Blog di Josef Novak, Chief Innovation Officer, Spitch

Il mercato dell’IA generativa è diviso tra due estremi: un’enfasi eccessiva e la realtà. Da un lato, c’è chiaramente un potenziale incredibile. Dall’altro, un rapporto del laboratorio NANDA del MIT, pubblicato all’inizio di quest’anno, suggerisce che, nonostante investimenti aziendali per 30-40 miliardi di dollari, quasi il 95% delle organizzazioni non ha visto alcun ritorno sulle proprie recenti iniziative di IA. Sembra scioccante, ma la maggior parte di ciò è dovuta a flussi di lavoro scarsamente organizzati o a un disallineamento con gli obiettivi aziendali effettivi.

Questo non è un vero e proprio atto d’accusa contro la tecnologia in sé. È il riflesso di un ciclo prevedibile di eccessivo entusiasmo. La sfida fondamentale oggi non è molto diversa da qualsiasi altro momento nel tempo o da altre nuove tecnologie: si tratta di imparare come e dove adottare quella nuova tecnologia. Richiede l’adozione selettiva delle tecnologie GenAI, per casi d’uso in cui possono effettivamente avere un impatto positivo sul business.

Punti chiave

• L’IA agentica con implementazioni human-in-the-loop dovrebbe mirare a migliorare l’eccellenza organizzativa complessiva, potenziando le persone in tutta l’organizzazione.
• I progetti pilota devono essere progettati per risolvere un problema aziendale specifico e tangibile.
• Invece di tentare di revisionare tutto, concentrati sull’automazione intelligente che aumenta i processi esistenti.

Il divario di competenze è un divario di strategia

Una domanda interessante è se questo divario di competenze in materia di IA alla base di questi rendimenti non realizzati sia un fenomeno locale o globale. La risposta, tuttavia, sembra chiara: le sfide sono universali. In tutto il mondo, la tecnologia si sta evolvendo a un ritmo che rende incredibilmente difficile per le aziende – e anche per gli esperti – stare al passo, sia in termini di ricerca di talenti che di adattamento dei processi aziendali.

I livelli di competenza e la propensione al cambiamento variano a seconda della cultura e dell’organizzazione, tuttavia la sfida fondamentale rimane la stessa. Stiamo tutti navigando in un nuovo panorama tecnologico e, per molti versi, lo stiamo ancora capendo insieme. Le organizzazioni di maggior successo non si limitano ad assumere data scientist ed esperti di machine learning, ma colmano questo divario di incertezza costruendo un quadro strategico per l’adozione, che considera attentamente l’adeguatezza del caso d’uso e non solo l’entusiasmo per le nuove tecnologie.

Questo quadro inizia concentrandosi sulle persone e sulle organizzazioni che le compongono. Implica l’educazione della leadership e dei team sul potenziale reale dell’IA e, altrettanto criticamente, sui suoi limiti attuali. Da lì, la chiave è iniziare in piccolo, ma pensare in grande. Co-creando progetti pilota che risolvano un problema aziendale specifico e tangibile – come la formazione avanzata degli agenti – le organizzazioni possono fornire un’esperienza di apprendimento pratica, dimostrare rapidamente il valore e creare uno slancio per un cambiamento più ampio. Possono anche condurre un’analisi più approfondita di questi casi d’uso man mano che si evolvono. Questo approccio dovrebbe essere guidato da una roadmap strategica che allinei le iniziative di IA con gli obiettivi aziendali fondamentali, garantendo un percorso di integrazione chiaro sia per le tecnologie nuove che per quelle esistenti.

Selezionare casi d’uso a impatto immediato

Attualmente c’è un’intensa pressione per ottenere risultati rapidi sugli investimenti in IA. Tuttavia, come accennato,, le sfide più comuni hanno poco a che fare con i modelli di IA stessi e più con le sfide aziendali standard:

• Accesso ai dati che sono spesso in silos o difficili da raggiungere.
• Definizioni di criticità poco chiare o obiettivi scelti male.
• Difficoltà di integrazione con i sistemi legacy.
• Resistenza culturale e/o organizzativa al cambiamento.

Il modo più efficace per generare valore immediato è identificare le opportunità che sovvertono o cortocircuitano abilmente queste criticità

Questo potrebbe significare l’utilizzo di servizi di IA per prevedere e precompilare le attività post-chiamata di un agente, oppure fornire materiali di formazione sull’IA individuali che siano adattati alle esigenze dei singoli dipendenti.Il documento NANDA del Massachusetts Institute of Technology è stato critico nei confronti di molti progetti, ma ha anche individuato un ambito chiave in cui la GenAI dimostra risultati costantemente positivi: i casi d’uso orientati all’aumento della produttività individuale.

È in questo ambito che dovrebbero concentrarsi le nostre priorità. trumenti come gli editor di percorsi supportati dalla GenAI o l’assistenza agli agenti durante la chiamata sfruttano direttamente questo punto di forza, valorizzando al contempo le capacità fondamentali dei modelli.L’obiettivo, quindi, è migliorare l’eccellenza organizzativa complessiva rafforzando il ruolo delle persone. In questo contesto, l’IA svolge un potente ruolo di supporto, ma l’essere umano rimane saldamente in gioco, al comando e responsabile. L’analisi dei risultati di queste iniziative mirate ci aiuta a capire perché abbiamo successo e dove concentrare le nostre energie in futuro.