Il primo progetto di IA di un’azienda è un’esperienza di apprendimento tanto quanto un progetto tecnologico. Le aziende che hanno già attraversato questa fase riportano sorprese e lezioni molto simili, indipendentemente dal settore o dalle dimensioni.
Questo articolo raccoglie quelle lezioni: quelle che si imparano lavorando su progetti reali, non quelle che compaiono nei casi di successo accuratamente confezionati.
La sorpresa dei dati
La prima grande sorpresa di quasi ogni primo progetto di IA è lo stato dei dati. L’azienda era convinta di avere buoni dati. Nella maggior parte dei casi li ha, ma in condizioni molto diverse da quelle di cui il progetto ha bisogno.
I dati si trovano in quattro sistemi diversi, con chiavi che non coincidono. Lo storico che sembrava completo ha lacune significative proprio nelle variabili più importanti. Il sistema che avrebbe dovuto registrare i resi dei clienti lo faceva in modi diversi a seconda dell’operatore. Il dato critico per il modello, si scopre, non viene acquisito da nessun sistema digitale: sta su fogli di carta o nella testa del responsabile di reparto.
Nessuna di queste situazioni è eccezionale: sono la norma. La preparazione più utile al primo progetto di IA è partire con l’aspettativa che i dati richiederanno lavoro, non che siano pronti all’uso.
Il problema della definizione del successo
Il secondo schema molto frequente è che il successo del progetto non era stato definito bene all’inizio. «Migliorare l’accuratezza delle previsioni» è ambiguo. «Ridurre le rotture di stock sugli articoli di classe A del magazzino centrale dal 15% a meno del 5%» è una definizione di successo concreta.
Senza una definizione chiara del successo succedono tre cose: il team tecnico ottimizza metriche che non sono le più rilevanti per il business, la direzione non ha un criterio chiaro per valutare se il progetto ha funzionato e il progetto può concludersi con un modello tecnicamente corretto che nessuno adotta, perché non risolve il problema più sentito.
Il tempo dedicato a definire il successo in modo misurabile prima di iniziare lo sviluppo è sempre tempo ben investito.
La sottostima del lavoro di integrazione
Costruire il modello è la parte visibile del progetto. Collegarlo ai sistemi reali dell’azienda (ERP, CRM, strumenti operativi) è la parte che trasforma il modello in valore di business, ed è anche quella che più spesso viene sottostimata in termini di tempi e complessità.
I sistemi di molte aziende hanno decenni di storia, personalizzazioni specifiche e, in molti casi, una documentazione di integrazione incompleta o non aggiornata. Un’integrazione che sulla carta sembrava semplice può richiedere un lavoro di analisi significativo prima di poter essere eseguita.
Il consiglio pratico: anche nel progetto più semplice, riservare esplicitamente tempo e budget alla fase di integrazione e non stimarne la durata prima di aver esaminato l’infrastruttura esistente.
L’adozione richiede più tempo del previsto
Un modello in produzione che il team non usa non genera alcun valore. E l’adozione segue un proprio percorso, raramente immediato.
I primi giorni o le prime settimane dopo il lancio sono critici. Il team ha domande che non erano emerse durante la formazione. Il sistema produce qualche risultato inatteso che genera sfiducia. Il flusso di lavoro con il sistema è un po’ diverso da quello senza e richiede un adattamento.
Le aziende che gestiscono bene questo periodo mettono a disposizione un supporto attivo nei primi giorni di uso reale: qualcuno a cui il team possa rivolgersi quando qualcosa non funziona come previsto. Le aziende che non lo gestiscono bene vedono i team tornare al processo manuale appena il sistema dà un risultato che non capiscono.
Ciò che nessuno misura ma che conta di più
I progetti di IA generano due tipi di apprendimento: quello del sistema (il modello migliora con più dati e più feedback) e quello dell’organizzazione (il team capisce meglio come lavorare con l’IA, individua nuove opportunità e sviluppa un giudizio su ciò che l’IA può fare e non può fare).
Il secondo è il più prezioso nel lungo periodo ed è quello meno misurato. Le aziende che stanno facendo più progressi con l’IA sono quelle che, dopo il primo progetto, hanno un team che ha sviluppato intuito sui problemi che l’IA può risolvere e che individua il secondo e il terzo progetto prima che il primo sia del tutto stabilizzato.
Le decisioni che cambiano il risultato
Alcune decisioni, prese prima di avviare il progetto, hanno un impatto sproporzionato sul risultato.
Partire dal problema giusto. Non il più ambizioso né il più interessante dal punto di vista tecnologico, ma quello con dati sufficienti, un impatto di business misurabile e possibilità realistiche di adozione.
Nominare un responsabile interno del progetto. Una persona dell’azienda con l’autorità per prendere decisioni sul progetto, il tempo per seguirlo e l’impegno a farlo funzionare. Senza questa figura i progetti perdono slancio alla prima complicazione.
Fissare metriche di successo di business prima di iniziare. E condividerle con la direzione prima che il progetto avanzi, perché non cambino a metà strada.
Pianificare la fase successiva al lancio fin dall’inizio. Il periodo di stabilizzazione dopo il lancio fa parte del progetto, non è un extra. Includerlo nella pianificazione evita che il progetto venga «dimenticato» quando il team esterno considera concluso il proprio lavoro.
Domande frequenti
Qual è la dimensione minima di un’azienda perché un progetto di IA abbia senso? Non c’è una soglia di dimensione, ma una soglia di volume del processo: se il processo da automatizzare o migliorare è abbastanza frequente e ha un impatto sufficiente, l’IA può avere senso indipendentemente dalle dimensioni dell’azienda. Aziende di ogni dimensione hanno trovato casi d’uso in cui l’IA generativa o l’automazione danno un ritorno positivo.
È meglio iniziare con un progetto grande e ambizioso o con uno piccolo? L’esperienza indica con costanza che un progetto di perimetro limitato ma ben eseguito, che genera valore reale e visibile in tempi ragionevoli, ha più impatto nel lungo periodo di un grande progetto che impiega molto a mostrare risultati. Il progetto piccolo crea fiducia nella tecnologia, apprendimento organizzativo e sostegno della direzione per progetti più ambiziosi.
Che cosa distingue le aziende che riescono nel loro primo progetto di IA? Tre caratteristiche: il problema era ben definito prima di iniziare, c’era uno sponsor interno con l’autorità e il tempo per sostenere il progetto e il team è stato coinvolto nella progettazione fin dall’inizio, invece di ricevere il sistema finito con la richiesta di usarlo.