L'intelligenza artificiale sta solo iniziando a rivelare il suo potenziale, ma gli esperti avvertono che nessuna strategia basata su questa tecnologia può avere successo senza delle solide fondamenta di dati. Matteo Verdari, Responsabile per l'Italia della Global AI Practice di SDG Group, spiega perché le aziende devono colmare il divario tra l'hype iniziale e la realtà operativa.
È quello che si definisce in gergo "Adoption Gap": la differenza tra ciò che la tecnologia è in grado di fare e ciò che le aziende implementano effettivamente. Diversi studi hanno stimato che circa il 60% dei progetti di AI fallisce nel momento della messa in produzione. Le ragioni sono molteplici, ma il denominatore comune è spesso la mancanza di un valore di business tangibile.
Solitamente questo è a sua volta causato da un disallineamento tra gli stakeholder su come l'organizzazione, i processi e i sistemi debbano evolversi per integrare queste soluzioni. Ci sono anche sfide tecniche, poiché molte aziende si affidano ancora a sistemi informatici legacy inadeguati a supportare le tecnologie più avanzate. Infine, c'è una questione culturale: le persone faticano ad adottare nuovi strumenti o a cambiare il proprio modo di lavorare.
Il settore della moda, come molti altri, sta attraversando un complesso periodo di transizione, segnato dall'incertezza geopolitica ed economica. Questo spesso spinge le aziende a dare priorità a ottenere ritorni sull'investimento a brevissimo termine, il che diventa un ostacolo importante: se uno use case non produce risultati immediati, viene rapidamente abbandonato.
Il risultato è un ciclo continuo di valutazioni e Proof of Concept (PoC) che non si traducono mai in un vero valore di business. È un peccato perché esistono già esempi chiari di come l'AI possa generare valore lungo l'intera filiera. Nello sviluppo del prodotto, ad esempio, l'AI può accelerare la creazione di concept di design. Nell'ottimizzazione dell'inventario può aiutare ad adattare le scorte a specifiche location e alle preferenze dei clienti. E nel servizio post-vendita, può migliorare la gestione dei reclami e ridurre i tempi di reso.
Per costruire una casa bisogna partire dalle fondamenta e in questo caso le fondamenta sono i dati. Non può esistere una AI Strategy senza una solida Data Strategy. Il punto di partenza è disporre dell'infrastruttura giusta per raccogliere, organizzare e gestire i dati che alimenteranno i modelli di intelligenza artificiale.
Una volta gettate queste basi, il passo successivo è pensare in modo strategico ai casi d'uso. In SDG Group abbiamo un brand dedicato, Orbitae, che offre servizi in grado di supportare le aziende lungo l'intero processo (dalla progettazione all'ingegnerizzazione) gestendo al contempo i modelli durante tutto il loro ciclo di vita e garantendo un'adozione responsabile attraverso la formazione e il change management organizzativo.
L'automazione in sé non è una novità. Già da anni le aziende si affidano a tecnologie come la Robotic Process Automation (RPA), che utilizzano regole predefinite per svolgere compiti ripetitivi. Tuttavia si tratta di sistemi relativamente passivi.
Oggi stiamo entrando in una nuova fase con gli AI Agent che, se adeguatamente addestrati, possono assumersi la piena responsabilità dell'esecuzione di task end-to-end all'interno di un processo. Nel procurement, ad esempio, i "negotiation agents" possono gestire gli ordini partecipando a gare d'appalto o analizzando le offerte da fare. Sono in grado di comprendere il contesto (inclusi inventario, prezzi o ordini in sospeso) e prendere decisioni come l'emissione di ordini d'acquisto o l'attivazione di processi logistici in entrata.
Gestire con successo questa transizione richiede due elementi chiave: la governance, ovvero protocolli chiari per garantire la trasparenza su come operano questi agenti, e l'adattamento umano, inteso come la volontà di adeguare le proprie abitudini lavorative per collaborare efficacemente con questi sistemi.
Il talento e una profonda comprensione del business rimarranno essenziali in ogni ruolo. È fondamentale mantenere la capacità di interpretare ciò che accade al di là degli schemi predefiniti. L'intelligenza umana sa leggere tra le righe, mentre i Large Language Model (LLM) leggono solamente dentro le righe.
Questa capacità umana dovrebbe evolversi per includere l'AI come una voce aggiuntiva. Immaginatelo come un comitato a cui, invece di essere composto esclusivamente da persone, partecipa un'AI per offrire prospettive o scenari diversi che supportino decisioni migliori.
La chiave è combinare la responsabilità umana nei processi decisionali con gli insight forniti dalle macchine: quello che in SDG Group chiamiamo approccio "human-in-the-loop", in cui l'AI agisce come supporto complementare.