Nel loro studio intitolato "The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed" James Ryseff, Brandon De Bruhl e Sydne J. Newberry analizzano le principali ragioni per cui i progetti di intelligenza artificiale (AI) e machine learning (ML) spesso non raggiungono i risultati attesi. Gli autori hanno condotto interviste con 65 data scientist e ingegneri, ciascuno con almeno cinque anni di esperienza nello sviluppo di modelli AI/ML, operanti sia nel settore industriale che in quello accademico. L'analisi delle risposte ha permesso di individuare cinque cause principali di insuccesso, insieme a raccomandazioni su come aumentare le probabilità di riuscita dei progetti AI, sia in ambito aziendale che accademico.
Stime indicano che oltre l'80% dei progetti AI aziendali falliscono, un tasso doppio rispetto ai progetti IT tradizionali che non coinvolgono l'AI. Per questo motivo, trasformare il potenziale dell'intelligenza artificiale in risultati concreti rappresenta una sfida urgente.
Le conclusioni e le raccomandazioni del rapporto forniscono indicazioni di grande valore per i leader aziendali che desiderano implementare soluzioni di AI e ML. Le esperienze maturate nei precedenti tentativi di utilizzo di queste tecnologie possono infatti aiutare a prevenire errori comuni e a migliorare le probabilità di successo.
L'intelligenza artificiale è ormai riconosciuta come una tecnologia in grado di trasformare profondamente le organizzazioni. In passato, solo le aziende tecnologiche più avanzate, dotate delle risorse economiche e del talento necessario, potevano permettersi di adottare l'AI. Tuttavia, oggi tutte le tipologie di organizzazioni stanno iniziando a investire in questa tecnologia. Tra il 2013 e il 2022, gli investimenti nel settore privato legati all'AI sono aumentati di ben 18 volte, e un'indagine ha rivelato che il 58% delle aziende di medie dimensioni ha già implementato almeno un modello di AI in produzione.
L'AI sta già avendo un impatto significativo in vari settori. Le aziende farmaceutiche, ad esempio, la utilizzano per accelerare lo sviluppo dei farmaci, mentre i rivenditori, come Walmart, adottano l'AI per l'analisi predittiva, ottimizzando l'intera catena di approvvigionamento e gestendo al meglio le scorte di magazzino. Nel campo della difesa, l'AI pilota jet da combattimento, rileva sottomarini nemici e migliora la consapevolezza dei comandanti sul campo di battaglia. Questi esempi dimostrano la rilevanza dell'AI per molteplici usi e settori.
Nonostante il grande potenziale e l'entusiasmo attorno all'intelligenza artificiale, molte organizzazioni incontrano difficoltà nel tradurre questa tecnologia in applicazioni pratiche e funzionanti. Un'indagine ha evidenziato che solo il 14% delle organizzazioni si considera completamente pronto a adottare l'AI, nonostante l'84% dei leader aziendali creda che l'AI avrà un impatto significativo sulle loro attività. Spesso, i dirigenti aziendali, mossi dalla necessità di dimostrare la propria capacità di stare al passo con i progressi tecnologici, intraprendono progetti legati all'AI senza avere una chiara comprensione di come trasformare gli obiettivi in azioni concrete e realizzabili. Di conseguenza, non sorprende che oltre l'80% dei progetti di AI non raggiunga il successo desiderato. Questo dato rappresenta un tasso di fallimento doppio rispetto a quello già elevato dei progetti legati alle tecnologie dell'informazione (IT) tradizionali.
Per comprendere le ragioni dell'elevato tasso di fallimenti nei progetti di intelligenza artificiale, è stata condotta un'analisi esplorativa basata su interviste a 65 esperti del settore, tra cui ingegneri, ricercatori e accademici di vari ambiti. Le interviste hanno rivelato l'esistenza di pratiche comunemente ritenute inefficaci, note come "anti-pattern", che spesso portano al fallimento dei progetti di AI. L'obiettivo della ricerca è fornire alle organizzazioni indicazioni pratiche per evitare questi errori comuni e avviare i progetti in modo corretto.
Un nuovo approccio per capire perché progetti AI aziendali falliscono
I progetti di AI si compongono di due elementi: la tecnologia come piattaforma, che riguarda lo sviluppo, l'uso e l'implementazione dell'AI per svolgere determinati compiti aziendali, e l'organizzazione del progetto, che concerne il processo, la struttura e l'integrazione all'interno dell'organizzazione nel suo complesso. Questi due elementi devono collaborare affinché l'AI possa risolvere problemi aziendali complessi.
I progetti di tipo IT possono fallire per molte ragioni non legate direttamente alla tecnologia, come problemi nei processi, difficoltà nelle interazioni umane con la tecnologia, o aspettative non allineate sui risultati attesi del progetto. Anche un singolo fallimento in uno di questi aspetti può far naufragare l'intero progetto, con conseguenti costi elevati per l'impresa. Sebbene esista una vasta letteratura sui motivi di fallimento dei progetti IT, l'AI presenta caratteristiche specifiche, come elevati requisiti di lavoro e capitale e complessità degli algoritmi, che la distinguono da un sistema informativo tradizionale.
In passato, gli studi su questo argomento hanno seguito due approcci principali: alcuni sono stati condotti da singoli data scientist o manager, che hanno condiviso esperienze personali sulle cause di fallimento dei progetti di AI, mentre altri studi, spesso di società di consulenza, hanno basato le loro analisi su ampie indagini rivolte a leader IT. Alcuni studi hanno anche effettuato una revisione sistematica della letteratura e interviste con un numero limitato di esperti per esplorare i fattori che possono determinare il fallimento dei progetti di AI in generale.
Lo studio condotto da James Ryseff, Brandon De Bruhl e Sydne J. Newberry si differenzia dalle ricerche precedenti sotto vari aspetti. Prima di tutto, si concentra sul punto di vista di coloro che sviluppano e implementano direttamente le applicazioni di intelligenza artificiale, adottando un approccio che parte dall'esperienza pratica per comprendere le cause dei fallimenti direttamente dalle persone che lavorano quotidianamente con questa tecnologia. Inoltre, invece di utilizzare sondaggi con risposte predefinite o domande a risposta breve, lo studio ha impiegato interviste semi-strutturate, un metodo che consente di esplorare in modo più approfondito e dettagliato le problematiche rilevate.
Per raccogliere i dati necessari alla ricerca, sono state realizzate interviste semistrutturate con esperti nel campo dell'intelligenza artificiale, provenienti sia dal settore industriale sia da quello accademico. Durante queste interviste, il fallimento di un progetto di intelligenza artificiale è stato definito come la percezione, da parte dell'organizzazione coinvolta, che il progetto non abbia raggiunto gli obiettivi previsti. Questa definizione comprendeva sia fallimenti di natura tecnica, come malfunzionamenti o errori nei sistemi, sia fallimenti di tipo aziendale, come il mancato ritorno sugli investimenti o la non conformità con le aspettative strategiche dell'azienda. Gli intervistati sono stati invitati a discutere i tipi di fallimenti che ritenevano più comuni o rilevanti e a identificare le cause principali che, a loro avviso, avevano determinato tali esiti. A partire dalle risposte raccolte, è stato possibile identificare le cause ricorrenti di questi fallimenti.
L'approccio adottato nella ricerca offre una combinazione di punti di forza e debolezza. L'uso di interviste con domande aperte, rivolte a data scientist e ingegneri di machine learning con esperienza, ha permesso di evidenziare i principali problemi e sfide nell'esecuzione dei progetti di intelligenza artificiale, secondo il punto di vista di questi professionisti. Tuttavia, poiché la maggior parte degli intervistati erano ingegneri non manageriali, piuttosto che dirigenti aziendali, i risultati potrebbero essere influenzati in modo sproporzionato dalla prospettiva di chi non ricopre ruoli di leadership, portando a un'interpretazione orientata a identificare principalmente i fallimenti legati alla gestione.
I partecipanti provenienti dal settore industriale sono stati selezionati utilizzando la piattaforma LinkedIn Recruiter e contattati tramite messaggi LinkedIn InMail. Per essere considerati idonei, i potenziali partecipanti dovevano possedere almeno cinque anni di esperienza nell'ambito dell'intelligenza artificiale o del machine learning applicati all'industria, e ricoprire posizioni lavorative che indicassero ruoli come contributori individuali o manager in discipline tecniche quali la data science o l'ingegneria del machine learning. La selezione dei partecipanti è stata effettuata con l'obiettivo di rappresentare una vasta gamma di esperienze e percorsi professionali. In particolare, sono stati inclusi professionisti provenienti da aziende di diverse dimensioni, comprese start-up, grandi corporation e imprese di medie dimensioni, operanti in settori come tecnologia, sanità, finanza, retail, consulenza e altri ambiti.
In totale, sono stati individuati e contattati 379 potenziali candidati appartenenti al settore industriale. Tra questi, 50 hanno effettivamente partecipato a un'intervista, rappresentando oltre 50 organizzazioni diverse. Le interviste nel settore industriale sono state realizzate utilizzando una serie di domande standardizzate, garantendo sempre l'anonimato ai partecipanti per favorire un'espressione libera delle loro esperienze.
Per il settore accademico sono state condotte 15 interviste con accademici selezionati per la loro facile accessibilità, coinvolgendo persone incontrate durante conferenze o già conosciute dal gruppo di ricerca. I partecipanti provenivano da una varietà di istituti scolastici, tra cui programmi di ingegneria e scuole di business, e rappresentavano diversi stadi della carriera accademica.
Anche in questo caso, le interviste sono state condotte garantendo l'anonimato dei partecipanti, al fine di permettere ai ricercatori accademici senza un contratto stabile e agli ingegneri che, pur non essendo direttamente coinvolti nella ricerca, supportano le attività accademiche, di esprimere le proprie opinioni liberamente e senza rischio di essere identificati.
Perché falliscono i progetti di intelligenza artificiale nel settore industriale
Dalle interviste condotte con esperti di intelligenza artificiale nel settore industriale, sono state identificate cinque cause principali che spiegano il fallimento dei progetti di AI. Il motivo più frequentemente indicato è l'incapacità della leadership aziendale di definire correttamente gli obiettivi e le modalità del progetto per assicurarne il successo. Questa carenza di visione strategica è stata considerata il fattore con l'impatto più significativo sull'esito finale del progetto, superando altre cause di fallimento discusse.
Un'altra causa rilevante è legata alla qualità e all'utilità limitata dei dati disponibili per l'addestramento dei modelli di intelligenza artificiale. La mancanza di dati sufficientemente accurati o pertinenti è stata evidenziata come un ostacolo critico al successo del progetto. Queste due problematiche sono state menzionate spontaneamente da oltre la metà degli intervistati come le ragioni principali per cui i progetti di AI non raggiungono gli obiettivi prefissati.
Oltre a queste due cause principali, altri tre fattori sono stati segnalati con una certa frequenza. In primo luogo, la mancanza di investimenti in infrastrutture adeguate a sostenere efficacemente il team di sviluppo è stata identificata come una barriera significativa. In secondo luogo, sono emersi i fallimenti "bottom-up" attribuiti a errori commessi dai singoli membri del team di sviluppo. Infine, alcuni intervistati hanno indicato i limiti intrinseci delle capacità dell'intelligenza artificiale, ovvero ciò che la tecnologia può effettivamente realizzare, come una delle cause di insuccesso. Sebbene questi tre fattori siano stati citati meno frequentemente rispetto alle prime due cause, sono stati comunque menzionati da una percentuale significativa, compresa tra un quarto e un terzo degli esperti intervistati.
Perché la leadership è il principale fattore di fallimento nei progetti di AI
I fallimenti nei progetti di intelligenza artificiale sono spesso attribuiti alla leadership aziendale, risultando essere la causa più comune di insuccesso rispetto a qualsiasi altro tipo di problema. Secondo i dati raccolti, l'84% degli intervistati ha indicato che una o più cause legate alla leadership rappresentano il principale motivo per cui i progetti di AI non riescono a raggiungere gli obiettivi prefissati. Questi fallimenti si presentano in varie forme, evidenziando un'influenza significativa della leadership sulla riuscita o meno dei progetti.
Spesso la leadership aziendale commette l'errore di indirizzare il team di sviluppo a risolvere con l'intelligenza artificiale problemi che non sono quelli realmente rilevanti per il business. Questo si traduce in mesi di lavoro intenso per sviluppare un modello di intelligenza artificiale che, alla fine, ha un impatto minimo sull'organizzazione. Tale situazione è spesso il risultato di una comunicazione inadeguata tra il team di sviluppo e i leader aziendali, o di una scarsa comprensione, da parte di questi ultimi, delle reali capacità e potenzialità dell’intelligenza artificiale. Sebbene l'AI sia percepita come una tecnologia promettente in grado di apportare miglioramenti in vari ambiti aziendali, questa visione è parziale. L'intelligenza artificiale non è solo una tecnologia, ma rappresenta un approccio nuovo e dirompente alla gestione aziendale, influenzando ogni comparto e fase operativa. Pertanto, affrontare i progetti AI come semplici innovazioni settoriali può portare a risultati deludenti. I progetti AI dovrebbero essere concepiti come iniziative globali, da sviluppare progressivamente in ogni settore, partendo dalle applicazioni più immediate per arrivare a quelle più complesse. È essenziale, quindi, che l'intera azienda, e in particolare i suoi vertici, comprenda appieno cosa significhi integrare l’intelligenza artificiale nel contesto aziendale.
La maggior parte dei leader aziendali non possiede una formazione specifica in intelligenza artificiale e data science. Questo implica la necessità che il personale tecnico traduca gli obiettivi stabiliti dalla leadership in traguardi concreti, realizzabili attraverso modelli di intelligenza artificiale. Tuttavia, nei casi in cui i progetti falliscono, una delle cause può essere la mancata partecipazione attiva della leadership nella valutazione dell'allineamento tra decisioni tecniche e obiettivi aziendali. Inoltre, la leadership potrebbe non riconoscere che le metriche utilizzate per valutare il successo del modello non siano quelle effettivamente rilevanti per raggiungere il risultato finale desiderato.
Un esempio di questa problematica si manifesta quando i leader aziendali richiedono lo sviluppo di un algoritmo di machine learning per suggerire il prezzo di un prodotto, mentre ciò di cui hanno realmente bisogno è determinare il prezzo che massimizzi il margine di profitto, piuttosto che quello che consenta di vendere il maggior numero di unità. Senza il giusto contesto, il team di sviluppo potrebbe fare assunzioni errate. Questi errori diventano spesso evidenti solo quando il modello di intelligenza artificiale è stato completato e si tenta di integrarlo nelle operazioni aziendali quotidiane.
In alcuni casi, i leader richiedono al team tecnico di applicare il machine learning a problemi che non ne hanno realmente bisogno. Non tutte le situazioni sono così complesse da giustificare l'uso di soluzioni basate su ML. Ad esempio, un intervistato ha riferito che i suoi team venivano incaricati di utilizzare tecniche di intelligenza artificiale su dataset con poche variabili o con pattern facilmente identificabili tramite semplici regole condizionali "if-then".
Questa discrepanza può avere diverse origini. In alcuni casi, i leader considerano l'intelligenza artificiale semplicemente come un termine di tendenza e non riconoscono che esistono soluzioni più semplici e meno costose. In altri casi, i leader senior, distanti dai dettagli operativi, richiedono l'uso dell'intelligenza artificiale poiché sono convinti che la complessità della loro area di business implichi necessariamente la necessità di soluzioni altrettanto complesse. Qualunque sia la causa, tali progetti, sebbene possano essere considerati di successo sotto un profilo tecnico, non riescono a generare un impatto complessivo significativo, poiché l'impiego dell'intelligenza artificiale non era necessario fin dall'inizio.
Inoltre, molti leader senior nutrono aspettative eccessive riguardo alle potenzialità dell'intelligenza artificiale, spesso influenzati dai rapidi progressi e dai risultati impressionanti ottenuti dai modelli di AI. Questo entusiasmo è ulteriormente alimentato dalle presentazioni di venditori e ricercatori del settore, che tendono a rafforzare la percezione che l'intelligenza artificiale possa raggiungere facilmente qualsiasi obiettivo. Tuttavia, l'ottimizzazione di un modello di AI per uno specifico caso d'uso all'interno di un'organizzazione può rivelarsi molto più complessa di quanto queste presentazioni facciano intendere.
Un aspetto cruciale da considerare è che i modelli di intelligenza artificiale sviluppati in ambito accademico potrebbero non adattarsi adeguatamente alle esigenze specifiche di un'azienda. Inoltre, molti leader aziendali non sono consapevoli che gli algoritmi di AI operano su una base probabilistica, incorporando un grado intrinseco di incertezza e casualità. Di conseguenza, leader che si aspettano risultati costanti e certi possono rimanere delusi quando il modello non soddisfa le loro aspettative, rischiando di perdere fiducia sia nel prodotto di AI sia nel team di data science che lo ha sviluppato.
Infine, molti intervistati (14 su 50) hanno evidenziato che i leader senior spesso sottovalutano il tempo necessario per addestrare un modello di intelligenza artificiale in grado di affrontare i problemi aziendali. Anche quando si dispone di un modello di AI preconfezionato, questo non è stato addestrato sui dati specifici dell'organizzazione e potrebbe quindi non essere subito efficace nel risolvere problematiche specifiche. I leader, inoltre, non sono sempre consapevoli del tempo e dei costi richiesti per acquisire, pulire ed esplorare i dati interni. Spesso si aspettano che i progetti di intelligenza artificiale si completino in poche settimane, anziché in mesi, e si chiedono perché il team di sviluppo non riesca a replicare rapidamente i risultati straordinari di cui sentono parlare regolarmente.
In alcune organizzazioni, la situazione è aggravata da frequenti cambiamenti nelle priorità dei leader senior, che possono variare ogni poche settimane o mesi. Ciò porta all'abbandono prematuro dei progetti in corso, prima che possano dimostrare risultati concreti, o il non utilizzo dei progetti completati perché non più in linea con le priorità percepite dalla leadership. Anche quando un progetto raggiunge il successo, i leader possono spingere il team a passare rapidamente ad altri compiti, senza consentire che i modelli sviluppati raggiungano il loro pieno potenziale. Come affermato da un intervistato, "Spesso, i modelli vengono consegnati al 50% del loro potenziale".
Come la qualità dei dati influenza l'insuccesso dei progetti di intelligenza artificiale
Dopo i fallimenti dovuti alla leadership, i problemi legati ai dati sono stati identificati dagli intervistati come la seconda causa più comune per cui i progetti di intelligenza artificiale non raggiungono i risultati desiderati. Questi fallimenti legati ai dati si manifestano in diversi modi, influenzando significativamente l'efficacia dei progetti.
Un problema rilevante, evidenziato da 30 intervistati su 50, riguarda la qualità dei dati. La qualità è un elemento cruciale: senza dati accurati, completi e puliti, anche i modelli più avanzati rischiano di produrre risultati inaffidabili o distorti. Un intervistato ha osservato che "l'80% dell'intelligenza artificiale consiste nel lavoro sporco dell'ingegneria dei dati. Servono persone valide per fare questo lavoro, altrimenti i loro errori contaminano gli algoritmi". Tuttavia, convincere professionisti competenti a svolgere un lavoro percepito come monotono rappresenta una sfida notevole.
Un ulteriore ostacolo è la scarsa considerazione per l'ingegneria dei dati. I data engineer vengono spesso paragonati agli "idraulici della data science", essendo responsabili della progettazione e manutenzione dell'infrastruttura necessaria per acquisire, pulire e trasformare i dati in formati adatti all'addestramento dei modelli. Nonostante questo lavoro sia essenziale, spesso si tende a considerare il ruolo dei data scientist, focalizzati sull'addestramento dei modelli di intelligenza artificiale, come il “vero lavoro di AI”, relegando l'ingegneria dei dati a un'attività di minor importanza.
Questa percezione spinge molti data engineer a sviluppare competenze per diventare data scientist, causando un alto turnover nelle organizzazioni. Quando un data engineer lascia, porta con sé la conoscenza accumulata sui dati e sull'infrastruttura aziendale. In assenza di una documentazione adeguata, la loro partenza può lasciare un vuoto, rendendo difficile per chi rimane capire quali dataset siano affidabili o come il loro significato sia cambiato nel tempo. Questa situazione può aumentare i costi e il tempo necessario per completare un progetto, con il rischio che la leadership perda interesse e decida di abbandonarlo.
In alcuni casi, le organizzazioni non dispongono del tipo di dati necessari per addestrare modelli di intelligenza artificiale, un problema comune quando un'azienda utilizza l'AI per la prima volta o la applica a un nuovo ambito. Gli intervistati hanno evidenziato che i leader aziendali spesso credono di avere dati sufficienti solo perché ricevono rapporti regolari, ma questi potrebbero non essere adatti allo scopo. Ad esempio, i dataset storici potrebbero essere stati progettati per fini di conformità o registrazione, non per l'analisi richiesta dall'intelligenza artificiale, che spesso necessita di un contesto più ampio e dettagliato.
Un ulteriore problema si presenta quando le organizzazioni dispongono di grandi quantità di dati, ma questi risultano sbilanciati. Ad esempio, in ambito sanitario, un dataset potrebbe includere molti casi in cui un test ha correttamente confermato l'assenza di un tumore raro, ma pochi casi in cui il tumore era presente. Questa situazione aumenta il rischio di overfitting, con l'algoritmo che potrebbe correlare eccessivamente le condizioni rare con caratteristiche casuali e non rilevanti dei pochi casi noti. Raccogliere dati sufficienti per rilevare eventi rari nel mondo reale richiede tempo, risorse economiche e pazienza.
Infine, è emerso che una parte significativa degli intervistati (10 su 50) ha sottolineato come la mancanza di comprensione del dominio specifico possa compromettere il successo dei progetti di intelligenza artificiale. I team di sviluppo, spesso, non possiedono una conoscenza approfondita dei settori per cui stanno creando i loro modelli; per questo motivo, necessitano del supporto di esperti del settore in grado di interpretare correttamente i dati presenti nei dataset, identificando quelli rilevanti, quelli irrilevanti e quelli potenzialmente inaffidabili.
Per esempio, un campo di dati potrebbe inizialmente sembrare essenziale per l'addestramento del modello di AI, ma rivelarsi poi poco affidabile a causa dell'inserimento manuale da parte di utenti privi di motivazioni per garantirne l'accuratezza. In alcune situazioni, gli esperti del settore che dovrebbero fornire supporto ai team di AI mostrano una resistenza passiva verso questi progetti, poiché temono che l'introduzione dell'intelligenza artificiale possa minacciare le loro posizioni lavorative.
Pertanto, senza una chiara comprensione del significato dei dati dell'organizzazione e una corretta valutazione della loro affidabilità e importanza, i progetti di AI rischiano di incontrare difficoltà nel raggiungere i risultati desiderati dall'organizzazione.
Perché le infrastrutture inadeguate portano a fallimenti nei progetti di AI
Le difficoltà che molte organizzazioni affrontano nel rendere i propri dati pronti per l'intelligenza artificiale possono essere attribuite alla mancanza di investimenti adeguati nelle infrastrutture di supporto. Gli ingegneri dei dati necessitano di tempo e risorse per sviluppare pipeline capaci di pulire automaticamente i dati e fornire costantemente dati aggiornati ai modelli di AI già in uso. Un investimento mirato in infrastrutture consente il monitoraggio automatico di queste pipeline, rilevando tempestivamente eventuali cambiamenti nel formato delle fonti di dati o ritardi nella loro disponibilità. Tuttavia, molte organizzazioni che avanzano rapidamente da un prototipo all'altro si trovano spesso impreparate ad affrontare i problemi che emergono una volta che il modello di AI è stato completato e implementato.
Una solida infrastruttura consente al team di ingegneri di identificare quando un modello implementato necessita di manutenzione, quali modelli richiedono interventi più urgenti e quale tipo di manutenzione è necessaria in ciascun caso. Inoltre, gli investimenti in infrastrutture operative agevolano il passaggio rapido e semplice dei modelli di AI dalla fase di sviluppo a quella di produzione. Gli esperti intervistati hanno raccomandato di investire nell'assunzione di ingegneri specializzati in machine learning (ML) con le competenze necessarie per costruire queste infrastrutture e accelerare la distribuzione dei modelli. Alcuni casi hanno mostrato come modelli di AI non potessero essere trasferiti dagli ambienti di test a quelli di produzione a causa di incompatibilità con i requisiti del modello. In altre situazioni, sono stati segnalati ritardi significativi nella messa a disposizione dei modelli agli utenti finali a causa della mancanza di un'infrastruttura adeguata per automatizzare le distribuzioni.
La creazione di prodotti di intelligenza artificiale efficaci richiede dunque un team che vada oltre i soli data scientist. Investire in data engineer e ML engineer può ridurre notevolmente i tempi necessari per sviluppare un nuovo modello di AI e implementarlo in un ambiente di produzione, dove può essere effettivamente utile agli utenti finali.
È stato inoltre osservato che alcuni progetti di intelligenza artificiale falliscono perché affrontano problemi troppo complessi per essere risolti dagli algoritmi attuali. La frequenza di tali fallimenti varia significativamente a seconda del contesto d'uso dell'AI. Mentre in molti settori, come l'e-commerce o la pubblicità, i modelli di AI sono altamente efficaci, alcune applicazioni previste per la computer vision rimangono resistenti anche ai tentativi più rigorosi e ben finanziati di implementazione dell'AI.
Un ulteriore punto sottolineato è che gli algoritmi di AI non sono adatti all'automazione di processi interni che richiedono giudizio umano soggettivo. I leader devono comprendere che l'AI non è uno strumento capace di automatizzare completamente ogni processo o risolvere ogni problema. Alcuni casi d'uso sono più adatti all'AI di altri, e capire quali problemi si prestano meglio a questa tecnologia può aiutare le organizzazioni a evitare fallimenti costosi e imbarazzanti.
Oltre ai dati, due componenti fondamentali per l'addestramento degli algoritmi di intelligenza artificiale sono la disponibilità di talenti e la potenza di calcolo. Sebbene pochi intervistati abbiano identificato la carenza di potenza di calcolo come una delle cause principali di fallimento dei progetti di AI, è stato comunque chiesto loro di esprimere un'opinione sulla possibilità che carenze in quest'area possano contribuire al fallimento.
La maggior parte degli intervistati ha dichiarato che la potenza di calcolo non rappresentava un ostacolo significativo, grazie alla disponibilità di servizi di cloud computing. Tuttavia, sono state evidenziate due eccezioni. La prima riguarda le aziende che, per la natura sensibile dei loro dati, evitano di utilizzare il cloud, specialmente nei settori regolamentati come la finanza e la sanità. La seconda eccezione riguarda le grandi aziende tecnologiche che operano ai confini della ricerca sull'AI e che addestrano modelli linguistici di grandi dimensioni (LLM), dove la potenza di calcolo può essere razionata, causando ritardi.
Per quanto riguarda la disponibilità di talenti, molti intervistati hanno evidenziato come questa possa ostacolare il lavoro delle organizzazioni. Nonostante un miglioramento generale nella disponibilità di talenti, la qualità rimane una sfida. Molti programmi educativi si concentrano principalmente sullo sviluppo di modelli di AI, trascurando competenze fondamentali come la pulizia dei dati o il deployment in produzione. Questo rende difficile valutare quali neolaureati possano essere efficaci in contesti meno ideali. Le organizzazioni ottengono i migliori risultati quando identificano candidati con potenziale di crescita, anziché cercare solo esperti affermati.
Infine, è stata sollevata la questione dell'applicabilità dei processi di sviluppo software agile ai progetti di intelligenza artificiale. Alcuni intervistati hanno osservato che interpretazioni rigide dello sviluppo agile possono risultare inadatte, poiché i progetti di AI richiedono una fase iniziale di esplorazione e sperimentazione imprevedibile. La comunicazione aperta e frequente tra i team tecnici e gli stakeholder aziendali è essenziale per costruire fiducia e aumentare le probabilità di successo del progetto.
Il ruolo dei fallimenti bottom-up nei progetti di intelligenza artificiale
Oltre ai fallimenti derivanti dalla leadership aziendale, molti intervistati (16 su 50) hanno evidenziato un diverso tipo di fallimento, originato dal team di sviluppo. Il personale tecnico, spesso appassionato di esplorare i limiti del possibile e di apprendere nuovi strumenti e tecniche, tende a cercare opportunità per testare modelli o framework appena sviluppati, anche quando strumenti più consolidati e tradizionali potrebbero essere più adeguati al contesto aziendale.
Gli ingegneri e i data scientist, inoltre, sono fortemente motivati a costruire la propria esperienza sulle più recenti innovazioni tecnologiche, poiché queste competenze sono altamente richieste nel mercato del lavoro. I progetti di intelligenza artificiale tendono a fallire quando l'attenzione è focalizzata principalmente sulla tecnologia utilizzata, piuttosto che sulla risoluzione dei problemi reali degli utenti finali. Sebbene sia importante per un'organizzazione sperimentare nuove tecnologie e offrire al personale tecnico l'opportunità di migliorare le proprie competenze, ciò dovrebbe essere fatto in modo consapevole e bilanciato rispetto agli altri obiettivi dell'organizzazione.
Come i leader possono guidare al successo i progetti di AI in azienda
I progetti di intelligenza artificiale possono risultare complessi per qualsiasi organizzazione, ma il fallimento non è un destino obbligato. Per i leader che vogliono evitare gli errori più frequenti evidenziati dagli esperti di AI, esistono cinque raccomandazioni che possono favorire un'implementazione di AI di successo. Questi suggerimenti, se seguiti attentamente, possono aiutare a superare le sfide comuni e a massimizzare i benefici derivanti dall'intelligenza artificiale, contribuendo così a migliorare le performance e a raggiungere gli obiettivi strategici dell'organizzazione.
L'Importanza di comprendere il contesto aziendale nei progetti di intelligenza artificiale
I malintesi e le comunicazioni poco chiare riguardo all'obiettivo e allo scopo di un progetto sono tra le principali cause di fallimento nei progetti di intelligenza artificiale. Questo rende fondamentale il ruolo sia dei leader aziendali che degli ingegneri, i quali devono collaborare per evitare tali esiti negativi. I leader aziendali, infatti, devono comprendere le potenzialità dell'intelligenza artificiale non attraverso corsi tecnici, ma grazie all'assistenza di consulenti esperti nelle dinamiche aziendali e nella direzione d'impresa. Questi consulenti devono essere aggiornati sull'evoluzione dell'AI sia dal punto di vista della ricerca sia per quanto riguarda le applicazioni pratiche nelle aziende, aiutando così i leader a capire cosa realmente l'AI può fare per loro. Questo passaggio è cruciale perché permette ai leader di supportare il personale tecnico nel comprendere chiaramente le aspettative legate al progetto di AI e l'uso effettivo del prodotto finale. Non è sufficiente supporre che il team di ingegneria sia in grado di identificare autonomamente quali decisioni progettuali renderanno utile il prodotto nel contesto aziendale.
Per facilitare queste interazioni e connessioni tra team tecnici e stakeholder, le organizzazioni dovrebbero riconsiderare i processi esistenti. I metodi rigidi di sviluppo software raramente si adattano alla dinamicità dei progetti di AI. Invece di imporre un insieme uniforme di procedure, pensato per altri tipi di ingegneria, le organizzazioni dovrebbero concedere ai loro team la libertà di adattare i processi in base alle specificità di lavoro. In definitiva, è necessario riscoprire come rendere il processo di sviluppo software davvero flessibile e, in senso autentico, agile, permettendo così ai team di rispondere efficacemente alle esigenze del progetto di AI.
L'Impegno a lungo termine come fattore di successo nei progetti di intelligenza artificiale
I progetti di intelligenza artificiale necessitano di tempo e pazienza per essere portati a termine con successo. I data scientist e i data engineer devono avere il tempo e lo spazio necessari per esplorare, comprendere e curare i dati disponibili, prima di procedere con l'addestramento di un modello di AI che imparerà a operare basandosi su tali dati. Modificare frequentemente le priorità del team, inseguendo crisi o opportunità momentanee, può condurre all'abbandono di molti progetti di AI prima che abbiano la possibilità di generare risultati concreti.
È fondamentale, quindi, che prima di intraprendere un progetto di AI, i leader siano disposti a impegnare ciascun team di prodotto nella risoluzione di un problema specifico per un periodo di almeno un anno. Se un progetto di AI non giustifica un impegno a lungo termine di tale portata, probabilmente non è opportuno iniziarlo, poiché un progetto con tempistiche troppo accelerate rischia di fallire senza mai raggiungere gli obiettivi stabiliti.
Concentrarsi sul problema, non sulla tecnologia
Gli ingegneri esperti hanno rilevato che i team di progetto di successo si distinguono per il loro impegno a mantenere un focus preciso sul problema aziendale da risolvere, anziché concentrarsi esclusivamente sulla tecnologia da adottare. Seguire ciecamente le più recenti e avanzate innovazioni in ambito AI solo per il fascino dell'innovazione stessa rappresenta una delle cause più frequenti di fallimento. È fondamentale che i leader all'interno di un'organizzazione lavorino fianco a fianco con i tecnologi, assicurandosi che i progetti di AI scelti siano non solo compatibili con la tecnologia disponibile, ma anche capaci di affrontare un problema reale per l’azienda.
Per quanto affascinante possa apparire una nuova tecnologia, è importante ricordare che ogni tecnologia, inclusa l'AI, non è altro che uno strumento da impiegare, non un obiettivo finale da perseguire.
Investire in infrastrutture dati aziendali per ridurre i costi e aumentare il successo dei progetti AI
I problemi legati alla gestione dei dati sono tra le principali cause di fallimento nei progetti di intelligenza artificiale. Per questo motivo, investire nella costruzione di un'infrastruttura dati efficace, capace di acquisire, pulire e monitorare i flussi di dati in modo affidabile, rappresenta una strategia cruciale per migliorare la qualità dei dati all'interno di un'organizzazione. Questo tipo di investimento aumenta significativamente le probabilità di successo dei progetti di AI, poiché fornisce una base solida e coerente per il funzionamento degli algoritmi e delle soluzioni basate sull'intelligenza artificiale.
Parallelamente, investire in infrastrutture che supportano la distribuzione automatica dei modelli di AI permette di implementare tali modelli con maggiore velocità e affidabilità. Ciò si traduce in benefici concreti per gli utenti finali, che possono usufruire di soluzioni più efficienti e tempestive. Tuttavia, non tutte le aziende comprendono l'importanza di questi investimenti. È comune osservare una tendenza a passare rapidamente da un progetto di AI all'altro, senza dedicare il tempo necessario allo sviluppo di strumenti comuni che migliorerebbero l'efficienza dei team di sviluppo. I dirigenti spesso giustificano questa mancanza di attenzione all'infrastruttura sostenendo che l'evoluzione rapida della tecnologia e del contesto aziendale rende meno vantaggioso investire in soluzioni che potrebbero sembrare rapidamente obsolete.
Tuttavia, proprio per la dinamicità del settore, avere un'infrastruttura dati affidabile e facilmente adattabile è essenziale. Non solo consente di ottimizzare le performance aziendali, ma riduce anche i costi operativi, trasformando l'azienda da semplicemente informatizzata a digitalizzata. Questo passaggio semplifica e velocizza l'implementazione di qualsiasi soluzione di intelligenza artificiale, rendendo l'organizzazione più agile e pronta a rispondere alle nuove sfide.
La mancata decisione di investire nell'infrastruttura comporta conseguenze rilevanti: i progetti IT e di AI rischiano di richiedere più tempo per essere completati, diventano più costosi e aumentano le probabilità di insuccesso. La creazione di una solida infrastruttura, al contrario, può fare la differenza tra il successo e il fallimento dei progetti di intelligenza artificiale, garantendo risultati migliori e un utilizzo più efficace delle risorse aziendali.
Integrare l'AI nei processi aziendali in modo consapevole
L'intelligenza artificiale, pur essendo oggetto di grande entusiasmo, presenta ancora delle limitazioni tecniche che non possono sempre essere superate. È cruciale non considerarla come una soluzione magica capace di risolvere ogni problema o di automatizzare qualsiasi processo aziendale. I leader devono essere consapevoli delle effettive potenzialità dell'AI, valutandola con un approccio realistico e mirato.
In questo contesto, i consulenti giocano un ruolo essenziale. Grazie alla loro posizione esterna e imparziale rispetto alle dinamiche interne dell'azienda, possono offrire un supporto prezioso per comprendere come l'AI possa davvero apportare valore. Fornendo una prospettiva oggettiva, aiutano i leader aziendali a selezionare progetti che siano coerenti con le capacità dell'AI e che possano generare un impatto significativo sull'organizzazione. La loro expertise consente ai leader di acquisire gli strumenti necessari per collaborare efficacemente con i tecnici interni, facilitando la scelta di iniziative che sfruttino al meglio le potenzialità dell'intelligenza artificiale.
L'obiettivo finale, dunque, non è solo quello di integrare l'AI nei processi aziendali, ma di farlo in modo strategico e consapevole. Le applicazioni devono essere selezionate in base alle specifiche esigenze dell'azienda, puntando a risultati concreti e benefici misurabili. Solo in questo modo l'intelligenza artificiale può diventare un alleato efficace e mirato, evitando l'errore di considerarla una soluzione universale e indifferenziata alle sfide aziendali.
Conclusioni
I progetti di intelligenza artificiale spesso non raggiungono i risultati desiderati non per carenze tecnologiche, ma per una gestione inadeguata a livello organizzativo e strategico. Uno degli errori più comuni dei leader aziendali è trattare l’AI come una semplice tecnologia da adottare per restare competitivi, piuttosto che come un cambiamento di paradigma che richiede un ripensamento profondo dei processi aziendali e delle strategie operative. Questo equivoco porta spesso a progetti mal definiti, dove l'obiettivo non è chiaro e la soluzione tecnologica non è strettamente collegata a un problema di business reale e prioritario.
Una riflessione profonda riguarda la disconnessione tra la leadership aziendale e i team tecnici, che genera un divario tra le reali capacità dell'intelligenza artificiale e le aspettative dei dirigenti. Questo divario è ulteriormente accentuato dalla mancanza di competenze specifiche tra i leader, i quali spesso non sono adeguatamente preparati per comprendere le limitazioni e le potenzialità effettive dell'AI. Una soluzione strategica potrebbe consistere nell'integrazione di consulenti con competenze ibride, in grado di supportare i leader aziendali nel tradurre le esigenze dell'azienda in requisiti tecnici e nel facilitare la comprensione delle necessità dei team di sviluppo, promuovendo così una consapevolezza condivisa sia a livello strategico che tecnico.
Inoltre, il successo dei progetti di AI è strettamente legato alla qualità dei dati e alla solidità dell'infrastruttura dati aziendale. Questo aspetto non è solo tecnico ma strategico: un investimento adeguato in infrastrutture che facilitino la gestione dei dati e il deployment di modelli AI può trasformare il fallimento in successo. Le aziende devono considerare questi investimenti come una parte essenziale della loro strategia di innovazione, piuttosto che come costi da minimizzare. Infatti, la mancanza di una solida infrastruttura porta a inefficienze, ritardi e, spesso, a progetti abbandonati.
Un altro punto cruciale è la gestione delle aspettative. L'intelligenza artificiale non è una panacea e i suoi risultati possono essere influenzati da un'ampia variabilità. Questa natura probabilistica della tecnologia può sorprendere i leader abituati a soluzioni deterministiche, portando a una perdita di fiducia nel team di sviluppo o nei risultati del progetto. È essenziale, quindi, educare la leadership aziendale a comprendere che l’AI è uno strumento potente ma che, come ogni strumento, ha limiti intrinseci che vanno gestiti con consapevolezza.
Il focus dovrebbe essere sempre sul problema di business da risolvere, piuttosto che sulla tecnologia da adottare. Troppo spesso, infatti, le organizzazioni si innamorano dell'ultima novità tecnologica, perdendo di vista il valore aggiunto reale per l'azienda. L’approccio giusto implica un cambiamento culturale: spostare l'attenzione dal “fare AI” al “risolvere problemi concreti” con strumenti che includono, ma non si limitano, all’intelligenza artificiale.
Infine, il coinvolgimento e l’impegno a lungo termine dei leader sono essenziali per evitare cambiamenti di priorità che possano sabotare i progetti di AI. La pazienza e la stabilità nella gestione dei progetti sono spesso più determinanti del mero talento tecnico. I leader devono essere pronti a sostenere i team di sviluppo attraverso le inevitabili difficoltà iniziali, riconoscendo che il valore dei progetti di AI si manifesta spesso solo dopo un periodo prolungato di iterazioni e miglioramenti.
In sintesi, il successo dei progetti di intelligenza artificiale dipende da una leadership consapevole e impegnata, da un'infrastruttura dati solida e da un approccio strategico che ponga il problema di business al centro. Le aziende devono smettere di considerare l'AI come una moda da seguire e iniziare a vederla come una leva trasformativa che richiede, però, tempo, pazienza e un impegno strutturale per poter dispiegare pienamente il suo potenziale.
Comments