Gartner: come si ricava valore dall'AI per gli analytics

Il comparto data analytics è ampiamente abituato all'utilizzo delle tecnologie di Intelligenza Artificiale, che ha adottato da decenni nelle sue forme prima più semplici e poi man mano più complesse. Ora è ovviamente investito dall'ondata della "nuova" AI e si sta ponendo il problema di come integrarla efficacemente nei propri processi di analisi dei dati, di fronte a una richiesta chiara dei management aziendali: bilanciare il costo dell'AI con un adeguato, e possibilmente veloce, ritorno sugli investimenti.

In realtà però, hanno sottolineato gli analisti Gartner durante il Gartner Data & Analytics Summit di Orlando, il problema dei cosiddetti "AI leader" che operano nelle organizzazioni con una forte connotazione di data analytics non è strettamente il costo, seppupre poco prevedibile, degli strumenti di Intelligenza Artificiale. Solo il 20% circa di loro pensa che questo costo limiti il valore dell'AI, e resta ben sotto la metà (44%) la quota delle imprese che hanno implementato guardrail finanziari per l'AI o procedure di FinOPs mirate (i dati sono relativi a una indagine condotta su 353 manager che guidano iniziative di AI e data analytics).

Il problema principale, spiega Gartner, è definire bene cosa oggi può significare "ritorno sugli investimenti" quando si tratta di AI. Il ROI viene presentato sempre come una metrica freddamente finanziaria, ma per gli analisti chi fa AI nelle imprese deve fare proprio il concetto che oggi il valore da portare è anche e soprattutto un altro: guidare la propria organizzazione attraverso implementazioni concrete dell'AI, in mezzo a un mercato caratterizzato invece da un hype assai poco concreto e dalla paura che, prima o poi, la bolla dell'AI scoppi lasciando gli utenti in mezzo a un metaforico guado.

Per Gartner ci sono tre approcci da seguire, insieme, per concretizzare il valore dell'AI in campo data analytics. Il primo è definire quale è la propria "ambizione" in campo AI, una espressione che Gartner usa per evidenziare il rischio di disperdere le proprie energie in molti progetti di AI che alla fine risultano incoerenti e poco produttivi. È vero che sperimentando si impara molto, ma - sottolineano gli analisti - è anche vero che lo stanno facendo tutti e di conseguenza, senza porsi obiettivi precisi, la singola organizzazione rischia poi di rimanere indietro rispetto a chi si muove con le idee più chiare.

L'incertezza insita in un ambito ancora a forte accelerazione tecnologica certamente resta e impone un apprendimento e un adattamento continui. Bisogna però comunque fissare i propri obiettivi per massimizzare il valore degli insight che l'AI può dare partendo dai dati aziendali. Cosa che a sua volta richiede, per Gartner, un ripensamento radicale dell'impatto dell'AI sui processi di analytics, per definire una visione condivisa del ruolo delle nuove tecnologie.

Dopo la strategia, serve un secondo approccio che è più collegato agli aspetti tecnici e procedurali: costruire le solide fondamenta infrastrutturali che servono all'AI, senza le quali qualsiasi iniziativa collegata all'Intelligenza Artificiare resta un costoso esperimento. Molti progetti di AI vengono invece avviati sulla base di ambienti di data analytics in cui mancano aggiornamenti tecnologici, i team operano ancora "a silo" e in generale esiste un debito tecnologico rilevante. Pensare che l'AI o la GenAI compensino di per sé tutto questo non ha davvero senso.

C'è quindi da lavorare: le infrastrutture dati devono essere pronte per l'AI, si devono implementare procedure e controlli per impedire che i dati sbagliati vengano esposti alle persone sbagliate, serve dare all'AI informazioni di contesto che eliminino (o riducano) imprecisioni, incomprensioni e allucinazioni. Tutti elementi che alla fine rimandano alla governance dell'AI, che in molte organizzazioni è un elemento sottovalutato o poco conosciuto.

Il terzo approccio necessario per una AI efficace riguarda, prevedibilmente, le persone. Le organizzazioni possono anche voler evolvere velocemente, ma le persone hanno una capacità finita di assorbire cambiamenti e questo "scarto" va gestito correttamente. Serve quindi innanzitutto investire nella crescita dei dipendenti, con un piano di sviluppo delle competenze che sia sostenuto da un budget consistente. Da parte sua l'azienda deve anche cambiare il modo di vedere la sua organizzazione, focalizzanzosi non sui ruoli ma sulle skill collegate all'AI.

Bisogna anche evitare di nascondere i rischi percepiti dell'AI: i leader AI devono affrontare le preoccupazioni dei dipendenti e rapportarle alla concretezza dei processi, ad esempio sperimentando team misti di intelligenza umana e artificiale. Ciò aumenta il coinvolgimento dei dipendenti e li fa partecipare alle trasformazioni guidate dall'AI, con il risultato finale che tutta l'organizzazione risulta più adattabile al cambiamento.