L’intelligenza artificiale generativa è davvero pronta per le aziende? In questa riflessione, il numero uno di SAP Emea propone una risposta a questa domanda oggi molto ricorrente
Autore: Manos Raptopoulos
L’intelligenza artificiale generativa (GenAI) è probabilmente la tecnologia più gettonata al momento, tanto che si prevede che gli investimenti globali in AI raggiungeranno quasi 200 miliardi di dollari entro il 2025: si tratta infatti di un’area prioritaria di investimento per le aziende di tutto il mondo per sbloccare produttività, efficienza e innovazione.
Tuttavia, sebbene tutti concordino sul fatto che questa tecnologia possa cambiare le carte in tavola per le imprese, la domanda che ci si pone sempre più spesso nei consigli di amministrazione è se l’AI sia davvero pronta per le aziende.
L’entusiasmo per l’AI ha raggiunto livelli senza precedenti, ma non si tratta di una tecnologia del tutto nuova. Nick Bostrom, nel suo libro “Superintelligence”, pubblicato per la prima volta più di dieci anni fa (Oxford University Press, 2013), fornisce un’eccellente sintesi della progressione dell’AI. Quest’opera contemporanea coglie gli stadi dell’AI: le aspettative gonfiate, l’apice e le scoperte.
Le aziende si affidano da tempo al machine learning per alimentare analisi avanzate e capacità predittive per aree molto diverse, dalla produzione alle operazioni finanziarie, fino all’approvvigionamento e alla supply chain. Questi algoritmi offrono ai responsabili le informazioni necessarie per ottenere una maggiore efficienza operativa.
L’AI è stata utilizzata ampiamente anche nelle forme tradizionali di algoritmi, per esempio nei motori di ricerca, che hanno definito un’intera era del nostro sviluppo tecnologico e trasformato interi settori, in particolare quello pubblicitario.
Ma ciò che funziona sul web non funziona necessariamente all’interno di un’organizzazione. Internet non si preoccupa delle autorizzazioni. Il management sì. Con l’aumento delle preoccupazioni sulla privacy e sulla protezione dei dati, soprattutto alla luce delle attuali pressioni normative, molte imprese hanno implementato restrizioni sull’uso di strumenti aperti di AI.
E questo per una buona ragione. Immaginate che un dipendente condivida i bilanci, i contratti con i fornitori o le informazioni sullo stipendio con uno strumento di AI generativa che poi riutilizza quelle informazioni per rispondere alle richieste di altri utenti.
Uno strumento di AI generativa senza un elemento di autorizzazione non è semplicemente adatto per un’azienda e probabilmente è destinato a rimanere confinato a un solo caso d’uso o a un solo reparto, limitando la sua capacità di fornire maggior valore al business.
I problemi di sicurezza sorgono anche con il concetto di data lake, che combina fonti di dati interne ed esterne al servizio dell’AI. I data lake possono essere insidiosi per un’organizzazione, soprattutto quando i dati devono essere esportati al di fuori delle grandi applicazioni aziendali.
In questo caso, è necessario un approccio federato che lasci i dati all’origine e non li copi o trasferisca. È fondamentale che le imprese mantengano il livello semantico dei dati, aspetto che può essere il tallone d’Achille di ogni progetto di data lake e, di conseguenza, dei modelli di AI generativa addestrati su quei dati.
Tuttavia, il pericolo maggiore dell’AI, quando non è pronta per il mondo aziendale, risiede nella sua tendenza ad avere “allucinazioni”. La AI generativa è un ottimo algoritmo che fondamentalmente impara guardando a ciò che è disponibile nel suo dominio, di solito Internet. Siamo onesti: non ci si può più fidare di tutte le informazioni che si trovano sul web.
In un ambiente di business, i CEO cercano un’“unica versione della verità”. Ciò significa che la verifica dei fatti è importante, da cui segue la domanda: “Qual è il set di dati su cui dovrei addestrare la mia AI generativa?”. La verità è che i responsabili non possono costruire prodotti o sviluppare innovazione utilizzando modelli che inventano cose o utilizzano insight basati su informazioni false o imprecise.
In questo caso, i fornitori di suite applicative, come SAP, possono intervenire per aiutare. Le applicazioni enterprise che alimentano le imprese di tutto il mondo sono ricche di dati di business che possono essere estratti dagli algoritmi di intelligenza artificiale per creare insight accurati, rilevanti e affidabili. I vendor che operano in questo contesto hanno anche una notevole esperienza nei processi e nei dati contestualizzati: le fonti perfette per formare una AI generativa efficace.
Non c'è dubbio che le imprese beneficeranno della potenza dell’AI nei prossimi anni. Il fatto che sia pronta per le aziende dipende dai singoli sistemi e strumenti. Mentre alcuni modelli di AI sono già dotati di funzionalità di livello enterprise, altri potrebbero non soddisfare ancora tutti i requisiti di affidabilità e sicurezza. I responsabili devono prestare attenzione a creare casi d’uso basati sull’AI in grado di generare valore per il business, ad affidarsi a set di dati solidi e a essere all’altezza delle aspettative. Solo con questi binari di sicurezza si potranno garantire soluzioni di AI rilevanti, affidabili e responsabili per il mondo aziendale.
Manos Raptopoulos è Presidente Emea di SAP