L’AI rende. Ma solo il 13% delle aziende riesce davvero a scalarla

L’intelligenza artificiale ha superato una soglia importante.

Non siamo più soltanto nella fase delle promesse.

Secondo uno studio BearingPoint su 1.050 dirigenti e senior leader di 13 Paesi, quasi tre organizzazioni su quattro tra quelle che hanno implementato l’AI dichiarano un impatto misurabile sui ricavi o sui risultati economici.

Eppure soltanto il 13% è riuscito a scalare le proprie iniziative AI pienamente in linea con il business case originario.

È una distanza interessante. Perché suggerisce che la domanda più importante non sia più: l’AI funziona?

La domanda diventa: siamo in grado di trasformare un risultato locale in qualcosa che regga quando lo estendiamo all’azienda?

ROI non significa scalabilità

Un progetto può funzionare. Può ridurre il tempo necessario per svolgere un’attività. Può abbassare un costo. Può migliorare una fase del servizio. Può perfino produrre un ritorno economico misurabile.

Niente di questo garantisce che possa essere esteso senza problemi.

Quando un progetto esce dal perimetro del test incontra l’organizzazione reale: dati, sistemi esistenti, responsabilità, persone, processi, vincoli normativi e costi di integrazione.

Lo stesso studio rileva che meno di un terzo delle organizzazioni valuta formalmente la scalabilità prima di avviare un’iniziativa AI.

È forse il dato più interessante dell’intera ricerca. Perché sposta il problema dalla tecnologia alla decisione.

Il pilota risponde a una domanda. L’investimento dovrebbe rispondere a un’altra

Un test serve a capire se qualcosa può funzionare. Un investimento più importante dovrebbe verificare se quel funzionamento può diventare economicamente e organizzativamente sostenibile.

Un chatbot che funziona bene su una parte dell’assistenza clienti non dimostra automaticamente che sia conveniente estenderlo. Un sistema che accelera la produzione di documenti non dimostra automaticamente che l’intero processo debba essere ridisegnato intorno all’AI.

La tecnologia può essere pronta. L’organizzazione no.

Quattro verifiche prima di investire di più

Prima di chiedersi quale modello utilizzare, quale piattaforma acquistare o quale consulente coinvolgere, conviene fermarsi su quattro domande.

Qual è esattamente il problema che vogliamo risolvere? Non “usare l’AI”. Il problema.

Quale risultato deve cambiare perché l’investimento abbia senso? Tempo, costo, margine, qualità, capacità produttiva, errore?

Quale processo dovrà cambiare se il progetto funziona? Perché un’innovazione che produce risultati ma non può entrare nel funzionamento ordinario dell’organizzazione rischia di rimanere una dimostrazione.

Quanto costa l’alternativa? Fare diversamente, automatizzare solo una parte, cambiare il processo senza AI oppure non intervenire affatto.

Se togliessimo la parola AI dalla proposta, sapremmo ancora spiegare quale problema stiamo pagando per risolvere?

Se la risposta è no, forse la decisione è arrivata troppo presto.

Il problema non è investire poco. È investire prima di aver verificato

Il dato BearingPoint non dice che le aziende dovrebbero smettere di investire nell’intelligenza artificiale. Dice quasi il contrario.

Ma proprio quando una tecnologia dimostra di funzionare aumenta il rischio di considerare automaticamente sensato ogni investimento che la riguarda. Non lo è.

La sequenza dovrebbe rimanere: problema; risultato; alternative; processo; scalabilità; solo dopo, tecnologia.

Perché una buona tecnologia può migliorare una buona decisione. Non può sostituirla.