L'intelligenza artificiale è passata dalla fase sperimentale a quella produttiva.
Il che ora ci costringe a confrontarci con una domanda fondamentale: quali sono i benefici per l'azienda?
A questo punto, la maggior parte delle organizzazioni ha investito in modelli, infrastrutture, applicazioni e agenti. Questi investimenti stanno iniziando a produrre flussi di lavoro più rapidi, funzionalità nee e casi d’uso promettenti. Tuttavia, possono anche creare un ulteriore carico di lavoro legato proprio all’IA stessa.
I team preparano i dati, riconciliamo i record in conflitto, raccogliamo il contesto mancante, convalidiamo i risultati e analizziamo come l’IA sia giunta alle sue conclusioni. La tecnologia può accelerare una parte di un processo, creando al contempo un nuovo flusso di lavoro di convalida attorno ad essa.
Questo sforzo nascosto è la «AI Trust Tax». E può consumare silenziosamente parte del valore che l’IA avrebbe dovuto creare.
Per contrastare questo onere, il passo successivo consiste nel ridurre il lavoro evitabile legato all’IA. In questo modo, una quota maggiore dell’investimento si tradurrà in valore misurabile.
Si inizi dalla decisione che l’agente deve migliorare
Si è spesso tentati di avviare un’iniziativa di IA chiedendosi dove si potrebbe implementare un agente. Partire invece dalla decisione o dal flusso di lavoro che si desidera migliorare conferisce al progetto uno scopo più chiaro.
Cosa dovrebbe avvenire più rapidamente? In quali ambiti una maggiore coerenza potrebbe creare valore? Quali passaggi manuali rallentano attualmente il processo? Cosa significherebbe per l’azienda ottenere un risultato migliore?
Da lì, determinate di cosa avrà bisogno l’IA per prendere o supportare quella decisione:
- Quali ambiti di dati sono coinvolti?
- Quali regole e politiche aziendali si applicano?
- Qual è il livello appropriato di revisione umana?
- Di quali prove si avrebbe bisogno per spiegare o difendere il risultato?
- In che modo l’azienda valuterà se il flusso di lavoro è migliorato?
Un agente crea valore migliorando un processo significativo con la giusta combinazione di velocità, coerenza, contesto e controllo. L’autonomia può essere parte di questa equazione, ma non dovrebbe essere l’unico metro di misura del successo.
Fornire all’IA un quadro completo dell’azienda
La qualità dei dati rimane fondamentale. Man mano che l’IA assume il controllo di decisioni che interessano l’intera azienda, ha bisogno anche delle relazioni e del contesto che collegano i singoli record.
Si consideri, ad esempio, un agente che supporta una decisione relativa a un prodotto. I dati sul prodotto possono essere fondamentali, ma l’agente potrebbe anche aver bisogno di informazioni sui fornitori, sulle aspettative dei clienti, sulle condizioni delle scorte, sui dati di localizzazione, sui termini contrattuali o sui requisiti normativi.
Senza tali collegamenti, l’IA potrebbe fornire una risposta che sembra ragionevole ma priva del contesto necessario per utilizzarla con sicurezza.
La sfida dei dati per l’IA si estende ora alla qualità, alle relazioni, al contesto e al controllo.
Ciò significa fornire all’IA l’accesso a dati accurati e al significato aziendale che li circonda. Deve comprendere:
- In che modo prodotti, clienti, fornitori, sedi e risorse sono correlati
- Quali definizioni, classificazioni e gerarchie utilizza l’azienda
- Quali politiche e regole regolano una decisione
- Chi può accedere, modificare, approvare o agire sulle informazioni
- Da dove provengono i dati sottostanti
- Come il risultato possa essere tracciato e spiegato
Insieme, questi elementi trasformano una raccolta di record in un contesto aziendale. Possono inoltre ridurre il lavoro di preparazione, riconciliazione e analisi che i team devono svolgere dopo che è già stato generato un risultato dell’intelligenza artificiale.
Scegliere dove utilizzare l’IA e dove crearla
Non esiste un unico percorso per introdurre gli agenti nell’azienda.
Alcuni casi d’uso sono comuni e ripetibili. Una funzionalità pronta all’uso che possa essere configurata in base al proprio modello di dati potrebbe rappresentare la via più rapida per ottenere valore.
Altri flussi di lavoro potrebbero riflettere i vostri processi, dati e competenze specifici, il che a sua volta potrebbe richiedere agenti personalizzati progettati in base al modo in cui l’azienda opera effettivamente.
Probabilmente la maggior parte delle organizzazioni utilizzerà una combinazione di entrambe le soluzioni.
In entrambi i casi, gli agenti dovrebbero operare nell’ambito degli stessi principi di governance e degli stessi controlli aziendali applicati ai dati che utilizzano.
I requisiti relativi a autorizzazioni, sicurezza, orchestrazione, tracciabilità e revisione devono essere integrati nella progettazione dell’agente sin dall’inizio. Aggiungerli in un secondo momento comporta un carico di lavoro maggiore e può limitare la fiducia con cui l’azienda utilizza tale funzionalità.
Ciò diventa ancora più importante quando gli agenti operano su più domini. Un agente che attinge a dati relativi a prodotti, clienti, fornitori e sedi dovrebbe attenersi alle regole, alle proprietà e alle autorizzazioni che disciplinano tali record.
Una maggiore autonomia richiede misure di controllo più rigorose.
Misurate il ritorno e il lavoro necessario per potervi fidare
Misurare l'adozione dell'IA è relativamente semplice. Le organizzazioni possono contare le implementazioni, gli utenti, le interazioni, le attività completate e il tempo risparmiato.
Una valutazione più completa del valore dell’IA tiene conto anche del lavoro che sta alla base di tali risultati.
Si consiglia di monitorare:
- Il tempo impiegato per preparare i dati per l’IA
- Tempo impiegato per la convalida o la correzione dei risultati
- Record e fonti riconciliati manualmente
- Risultati che richiedono l'intervento umano
- Capacità di ricondurre un risultato ai dati sottostanti
- Tempo necessario per completare il flusso di lavoro previsto
- Miglioramenti in termini di produttività, costi, ricavi o esperienza
Nel loro insieme, questi indicatori forniscono un quadro più chiaro del ritorno sull'investimento.
Un flusso di lavoro può sembrare più veloce finché un team addetto ai dati non trascorre ore a risolvere le incongruenze prima che qualcuno possa utilizzare i risultati. Un operatore può portare a termine più attività senza creare più valore se i colleghi devono controllare e correggere ripetutamente il suo lavoro.
Il giudizio umano rimarrà essenziale, in particolare quando le decisioni comportano conseguenze significative a livello finanziario, normativo, operativo o per i clienti. Dati, contesto e governance migliori aiutano le persone a concentrare quel giudizio dove aggiunge più valore.
L’obiettivo è ridurre i problemi evitabili da correggere e disporre di prove più solide a sostegno delle decisioni che le persone devono ancora prendere.
Trasformare l’attività dell’IA in intelligenza affidabile
L’IA ha già dimostrato di poter generare maggiore intelligenza. La fase successiva consiste nel rendere tale intelligenza sufficientemente affidabile da supportare azioni significative.
Questo percorso inizia con dati affidabili. Progredisce attraverso un contesto aziendale interconnesso, una governance chiara, la spiegabilità e la tracciabilità. Insieme, questi elementi creano un'intelligenza affidabile: un'intelligenza su cui le persone e l'IA possono agire con fiducia.
I costi legati all’IA stanno già aumentando. Per migliorare il ritorno sull’investimento, è tempo di esaminare cosa sta producendo l’IA, cosa serve per fidarsi dei suoi risultati e quanto valore rimane una volta completato il lavoro di convalida.
La vera misura del progresso dell’IA va oltre il numero di agenti implementati.
È la sicurezza con cui tali agenti possono contribuire a decisioni che reggano nel tempo.
