditore di abbigliamento, gli acquirenti si opposero a un progetto pilota di IA che formulava raccomandazioni sul merchandising, chiedendosi quale sarebbe stato il loro ruolo se il sistema si fosse fatto carico dei compiti consueti. Il direttore commerciale mantenne il progetto, ma dovette mostrare come gli acquirenti avrebbero potuto concentrarsi sulla comprensione di clienti e produttori.
Preparare le persone alle nuove responsabilità. I lavoratori potrebbero dover interpretare raccomandazioni, gestire eccezioni, spiegare decisioni o monitorare le prestazioni del sistema. Ciò richiede formazione pratica, comunicazione chiara e tempo sufficiente per adattarsi. I dipendenti di SEB hanno contribuito ad addestrare l’agente digitale e hanno considerato l’iniziativa una sperimentazione, non un’immediata operazione di riduzione dei costi. La partecipazione non garantisce l’accordo, ma escludere i lavoratori rende più difficile costruire processi utili e individuare tempestivamente i problemi.
Coinvolgere i lavoratori è sia una pratica di gestione del cambiamento sia una fonte di conoscenze operative. Spesso i dipendenti comprendono le eccezioni, le esigenze informali dei clienti e gli stratagemmi che sfuggono alle mappe dei processi. Il loro contributo può rivelare dove l’automazione fallirà prima che i problemi raggiungano i clienti. Tuttavia, la partecipazione non dovrebbe ridursi a una consultazione simbolica dopo che le decisioni importanti sono già state prese. Un coinvolgimento credibile permette di incidere sull’assegnazione dei compiti, sulla formazione e sul trattamento dei ruoli che cambiano, soprattutto quando l’organizzazione ha un reale incentivo a ridurre i costi del lavoro.
Analisi
Il contributo centrale del libro consiste nel ridefinire che cosa significhi prendere una decisione sull’IA. Invece di chiedersi se un’azienda debba adottare l’intelligenza artificiale, si chiede quali compiti siano adatti, di quali dati e cambiamenti organizzativi abbiano bisogno e come la capacità che ne deriva verrà integrata nel lavoro reale. Questo cambio di prospettiva smonta sia il clamore tecnologico sia lo scetticismo passivo. I progetti oncologici con Watson mostrano che un sistema celebrato può non riuscire a colmare la distanza tra dimostrazione e uso clinico. Le previsioni sugli sportelli bancomat di DBS, invece, illustrano come un’applicazione modesta possa generare un valore operativo duraturo.
L’argomentazione considera inoltre l’IA un problema di gestione, non semplicemente un acquisto di software. I modelli richiedono integrazione, preparazione dei dati, riprogettazione dei processi, figure capaci di fare da tramite tra le esigenze aziendali e i metodi tecnici, nonché dipendenti in grado di lavorare insieme ai sistemi automatizzati. È un quadro dell’implementazione più realistico rispetto alle affermazioni secondo cui un modello, da solo, trasforma un’azienda. Gli esempi suggeriscono ripetutamente che, più della novità algoritmica, siano gli attriti organizzativi a determinare se un progetto pilota diventi un’infrastruttura utile.
L’enfasi del libro sui progressi graduali è convincente, ma crea una tensione. Una serie di piccole efficienze può migliorare i risultati senza cambiare chi ne beneficia, il cui lavoro perde valore o il modo in cui vengono governate le decisioni. L’autore riconosce i problemi di pregiudizi, privacy, perdita di posti di lavoro e fiducia, ma queste questioni non sono misure di tutela secondarie. Definiscono il successo stesso. Un sistema che riduce i costi imponendo ai clienti errori opachi non è semplicemente un’implementazione tecnicamente riuscita a cui si aggiunge un problema etico.
Il libro è anche una fotografia del 2018, quando i limiti di specifiche piattaforme e l’adozione nelle imprese erano particolarmente evidenti. La sua lezione più duratura non riguarda un fornitore o un modello, ma la necessità di abbinare con rigore problema e soluzione: partire da un problema aziendale rilevante, scegliere metodi le cui forze e debolezze siano adatte, preparare l’organizzazione ad assorbirne i risultati e misurare esiti che vadano oltre il progetto pilota. Il vantaggio dell’IA non sta nel fatto che le macchine sostituiscano interamente il giudizio umano. Sta nella possibilità per le organizzazioni di riorganizzare informazioni e lavoro, a condizione che continuino a rispondere di ciò che fanno i sistemi.
Sintesi delle recensioni
I lettori hanno riconosciuto a The AI Advantage un messaggio di fondo valido, ma ne hanno criticato la scarsa profondità e il ricorso a esempi molto noti. Alcuni lo hanno ritenuto una fonte di spunti pratici per le aziende che valutano l’adozione dell’IA, mentre altri lo hanno trovato datato e ripetitivo. Le recensioni positive ne hanno lodato l’accessibilità e la panoramica sulle applicazioni aziendali dell’IA. Tra le critiche figuravano l’attenzione rivolta a tecnologie di IA superficiali, uno stile di scrittura simile a quello di un consulente e un’esplorazione limitata dei concetti più complessi dell’IA. Nel complesso, i giudizi sono stati contrastanti: alcuni lettori avrebbero voluto un’analisi più approfondita dell’impatto dell’IA sul lavoro e sull’industria.
Altri hanno letto anche
Glossario
tecnologie cognitive
IA per compiti specificiEtichetta ampia usata da Davenport per indicare tecnologie che svolgono compiti associati alla conoscenza, alla percezione o alla capacità di analisi umane, di norma in ambiti circoscritti. La categoria comprende apprendimento automatico, elaborazione del linguaggio naturale, sistemi esperti, robot fisici e automazione robotica dei processi. Il termine è volutamente inclusivo, anche se i sistemi riuniti sotto questa etichetta differiscono notevolmente per il grado di intelligenza con cui operano.
automazione robotica dei processi
Software per compiti strutturatiSoftware che svolge attività digitali ripetitive seguendo regole e interagendo con i sistemi informativi esistenti come farebbe un utente umano. Nonostante il nome, di solito non comporta l’impiego di un robot fisico. L’RPA è relativamente economica e semplice da configurare, ma non apprende di per sé e le implementazioni su larga scala possono creare difficoltà di manutenzione e integrazione.
analisi cognitiva
Schemi ricavati dai datiCategoria di applicazioni aziendali di IA che utilizza algoritmi, più spesso l’apprendimento automatico, per individuare schemi in grandi volumi di dati strutturati e usarli per prevedere o classificare risultati. Tra gli esempi figurano l’individuazione delle frodi, la previsione del comportamento dei clienti e l’anticipazione dei guasti alle apparecchiature. Questi strumenti possono analizzare più dati e creare modelli più dettagliati degli approcci convenzionali, ma spesso necessitano di esempi etichettati.
interazione cognitiva
Interazione personalizzata con le macchineCategoria di applicazioni di IA che interagisce con clienti o dipendenti attraverso il linguaggio o le immagini. Comprende chatbot, agenti intelligenti, sistemi di raccomandazione e alcuni strumenti che forniscono consigli terapeutici. Queste applicazioni possono rendere disponibili i servizi 24 ore su 24, ma la loro competenza è di solito limitata a temi o compiti specifici; resta importante poter passare senza difficoltà a un interlocutore umano.
gemello digitale
Modello basato sui dati di un beneRappresentazione digitale di una macchina fisica o di un insieme di macchine, aggiornata con dati provenienti da sensori e altre fonti. Un’organizzazione può usare il modello per rilevare anomalie, valutare le prestazioni e prevedere le necessità di manutenzione. L’approccio è utile quando le apparecchiature generano dati in modo continuativo, ma il suo valore predittivo dipende dalla qualità dei dati e dall’adeguatezza dei modelli.
grafo della conoscenza
Fatti ed entità collegatiRaccolta strutturata di entità, come persone, luoghi o prodotti, insieme a fatti che le riguardano e alle loro relazioni. I grafi della conoscenza possono aiutare i sistemi di elaborazione del linguaggio naturale a interpretare termini in un determinato ambito e a rispondere alle domande. Crearne uno o adattarne uno esistente richiede spesso un lavoro sostanziale per definire concetti, relazioni e linguaggio pertinente.
abbinamento probabilistico
Identificazione probabile di recordMetodo per individuare record che probabilmente si riferiscono alla stessa persona, organizzazione, prodotto o altra entità, anche quando i nomi o i dettagli differiscono. L’apprendimento automatico può stimare queste corrispondenze in grandi database con maggiore efficienza rispetto alla revisione manuale o alla scrittura di numerose regole. Il metodo favorisce l’integrazione dei dati, ma le corrispondenze incerte possono comunque richiedere una convalida.
LIME
Spiegazione di una previsione localeLIME (spiegazioni locali interpretabili e indipendenti dal modello) è una tecnica descritta nel libro per individuare le caratteristiche che hanno influito maggiormente su una specifica previsione di un modello. Può aiutare a spiegare un singolo risultato, per esempio perché una banca ha segnalato una transazione come potenzialmente fraudolenta. Non rende trasparente ogni modello nel suo complesso, ma può fornire una spiegazione personalizzata di una decisione.
FAQ
Di cosa parla The AI Advantage: How to Put the Artificial Intelligence Revolution to Work di Thomas H. Davenport?
- L’IA nelle grandi aziende: Il libro esamina come le grandi organizzazioni possano adottare e sfruttare efficacemente l’intelligenza artificiale (IA) e le tecnologie cognitive nei processi aziendali, nei prodotti e nelle strategie.
- La pratica prima dell’entusiasmo: Davenport pone l’accento sulle applicazioni concrete e su aspettative realistiche, evitando affermazioni esagerate sulle capacità dell’IA.
- Contesto storico e attuale: Ripercorre l’evoluzione dell’IA, dai primi sistemi esperti all’apprendimento automatico moderno, attraverso casi di studio di aziende come Amazon e DBS Bank.
- Approfondimenti strategici e organizzativi: Il libro analizza l’impatto dell’IA sulle strutture organizzative, sui posti di lavoro e sui modelli aziendali, e offre indicazioni su come gestire questi cambiamenti.
Perché dovrei leggere The AI Advantage di Thomas H. Davenport?
- Una prospettiva equilibrata e realistica: Davenport offre una visione sfumata dell’IA, concentrandosi su ciò che può realisticamente ottenere per le aziende, nel breve e nel lungo termine.
- Consigli pratici per i manager: Il libro fornisce indicazioni concrete ai leader aziendali su come sviluppare strategie per l’IA, scegliere le tecnologie e ampliare i progetti.
- Una trattazione ampia: Affronta le tecnologie di IA, le applicazioni aziendali, gli effetti sulla forza lavoro e le considerazioni etiche, risultando utile per professionisti e decisori.
- Prepararsi al cambiamento: I lettori acquisiscono spunti per gestire il cambiamento organizzativo, le transizioni della forza lavoro e l’adozione responsabile dell’IA.
Quali sono i punti chiave di The AI Advantage di Thomas H. Davenport?
- L’IA affianca, non sostituisce: Il libro sostiene che è più probabile che l’IA affianchi i lavoratori umani anziché automatizzare completamente i posti di lavoro, dando origine a nuovi ruoli e requisiti di competenze.
- L’integrazione è difficile: Integrare l’IA nei sistemi e nei processi esistenti è spesso più difficile che sviluppare i modelli di IA stessi.
- Dati e competenze sono essenziali: Dati di alta qualità e professionisti esperti di IA sono indispensabili per adottarla con successo.
- Etica e trasparenza contano: Affrontare i pregiudizi algoritmici, la spiegabilità e l’uso responsabile dell’IA è fondamentale per il successo a lungo termine.
Come definisce Thomas H. Davenport l’IA e le tecnologie cognitive in The AI Advantage?
- Una definizione ampia e inclusiva: L’IA e le tecnologie cognitive sono sistemi che impiegano capacità simili a quelle umane, come conoscenza, percezione e analisi, per risolvere compiti definiti in modo circoscritto.
- Un approccio incentrato sui compiti: Il libro sottolinea che le tecnologie di IA attuali sono più efficaci nell’affiancare specifiche attività umane che nel replicare interi posti di lavoro o la cognizione umana nel suo complesso.
- Tecnologie incluse: Davenport comprende nell’ambito dell’IA l’apprendimento automatico, l’elaborazione del linguaggio naturale (NLP), l’automazione robotica dei processi (RPA), i sistemi esperti e i robot fisici.
- Un’intelligenza in evoluzione: La definizione riconosce il crescente livello di sofisticazione e integrazione di queste tecnologie nelle aziende.
Quali sono le principali applicazioni aziendali dell’IA descritte in The AI Advantage?
- Automazione dei processi: Uso dell’RPA e dell’IA per automatizzare attività ripetitive e strutturate di back-office, migliorando l’efficienza e riducendo gli errori.
- Analisi cognitiva: Applicazione dell’apprendimento automatico all’analisi di grandi insiemi di dati per attività come il rilevamento delle frodi, la manutenzione predittiva e il marketing personalizzato.
- Interazione cognitiva: Impiego di chatbot e agenti intelligenti per interagire con clienti e dipendenti, migliorando il servizio e l’assistenza.
- Miglioramento di prodotti e servizi: Integrazione dell’IA nei prodotti (per esempio, veicoli autonomi ed elettrodomestici intelligenti) e creazione di nuovi modelli aziendali basati sull’IA.
Quali sono le principali tecnologie e i metodi di IA illustrati in The AI Advantage?
- Apprendimento automatico e apprendimento profondo: Metodi statistici che addestrano modelli sui dati per prevedere o classificare risultati; l’apprendimento profondo usa reti neurali per compiti complessi.
- Elaborazione del linguaggio naturale (NLP): Tecniche per analizzare e comprendere il linguaggio umano, tra cui chatbot e riconoscimento vocale.
- Automazione robotica dei processi (RPA): Robot software che automatizzano attività digitali strutturate imitando le interazioni umane con i sistemi informatici.
- Sistemi esperti basati su regole e robot fisici: Forme più datate di IA che ricorrono a regole del tipo “se-allora” e a robot per attività fisiche, oggi sempre più spesso integrate con capacità cognitive.
Quali sono i principali approcci tecnici all’implementazione dell’IA descritti in The AI Advantage?
- IA integrata nei software: Integrazione delle capacità di IA nei sistemi aziendali esistenti (per esempio, Salesforce Einstein) per facilitarne l’adozione.
- RPA come punto di partenza: Uso dell’RPA per automatizzare compiti strutturati, spesso come primo passo verso forme di IA più avanzate.
- Piattaforme cognitive e strategie multi-fornitore: Le aziende più grandi possono sviluppare o acquistare piattaforme di IA ampie, oppure combinare strumenti proprietari e open source, con la necessità di un’integrazione sofisticata.
- Preparazione dei dati: Sono essenziali dati di alta qualità e ben integrati; le aziende possono usare l’IA stessa per migliorare la gestione e l’integrazione dei dati.
Quali cambiamenti organizzativi e nella forza lavoro prevede The AI Advantage a causa dell’IA?
- Affiancamento nelle attività: L’IA cambierà la natura del lavoro affiancando molte attività umane, e richiederà nuove competenze e nuovi ruoli.
- Nuovi ruoli e competenze: Crescerà la domanda di data scientist, specialisti di IA e “traduttori” capaci di fare da ponte tra l’azienda e la tecnologia.
- Riprogettazione dei processi e delle strutture: Le organizzazioni dovranno ripensare processi e strutture aziendali per ottimizzare la collaborazione tra esseri umani e macchine.
- Impatto graduale sulla forza lavoro: Inizialmente si prevede che la perdita di posti di lavoro sarà lenta e limitata, mentre gli aumenti di produttività contribuiranno alla crescita economica.
Come consiglia Thomas H. Davenport alle aziende di sviluppare una strategia per l’IA in The AI Advantage?
- Allinearsi agli obiettivi aziendali: Individuare problemi o opportunità prioritari in cui l’IA può creare valore, concentrandosi sulle priorità strategiche.
- Dare priorità ai progetti e avviare progetti pilota: Valutare i casi d’uso in base alla fattibilità e all’impatto e creare un portafoglio di progetti pilota e prove di concetto.
- Sviluppare capacità interne: Formare o acquisire talenti nel campo dell’IA, investire nell’infrastruttura dei dati e promuovere una comprensione dell’IA in tutta l’organizzazione.
- Pianificare l’espansione: Prepararsi alle difficoltà d’integrazione, alla gestione del cambiamento e al miglioramento continuo, per passare dai progetti pilota alla produzione.
Quali difficoltà e limiti dell’adozione dell’IA evidenzia The AI Advantage?
- Difficoltà d’integrazione: Integrare l’IA nei sistemi e nei processi esistenti è spesso la sfida più importante.
- Scarsità di talenti: Mancano professionisti esperti di IA, rendendo difficile sviluppare e mantenere capacità in questo campo.
- Qualità e disponibilità dei dati: Dati di scarsa qualità o isolati in silos possono compromettere l’efficacia dell’IA e rendere necessari investimenti nell’infrastruttura dei dati.
- Resistenza organizzativa: Dipendenti e manager possono opporsi ai cambiamenti, rendendo necessarie una gestione ponderata del cambiamento e una comunicazione efficace.
Quali implicazioni etiche e sociali dell’IA vengono affrontate in The AI Advantage?
- Pregiudizi algoritmici ed equità: I sistemi di IA possono perpetuare o amplificare i pregiudizi, sollevando questioni di equità e discriminazione.
- Trasparenza e spiegabilità: Il libro evidenzia la necessità di un’IA spiegabile, soprattutto nei settori regolamentati e nelle decisioni ad alto impatto.
- Privacy e sicurezza: La capacità dell’IA di analizzare enormi quantità di dati personali solleva questioni di privacy; inoltre, l’IA è sia uno strumento sia un bersaglio delle minacce alla sicurezza informatica.
- Adozione responsabile: Davenport sottolinea l’importanza di gestire in modo proattivo le implicazioni organizzative, sociali ed etiche dell’IA.
Quali sono alcuni esempi concreti degni di nota di applicazioni aziendali dell’IA in The AI Advantage?
- Negozi Amazon Go: Uso del riconoscimento delle immagini e della fusione dei dati dei sensori per consentire acquisti senza passare dalla cassa e trasformare le attività del commercio al dettaglio.
- Bank of Montreal: Implementazione dell’apprendimento automatico e dell’RPA per la segmentazione dei clienti, il rilevamento delle frodi e l’automazione dei processi.
- Ricerca e sviluppo di GlaxoSmithKline: Uso dell’IA e dell’apprendimento automatico per integrare i dati di ricerca e accelerare la scoperta di farmaci.
- Moderazione dei contenuti di Facebook: Le difficoltà nell’usare l’IA per rilevare notizie false e contenuti dannosi illustrano sia le potenzialità sia i limiti della tecnologia.
Quali sono le citazioni più significative di The AI Advantage di Thomas H. Davenport e che cosa significano?
- Legge di Amara: “Tendiamo a sopravvalutare l’effetto di una tecnologia nel breve periodo e a sottovalutarlo nel lungo periodo.” Questo invito alla cautela ricorda ai lettori di mantenere aspettative realistiche sull’impatto immediato dell’IA, riconoscendone al tempo stesso il potenziale trasformativo.
- Kevin Kelly sull’IA: L’IA è “un’intelligenza digitale economica, affidabile e di livello industriale, che opera dietro ogni cosa ed è quasi invisibile, tranne quando si spegne per un istante”. Questo sottolinea che il futuro dell’IA potrebbe essere quello di un servizio onnipresente che opera dietro le quinte.
- Jeff Bezos sull’impatto dell’IA: “Gran parte di ciò che facciamo con l’apprendimento automatico avviene dietro le quinte... migliorando in modo silenzioso ma significativo le attività fondamentali.” Questo sottolinea che i benefici più rilevanti dell’IA potrebbero riguardare le operazioni, anziché aspetti appariscenti o direttamente visibili ai clienti.
Scarica PDF
Scarica EPUB
.epub è ideale per leggere ebook su telefoni, tablet ed e-reader.