Non esiste un momento perfetto per adottare l’IA. Esistono però condizioni che aumentano di molto le probabilità di successo di un progetto, e condizioni che garantiscono che sforzo e investimento produrranno scarsi risultati.
Questo articolo non è un questionario di marketing pensato per convincere che qualsiasi azienda sia pronta. È un’analisi dei fattori che determinano se un’azienda ha oggi le condizioni per trarre un beneficio reale dall’IA o se deve prima lavorare sulle basi.
Il primo filtro: esiste un problema di business concreto?
La tecnologia non crea problemi che valga la pena risolvere. L’IA è uno strumento potente per risolvere problemi ben definiti, per i quali esistono dati sufficienti su cui lavorare. Se la risposta a «quale problema specifico vogliamo risolvere con l’IA?» è vaga o generica, è da lì che occorre partire, prima di parlare di tecnologia.
I problemi ben definiti hanno queste caratteristiche: sono misurabili (esiste una metrica che migliora o peggiora), si ripetono con una frequenza tale da giustificare l’automazione della soluzione, hanno un impatto economico quantificabile e dispongono di dati storici su cui costruire un modello.
La diagnosi dei dati: la domanda più importante
La domanda più rivelatrice per valutare la maturità di un’azienda rispetto all’IA è: dove sono i dati e in che stato si trovano?
Le aziende con una buona base di dati per l’IA registrano sistematicamente i dati transazionali in sistemi digitali (ERP, CRM, sistemi di produzione), con uno storico sufficiente sulle variabili rilevanti per il problema da risolvere. I dati sono ragionevolmente puliti, senza lacune estese né incoerenze gravi, ed è possibile incrociare i dati di sistemi diversi tramite chiavi comuni.
Le aziende che devono prima lavorare sulla propria base di dati sono quelle in cui i processi chiave non sono digitalizzati o lo sono solo in parte, in cui i dati si trovano in file Excel e documenti sparsi più che in sistemi strutturati, in cui i diversi sistemi non comunicano tra loro o in cui lo storico utile copre meno di sei mesi.
Ciò non significa che queste aziende non possano trarre beneficio dall’IA: significa che il primo progetto dovrebbe includere la costruzione di quella base di dati, oppure concentrarsi su casi d’uso che non richiedono grandi volumi di dati storici (come l’automazione dei processi con strumenti di IA generativa).
Il team: chi farà funzionare il sistema?
Un progetto di IA richiede, all’interno dell’azienda, almeno due tipi di persone: qualcuno che conosca il business abbastanza bene da definire correttamente il problema e convalidare i risultati, e qualcuno con capacità tecniche sufficienti per mantenere il sistema in produzione.
Ciò non significa dover assumere un data scientist. Significa però che, se in azienda nessuno è disposto a farsi carico del sistema di IA (capire come funziona, accorgersi quando produce risultati anomali, sapere quando occorre riaddestrare il modello), la dipendenza permanente da un fornitore esterno può diventare un problema.
Le aziende con una buona base per l’IA hanno team con curiosità per la tecnologia, responsabili disposti a cambiare i propri processi se il sistema li aiuta a decidere meglio e una direzione impegnata a dedicare tempo e risorse al progetto anche dopo il lancio iniziale.
Il fattore culturale: la disponibilità al cambiamento
L’IA non è solo tecnologia. È un modo diverso di prendere decisioni, basato sugli schemi presenti nei dati e non soltanto sull’esperienza e sull’intuito. Questo cambiamento ha implicazioni culturali che determinano se un sistema di IA verrà adottato o ignorato.
Le aziende in cui i progetti di IA hanno più successo sono quelle in cui la direzione è realmente disposta a cambiare i processi se i dati indicano un modo migliore di operare; in cui i dipendenti vedono l’automazione come un’opportunità per liberare tempo da dedicare ad attività di maggior valore, non come una minaccia; e in cui si accetta l’iterazione, nella consapevolezza che il primo risultato non sarà perfetto e che migliorare richiede tempo.
I segnali che il momento è quello giusto
Alcuni segnali concreti indicano che un’azienda è in un buon momento per avviare un progetto di IA:
- esiste un processo che si ripete molte volte al mese, assorbe molto tempo di personale qualificato e ha passaggi ben definiti (candidato ideale per l’automazione)
- ci sono decisioni prese periodicamente sulla base di dati storici che richiedono tempo di analisi (candidate per modelli predittivi)
- esistono dati storici su un problema di business importante che non sono mai stati analizzati in modo sistematico
- c’è un progetto pilota a basso rischio, in cui il costo dell’errore è contenuto e l’apprendimento è elevato
I segnali che conviene prima consolidare
Allo stesso modo, alcuni segnali indicano chiaramente che conviene lavorare prima sulle basi:
- i processi principali non sono standardizzati né documentati
- i dati esistono ma non sono facilmente accessibili né incrociabili tra sistemi
- il vertice aziendale non ha tempo per partecipare alla definizione e al monitoraggio del progetto
- nei team che userebbero il sistema c’è una resistenza attiva al cambiamento
Nessuno di questi segnali è permanente. Indicano su che cosa lavorare prima, non stabiliscono se un’azienda possa o meno trarre beneficio dall’IA.
Domande frequenti
Le piccole imprese possono adottare l’IA in modo redditizio? Sì, con il tipo di progetto adatto. Le piccole imprese hanno vantaggi che le grandi non hanno: meno inerzia organizzativa, decisioni più rapide e una conoscenza approfondita dei propri processi. I progetti di automazione con strumenti di IA generativa non richiedono grandi volumi di dati e hanno un costo d’ingresso relativamente basso.
Serve un reparto IT per adottare l’IA? Non necessariamente. Molti strumenti di IA attuali sono pensati per utenti non tecnici. Detto questo, più il progetto è sofisticato (modelli predittivi su misura, visione artificiale, sistemi di dati complessi), più servono competenze tecniche, interne o esterne.
Che cosa succede se a metà strada ci si accorge di essere meno maturi del previsto? Succede più spesso di quanto si pensi, e non è una catastrofe. Una diagnosi ben fatta all’inizio del progetto individua le lacune prima di impegnare il budget di sviluppo. Se emergono a metà progetto, la decisione più sensata è di solito ridimensionare il perimetro del primo progetto per lavorare prima sulle basi.