Intelligenza Artificiale. Se ne parla tanto. Ma a che punto è la sua adozione da parte delle aziende? E con quali risultati? Una ricerca recente del Capgemini Research Insitute ha analizzato il ritmo con cui negli ultimi tre anni è stata adottata l’AI. E i risultati sono interessanti.

Oltre la metà (53%) delle aziende è ormai andata oltre i progetti pilota in questo ambito, registrando un netto aumento rispetto al 36% rilevato da un report Capgemini del 2017 relativo allo stesso argomento. Inoltre, il 78% delle aziende all’avanguardia nell’implementazione dell’IA su scala, che rappresentano il 13% del totale, continua a sviluppare nuove iniziative di AI con lo stesso ritmo del periodo precedente al Covid-19, mentre un altro 21% ha affermato di averne incrementato la velocità di implementazione. Questi dati sono in netto contrasto con quelli riportati dalle aziende “in difficoltà” nell’implementare soluzioni di IA (il 79%), di cui il 43% afferma di aver ritirato i propri investimenti e un altro 16% di aver sospeso tutte le iniziative di IA a causa delle forti incertezze legate al Covid-19.  

Il report, dal titolo “The AI Powered Enterprise: Unlocking the potential of AI at scale”, che ha coinvolto 950 aziende con fatturato di almeno un miliardo di dollari in 11 Paesi di tutto il mondo tra cui l’Italia, rivela che implementare con successo le tecnologie di AI su scala apporta benefici tangibili sul fatturato, con il 79% delle aziende leader nell’adozione dell’AI su scala che registrano un aumento delle vendite di prodotti e servizi tradizionali superiore al 25%. Inoltre, il 62% delle aziende di questo cluster ha assistito a una diminuzione di almeno il 25% nel numero di reclami da parte dei clienti, mentre il 71% ha sperimentato una riduzione di almeno il 25% delle minacce relative alla sicurezza.

Per quanto riguarda i primi cinque settori leader nell'adozione dell'AI, le aziende in ambito Life Science e Retail sono molto più avanti rispetto alle altre, rappresentando rispettivamente il 27% e il 21% dei leader nell'AI su scala, seguite da Automotive e beni di consumo, entrambe al 17%, e dalle telecomunicazioni (14%).

Solo il 38% delle organizzazioni del settore Life Science ha sospeso o ritirato gli investimenti a causa del Covid-19, a differenza delle aziende attive nei settori assicurativo (66%), bancario (64%) e utility (64%). Questo riflette l'importanza dell'e-Health nel contesto attuale, caratterizzato da un crescente numero di assistenti virtuali, app di tracciamento e chatbot, dal momento che diverse organizzazioni, a partire dall'Organizzazione Mondiale della Sanità, stanno lanciando strumenti basati sull'IA per raccogliere e fornire informazioni durante la pandemia.
Il report contiene infine anche alcune raccomandazioni sui quattro principi su cui le aziende devono concentrarsi per portare l’IA su scala in modo efficace: 

• Empowerment: costruire solide fondamenta che offrano un facile accesso a dati affidabili e di qualità, attraverso adeguate piattaforme e strumenti per dati e IA unite a pratiche agili
• Operationalize: implementare l'Intelligenza Artificiale attraverso il giusto modello operativo, dare priorità alle iniziative e garantire una governance equilibrata, integrando al contempo l'etica
• Nurture: coltivare talenti diversificati e collaborare con l’ecosistema e i partner
• Monitor and amplify: monitorare continuamente l'accuratezza e le prestazioni del modello per ottenere e massimizzare i risultati di business

"Alla luce della recente crisi dovuta al Covid-19 le organizzazioni guardano ai dati e all'AI per migliorare la resilienza delle loro operation, ma c'è una necessità ancora più forte di connessione tra gli obiettivi tattici e strategici di business e la loro implementazione per raggiungere la scalabilità", ha sottolineato Marco Perovani, Telco Media Technology & Energy Utilities Chemical Services Director di Capgemini Italy. "La ricerca evidenzia che le organizzazioni di maggior successo combinano gli sforzi per razionalizzare e modernizzare il proprio patrimonio di dati e i processi di data governance, si concentrano sull’introduzione di nuovi strumenti agili provenienti dagli ecosistemi dei partner e su approcci come DataOps e MLOps (machine learning ops) per sviluppare e implementare soluzioni di AI, costruiscono team con background differenziati e impostano modelli operativi equilibrati".