Per ottimizzare l’impatto dell’AI in azienda serve una visione che non è solo tecnologica ma anche consulenziale e di processo. E una base vera di Data Governance.
Autore: Redazione ImpresaCity
Portare l’Intelligenza Artificiale in azienda non è affatto semplice. Da un lato c’è una forte pressione ad adottarla, per quanto rivoluzionarie sono presentate oggi le potenzialità stesse delle nuove tecnologie di AI, specialmente generativa. Dall’altro lato, la “nuova AI” non è mai un complesso di moduli e funzioni che si “accendono” e trasformano magicamente i processi d’impresa e i tassi di produttività. C’è molto da lavorare, prima e dopo l’implementazione tecnologica in sé dell’AI, per trarne davvero vantaggio, in particolare con una visione strategica e prospettica.
Non è un caso che sempre più spesso gli analisti sottolineino come una fetta importante dei progetti di AI non si concluda con successo, lasciando le aziende con l’amaro in bocca e la sensazione di aver perso una occasione importante. Una sensazione che probabilmente nasce più dall’hype mediatico che da una vera corsa “efficace” all’AI, ma che comunque porta a una conclusione importante: per affrontare il tema AI serve sin da subito una visione ampia, che non è solo tecnologica ma anche manageriale, di studio e revisione di processi, di disegno di nuove soluzioni, consulenziale nel senso più ampio del termine.
“Molte aziende – spiega in questo senso Piergiorgio Stano, Data, Analytics & AI Lead di BearingPoint Italia - stanno cercando di implementare l’AI, e soprattutto la GenAI, perché ‘si deve’ o quasi per il gusto di farlo. Ma questo rischia di portare poi una disaffezione verso le nuove tecnologie, perché non si riesce a coglierne il beneficio a livello di business. Quello che noi suggeriamo è un approccio che chiamiamo ‘value driven design’: partire da una necessità concreta per trovare la soluzione più opportuna, che può essere di AI ma non solo. Per noi è fondamentale rimanere agganciati ai processi e alle necessità di business, per poi utilizzare la tecnologia nel modo migliore”.
L’approccio di BearingPoint conta di conseguenza su componenti e competenze consulenziali, di technology management e anche di sviluppo di software e servizi. Un approccio quindi a tutto tondo, basato su skill ed esperienze maturate nel tempo: la società deriva prima dalla combinazione di KPMG Consulting e Andersen Consulting e, più di recente, da un management buyout della parte europea. Era il 2009, allora, mentre oggi BearingPoint pur mantenendo un forte focus sull'Europa è di fatto nuovamente un player globale. Sempre puntando sulla capacità di “mettere insieme i due aspetti chiave”, spiega Stano: “avere una cognizione di causa dei processi, quindi una parte se vogliamo più manageriale e tradizionale, ma anche le conoscenze tecnologiche necessarie per far sì che i processi stessi possano cambiare”.
Se c’è un campo dove questa capacità di vedere (e far vedere) realmente tutto il campo da gioco è necessaria, oggi è proprio l’AI. Il boom mediatico della GenAI ha infatti non solo portato alla ribalta dei Consigli d’Amministrazione la “nuova” AI degli ultimi due anni, ma anche rilanciato l’appeal delle applicazioni di AI più classiche che le grandi aziende hanno già adottato. Questa maggiore attenzione è positiva per la digitalizzazione delle imprese, ovviamente, ma richiede che sia fatta una sempre maggiore chiarezza su temi di processo e tecnologici che non sono certo banali.
“Un merito della GenAI è che ha portato la discussione sull’AI ad alto livello gerarchico: in azienda adesso sono i CEO a cercare di capire cosa fare aziendalmente con l’AI e come costruire una cultura d’impresa che vada nella direzione dell’adozione dell’Intelligenza Artificiale”, conferma Stano. Il che cambia le regole d’ingaggio per l’AI stessa: “Fino a ieri non si parlava tanto di AI quando di Machine Learning o Data Science, che però sono percepiti come temi complicati e ‘da IT’. Così era difficile coinvolgere i veri decision maker, ossia le persone di business o, ancora di più, il top management che decide i budget e le strategie aziendali”. La GenAI fa quindi da grimaldello per qualsiasi discorso sull’AI, oggi, dando nuova forza anche ad applicazioni, come i modelli di forecasting e la predictive maintenance, che esistono da tempo ma di cui non era magari del tutto percepito il valore di business.
Le discussioni ad alto livello sull’AI non eliminano il fatto che una qualsiasi implementazione collegata alle tecnologie di Intelligenza Artificiale - e poco importa se “nuova” o più tradizionale - impone analisi di “basso livello” sulle infrastrutture e sui processi per la gestione di ciò di cui l’AI si nutre, ossia i dati. Per questo una delle aree di forte competenza di BearingPoint riguarda tutto ciò che è Data Strategy e Data Governance.
“Non si può pensare di portare avanti un progetto di Machine Learning o di Generative AI qualsivoglia quando i dati sottostanti non sono ben gestiti, ben conosciuti e ben manutenuti”, ricorda Stano. E questo, a seconda delle esigenze del singolo cliente e del comparto in cui opera, mette sul tavolo diverse questioni da affrontare in modo specifico: dalla raccolta dei dati in sé (“supportiamo i clienti nel definire quale sia la migliore strategia per raccogliere le informazioni necessarie a rappresentare un fenomeno”, spiega più precisamente Stano) allo sviluppo dei modelli di analisi.
Questo approccio trasversale si declina poi in una vasta gamma di applicazioni possibili, che nei progetti seguiti da BearingPoint vanno dai modelli predittivi che stimano in tempo reale gli impatti dei cantieri stradali sul traffico alla predictive maintenance delle tratte ferroviarie con robot autonomi, dalla gestione dinamica dei prezzi energetici alla previsione dei dati afferenti alle operazioni finanziarie per confrontarli con quelli reali alla ricerca di anomalie “sospette”, sino ai modelli di abbandono in campo Telco. “Gli esempi possibili sono i più disparati - conferma Stano - perché non credo che in questo momento ci sia un qualunque comparto che possa considerarsi lontano dalla AI: da quelli che già da tempo vi si sono avvicinati a quelli più tradizionali”.
I punti chiave comuni sono quelli già accennati: collegare qualsiasi progetto a un vero bisogno di business e garantirsi una base di Data Governance abbastanza solida. Per questo aspetto in Italia c’è ancora molto da fare, soprattutto perché la spinta verso una migliore gestione dei propri dati viene sentita dalle imprese soprattutto quando è un elemento inevitabile di compliance normativa.
“Nei settori regolamentati, come quello dei servizi finanziari, i temi della cura, della conoscenza e della qualità del dato sono arrivati decisamente prima che altrove. Questo ha spinto soprattutto gli uffici di Risk Management a dotarsi di tutto quello che sembrava servire per avere il presidio del dato”, spiega Stano. Un percorso niente affatto semplice perché “Avviare un progetto di Data Governance è come costruire una organizzazione delle fondamenta: servono ruoli, responsabilità, procedure, anche strumenti… Perciò è molto più facile ragionare su use case specifici e partire digitalizzando l’esistente, il che però potrebbe anche rivelarsi un freno”.
Comunque sia, se nei mondi più regolamentati le realtà quantomeno più grandi si sono mosse per tempo e hanno conseguito buoni risultati - sviluppando framework di Data Governance stabili e abbastanza solidi da assorbire, poi, eventi “impattanti” come la compliance al GDPR - nei settori meno o affatto regolamentati ci si è mossi qualche anno dopo e non con gli stessi successi. “La Data Governance - sottolinea in questo senso Stano - resta un tema molto complesso, quindi servono veramente tanta dedizione e tanta ‘vision’ da parte del top management”. Proprio l’AI potrebbe essere un nuovo decisivo fattore di spinta: non c’è Intelligenza Artificiale senza dati ma soprattutto non ci sono i benefici dell’AI, quale che essa sia, senza una gestione adeguata delle informazioni.