Archivio

AI in azienda: valutare e prioritizzare le aree di intervento

La logica con cui definire un ordine di priorità nelle aree di intervento e nelle iniziative da perseguire deve basarsi su una valutazione ampia, che include elementi di natura tecnica, di business, di assetto regolatorio e di competenze interne. Diversi saranno infatti i fattori da allineare per la buona riuscita delle iniziative. In generale, due sono le dimensioni che possiamo considerare per definire un ordine di priorità. La prima dimensione guarda all’impatto di business atteso delle iniziative, e si ricollega prevalentemente a una valutazione di opportunità di business. La seconda dimensione guarda invece ad una valutazione di fattibilità nella realizzazione dell’iniziativa, includendo elementi trasversali di natura tecnologica, di contesto interno ed esterno e di risorse disponibili. Le due dimensioni possono poi essere combinate in una mappa di valutazione finale, che permette di visualizzare le iniziative individuate alla luce delle valutazioni effettuate. Entrambe le dimensioni di valutazione sono determinabili attraverso un approccio strutturato di analisi basato sulla valutazione di alcune variabili chiave. Naturalmente, le variabili che seguono rappresentano uno spunto di lavoro basato su precedenti esperienze di valutazione ma non costituiscono necessariamente un elenco esaustivo in ogni contesto. Ciononostante, la centralità di questi elementi fa sì che non debbano essere tralasciati.

Partendo dall’impatto atteso delle iniziative, vi sono quattro variabili chiave che dovrebbero guidarci nella valutazione.

1. Priorità di business. Questa variabile esprime il livello di coerenza dell’iniziativa con le direttrici di evoluzione aziendale e le opportunità di business emerse dall'analisi del precedente punto dell'AI roadmap. Un alto livello di priorità di business si riscontra quando l’iniziativa è ritenuta cruciale per gli obiettivi di evoluzione individuati.
2. Impatto economico. Questa variabile esprime il livello di impatto economico che l’iniziativa AI dovrebbe generare, in termine di aumento di ricavi o riduzione dei costi attesi. Nella valutazione, è importante mantenere una logica di breve periodo, senza cedere alla tentazione di valutare un ipotetico impatto economico di lungo periodo che rischierebbe di essere basato su un crescente numero di ipotesi difficilmente verificabili.
3. Impatto organizzativo. Questa variabile si riferisce all’impatto su processi e strutture organizzative interne atteso dall'adozione dell’iniziativa. Come per l’impatto economico, è opportuno scegliere un orizzonte di valutazione ben delimitato nel tempo.
4. Impatto cliente. Questa variabile esprime l’impatto atteso dell’iniziativa sull’esperienza cliente. A seconda delle iniziative valutate, potrebbe risultare più appropriata una valutazione esclusivamente limitata all’impatto organizzativo interno oppure all’impatto esterno sul cliente finale, suggerendo che queste due variabili possano essere entrambe utilizzate oppure scelte alternativamente a seconda delle circostanze.

Vi sono tre punti di attenzione interrelati da non sottovalutare nell’analisi di queste variabili. Come abbiamo visto, infatti, le applicazioni AI apprendono dai dati e tipicamente raffinano le proprie performance nel corso del tempo attraverso nuovi dati a disposizione. La valutazione di impatto deve quindi tenere conto delle tempistiche, della scala, e degli sforzi di manutenzione e aggiornamento necessari per arrivare al livello di performance necessario per produrre gli impatti attesi richiesti. Facciamo un esempio. Ipotizziamo che un assistente virtuale da inserire nel supporto clienti di un’azienda di telecomunicazioni debba disporre di un’accuratezza che gli permetta di chiudere autonomamente il 70 per cento delle interazioni con la clientela per produrre un tangibile impatto in termini economici. Ipotizziamo inoltre che allo stato attuale i dati a disposizione per la creazione del modello siano limitati, permettendo solamente un iniziale lancio per la risoluzione di una sola tipologia di richiesta da parte del cliente (per esempio, la disambiguazione tra problemi legati alla rete e problemi specifici del singolo utente). Solo in una seconda fase, tramite la raccolta di nuovi dati potrebbe aprirsi la possibilità di estendere i casi d’uso coperti dall’assistente virtuale. In questa situazione, le valutazioni di impatto devono considerare che, malgrado l’impatto potenziale potrebbe essere elevato, le condizioni interne presuppongono cautela nella valutazione di breve termine, per evitare di incorrere in una sovrastima.

Valutate le iniziative dal punto di vista del loro impatto atteso, è ora necessario effettuare un’analisi sulla fattibilità dell’iniziativa, dato il contesto esterno ed interno all’azienda. Anche in questo caso, le variabili qui proposte costituiscono un punto di partenza, che può essere arricchito o modificato in accordo con le specificità aziendali. Di seguito riportiamo sette principali variabili che influenzano la valutazione di fattibilità dell’iniziativa.

1. Maturità tecnica. Questa variabile si riferisce al livello di maturità delle soluzioni tecnologiche che abilitano l’iniziativa valutata. Un’applicazione è infatti tipicamente abilitata da una o più tecnologie e un elemento di fattibilità non trascurabile è il livello di maturità che queste tecnologie attualmente offrono. Compariamo ad esempio una piattaforma per la creazione di chatbot aziendali, che consentono di riconoscere gli intenti all’interno delle richieste degli utenti, con una nuova soluzione che consenta di automatizzare parte del processo di coding per la programmazione software a partire da istruzioni espresse in linguaggio naturale. Se entrambe le applicazioni hanno un sottostante che risiede in modelli simili, i loro livelli di maturità potrebbero apparire anche molto diversi, specialmente a seconda del contesto.
2. Disponibilità di dati. Questa variabile si riferisce a una valutazione di insieme sulle caratteristiche di presenza, quantità, qualità e frequenza di aggiornamento dei dati necessari per l’iniziativa in oggetto. La valutazione costituirà anche lo spunto per una riflessione sulle basi dati necessarie per la risoluzione del problema, considerando, laddove necessario, anche dati esterni al perimetro aziendale. La valutazione riguardo alla disponibilità dei dati è un primo utile sanity check di fattibilità. Tuttavia, quanto un risultato basso costituisca un rischio insormontabile per l’iniziativa dipende anche da altre variabili di natura implementativa che copriremo nel Capitolo 4. Per semplificare, alcune iniziative possono oggi fare leva su un mercato sviluppato di prodotti AI che rendono la sperimentazione e la creazione di applicazioni anche con un ammontare iniziale limitato di dati più accessibile. Tuttavia, nella maggior parte di casi ad alto valore aggiunto, la disponibilità di dati distintivi in adeguata quantità e qualità rappresenta un prerequisito imprescindibile. Un approccio iterativo all’AI roadmap è utile anche per raffinare questa variabile di valutazione alla luce delle considerazioni implementative che faremo in seguito.
3. Coerenza infrastrutturale. Da un punto di vista tecnico, la fattibilità di un’iniziativa non risiede esclusivamente nella maturità delle tecnologie abilitanti sottostanti. Con coerenza infrastrutturale ci riferiamo alla presenza delle condizioni di contesto, interne ed esterne a seconda dei casi, che rendono possibile la realizzazione dell’iniziativa. Per esempio, un progetto incentrato sul miglioramento dell’esperienza cliente sarà difficilmente perseguibile in assenza di una piattaforma tecnologica di accesso a dati omogenei. Per esempio, un grande gruppo manifatturiero italiano che, dopo essere cresciuto fortemente con acquisizioni in tutta Europa negli ultimi anni, ha intrapreso un’iniziativa di manutenzione predittiva su impianti non integrati dal punto di vista delle infrastrutture IT abilitanti, incorrendo in alti livelli di complessità di gestione.
4. Regolamentazione. Questa variabile esprime la necessità di effettuare una valutazione non solo di carattere tecnico e aziendale, ma di includere nelle metriche di valutazione anche il contesto normativo all’interno del quale l’iniziativa dovrà inquadrarsi. Ciò è particolarmente rilevante nell’attuale contesto dell’Intelligenza Artificiale, oggetto di una revisione normativa ancora in corso in Unione Europea al momento della redazione di questo libro, la cui discussione è iniziata nell’aprile del 2021. Le ricadute legali devono sempre essere valutate data la veloce evoluzione del contesto regolatorio. Recentemente ad esempio, Clearview, società specializzata in software per il riconoscimento facciale, è stata multata dal garante per la privacy del Regno Unito per aver utilizzato miliardi di immagini di utenti su internet per il training delle proprie soluzioni. Malgrado l’ammontare della multa sia limitato a 7,5 milioni di sterline, è un chiaro segnale di come l’evoluzione del contesto legale meriti una attenta valutazione.
5. Disponibilità di competenze. Questa variabile esprime la disponibilità di competenze a disposizione per le iniziative valutate. Essa è legata sia alla disponibilità interna di competenze sia alla capacità di gestione di competenze esterne utilizzate per la realizzazione delle iniziative. In molti casi, infatti, aziende non operanti nel settore AI faticano a sviluppare internamente le competenze necessarie per iniziative ad alto contenuto tecnico. Per mitigare questo problema, la strategia spesso prevede di creare una capacità interna di monitoraggio e governo dei fornitori esterni chiamati a contribuire alle diverse fasi delle iniziative, utilizzando il loro apporto anche in logica di formazione interna. Un gruppo farmaceutico europeo, per esempio, ha riconosciuto, fin dalle prime fasi, che l’esplorazione dell’AI come supporto al processo di sviluppo di nuovi farmaci non potesse essere effettuata internamente. Una delle motivazioni risiedeva proprio nella carenza di competenze e risorse interne dedicabili all’attività. La strada scelta prevede l’utilizzo di una società esterna specializzata che effettua tutte le attività a maggior contenuto tecnico. Per il gruppo, tuttavia, è risultato cruciale sviluppare una competenza interna nella gestione del fornitore, creando le basi per un duplice beneficio. Da un lato, la possibilità di monitorare attentamente quanto proposto dall’esterno con una maggiore consapevolezza critica; dall’altro, l’utilizzo della collaborazione in logica di ulteriore formazione delle proprie risorse interne.
6. Compatibilità finanziaria. Questo elemento di valutazione esprime il livello di fattibilità in termini finanziari per l’azienda. Le applicazioni AI variano infatti considerevolmente in termini di complessità e relativi costi connessi. La compatibilità finanziaria con le risorse aziendali a disposizione per le iniziative può inoltre risentire degli elementi emersi nella valutazione di coerenza delle infrastrutture. In presenza di un basso livello di coerenza infrastrutturale interna, investimenti potrebbero rendersi infatti necessari anche per la creazione di tali precondizioni abilitanti.
7. Implicazioni etiche e di trasparenza. La questione etica e il problema della trasparenza nelle predizioni generate dall’AI è un problema ben noto. Questa variabile vuole dunque catturare i rischi e le implicazioni di natura etica connesse all’iniziativa. Naturalmente, una valutazione del tutto esaustiva non è sempre effettuabile. Tuttavia, un’analisi dei potenziali rischi in fase iniziale può aiutare ad attivare azioni di mitigazione da subito o scoraggiare completamente la prosecuzione dell’iniziativa. Gli esempi di rischiosità più noti e di facile individuazione derivano senz’altro dalle aree applicative dove la predizione di un sistema AI produce un tangibile impatto sulla vita degli utenti coinvolti, toccando aree a elevata rischiosità. L’ambito sanitario e finanziario sono due dei più noti ambiti ad elevato potenziale impatto etico. Per esempio, negli ultimi anni diversi studi hanno mostrato un elevato potere predittivo della presenza di nome e cognome nell’indirizzo e-mail di un debitore sulla probabilità che il debito venga ripagato. Tuttavia, ulteriori studi hanno messo in luce come, a parità di merito creditizio e condizioni, debitori afroamericani che hanno un nome statisticamente associato alla propria etnia di origine subiscono un impatto negativo rispetto a casi in cui vengono utilizzati solamente identificativi non dipendenti dall’etnia. Ancora, in un recente studio in ambito medico pubblicato su Lancet Digital Health, alcuni ricercatori hanno mostrato come un modello AI sia in grado di predire l’etnia di un paziente attraverso immagini di radiografie toraciche, con un livello di accuratezza del 94-96 per cento. Ricercatori e radiologi esperti non sono stati in grado di determinare l’etnia dei pazienti a partire dalle medesime immagini, né di comprendere esattamente con che modalità il modello giunga alle predizioni. Questi esempi sono solamente due casi, tra le migliaia emerse negli ultimi anni, che impongono alle aziende interessate ad iniziative AI di valutare attentamente le implicazioni anche in casi apparentemente innocui.

Questo articolo è un estratto del libro “AI Management – Strategie e approcci in azienda” di Lorenzo Diaferia, Leonardo Maria De Rossi e Gianluca Salviotti, edito da Egea nella collana realizzata insieme a Sda Bocconi School of Management.

Photo iStock / Jian Fan