Da fine 2022, con il lancio globale di ChatGPT, il tema dell'intelligenza artificiale generativa (Generative AI) ha registrato una crescita esponenziale. Non a caso, nel 2023 il mercato italiano dell'AI ha visto un incremento del 52%, raggiungendo un valore complessivo di 760 milioni di euro, dopo un già notevole +32% nel 2022 (Osservatorio PoliMI). Nonostante la sua recente introduzione, l’intelligenza artificiale generativa rappresentava già (a fine 2023) il 5% dei progetti AI: un risultato sorprendente, simbolo del suo impatto immediato e della fiducia riposta dalle imprese.
Questa tecnologia, capace di creare dati e contenuti con livelli di personalizzazione e automazione mai raggiunti prima, si è dunque imposta come uno dei pilastri dell’innovazione, in grado di impattare in modo decisivo la produttività, l’efficienza e la competitività aziendale. Tuttavia, un conto è il suo immenso potenziale, un altro è essere in grado di implementarla correttamente nei processi e di realizzarne valore tangibile. In questo articolo, vediamo come fare.
Realizzate le straordinarie potenzialità dell’intelligenza artificiale generativa, molte aziende hanno iniziato a valutare come integrarla nei propri processi. La pervasività del tema, che coinvolge trasversalmente settori, funzioni aziendali e attività operative, ha portato l’implementazione concreta non solo al centro del dibattito tecnologico, ma anche di quello strategico.
La prima fase per avviare un progetto di Generative AI, come evidenziato da Gartner, è la generazione di use case ideas. Sebbene possa sembrare un passaggio concettualmente semplice, in realtà si rivela complesso a causa dell’immensa varietà di opportunità offerte da questa tecnologia. Avere ben chiari gli obiettivi strategici aziendali è fondamentale per guidare l’individuazione dei casi d’uso più rilevanti, per la loro valutazione in termini di priorità e per il legame con i risultati attesi, definiti con appositi indicatori di produttività e di business. In questo modo, si garantisce che ogni iniziativa sia allineata con le esigenze e le ambizioni dell’organizzazione.
Il reparto IT, nell'implementare soluzioni di AI generativa, dovrà valutare attentamente diverse opzioni: dall'adozione di applicazioni già esistenti alla personalizzazione di modelli pre-addestrati (fine tuning), fino allo sviluppo di modelli proprietari in circostanze e per use case specifici.
La scelta dipenderà dalle esigenze specifiche dell’azienda, dagli obiettivi strategici individuati nella fase precedente, dal budget disponibile e dall’infrastruttura dati esistente. Poiché ogni progetto di Generative AI si basa sui dati per il training e il fine-tuning dei modelli, è indispensabile valutare preliminarmente la qualità, la quantità e l’accessibilità dei dati disponibili.
Stesso discorso per quanto concerne i modelli di deployment della soluzione, dall’on-premise all’hybrid cloud, anch’essi dipendenti dalle esigenze aziendali e del progetto, dalla capacità dell’infrastruttura esistente e da requisiti più o meno stretti di compliance. Indipendentemente dall'approccio, sarà comunque fondamentale affrontare sfide come l'integrazione con le infrastrutture esistenti, la scalabilità, la sicurezza dei dati e la gestione dei bias e delle allucinazioni, al fine di garantire l'affidabilità e la robustezza del risultato finale.
In un contesto in rapida e continua evoluzione, l'approccio più efficace è quello graduale e progressivo. L'ideale è avviare un progetto pilota mirato, concepito per testare funzionalità specifiche e validare rapidamente le ipotesi di valore prima di procedere con lo sviluppo su larga scala. Il pilota non deve essere perfetto, ma deve essere funzionale al punto da permettere la misurazione di indicatori chiave come la riduzione dei tempi di processo e degli errori, nonché gli effetti (benefici) sul time to market.
Dal punto di vista tecnico, in questa fase si è soliti selezionare il modello più adatto tra quelli disponibili sul mercato ed effettuare attività di fine tuning sui modelli pre-trained, prima di testare le performance del modello e sviluppare qualche integrazione necessaria con i sistemi IT esistenti. A questo punto è possibile coinvolgere i team aziendali per testare le funzionalità e i risultati in un ambiente controllato.
Durante la fase precedente, è essenziale valutare il rapporto tra i costi e i benefici del progetto, così da comprendere se l’estensione su larga scala sia giustificata. Presa una decisione favorevole, l’azienda deve pianificare uno sviluppo/estensione graduale che massimizzi i risultati senza compromettere la stabilità operativa.
Un elemento chiave è il monitoraggio continuo delle performance del sistema. Definire metriche precise e aggiornate permette di valutare se la tecnologia stia effettivamente raggiungendo gli obiettivi previsti, ed è fondamentale in ottica di miglioramento continuo, laddove i modelli e le strategie operative vengono adattate in funzione dei dati raccolti e delle esigenze emergenti.
Un ulteriore passo fondamentale è l’esecuzione di test progettati per individuare vulnerabilità nei modelli, come bias, errori o potenziali minacce alla sicurezza. Simulazioni avanzate consentono di stressare il sistema in condizioni critiche, assicurando che l'AI possa operare in modo affidabile, etico e sicuro anche in scenari complessi.
Parallelamente all’integrazione della soluzione nei processi aziendali, occorre affrontare un aspetto centrale: la gestione del cambiamento. L’introduzione di soluzioni basate sulla Generative AI può creare una discontinuità significativa essendo in grado di ridefinire ruoli, processi e abitudini consolidate.
Per garantire una transizione efficace, è necessario adottare una strategia strutturata che includa:
Gestendo tutti questi aspetti con attenzione, l’azienda non solo adotta la Generative AI e la integra nei suoi processi, ma crea anche un contesto di innovazione sostenibile, in cui la tecnologia diventa un acceleratore del cambiamento, che si traduce in produttività e competitività.