Intelligenza Artificiale in azienda: dove è davvero utile?

 

Possiamo dire che l’Intelligenza Artificiale può ormai essere applicata a un numero molto ampio di attività aziendali.

Può analizzare informazioni, generare contenuti, recuperare conoscenza, individuare anomalie, supportare decisioni e, con l’evoluzione degli agenti AI, eseguire attività e coordinare workflow che attraversano più sistemi.

In azienda è quindi fondamentale capire quali processi giustificano realmente questo investimento.

Applicare l’AI a un’attività soltanto perché “tecnicamente possibile” rischia infatti di aggiungere un nuovo livello di complessità senza intervenire sui problemi che limitano realmente il processo.

Il punto di partenza per qualsiasi tipo di cambiamento dovrebbe essere il processo, mai la tecnologia.

È una distinzione particolarmente importante oggi, mentre l’AI enterprise sta evolvendo dai semplici assistenti verso sistemi capaci di operare all’interno dei workflow. SAP, ad esempio, sta costruendo la propria strategia Business AI proprio intorno alla combinazione di dati, contesto di processo e governance, affinché gli agenti possano agire all’interno della realtà operativa dell’azienda e non soltanto rispondere a un prompt.

Capire quale problema deve essere risolto.

Un processo lento non è automaticamente un buon candidato per l’Intelligenza Artificiale.

Potrebbe essere lento perché esistono troppe approvazioni, perché i sistemi non sono integrati, perché le responsabilità non sono chiare oppure perché le informazioni necessarie non vengono raccolte correttamente.

In questi casi introdurre l’AI senza intervenire sulle cause significa rischiare di automatizzare una complessità che dovrebbe invece essere azzerata.

Prima di scegliere la tecnologia è fondamentale identificare il problema.

L’obiettivo potrebbe essere:

• ridurre il tempo dedicato a un’attività ripetitiva
• facilitare l’accesso a informazioni distribuite
• diminuire errori e rilavorazioni
• riconoscere anomalie difficili da individuare manualmente
• accelerare l’analisi di grandi quantità di dati
• supportare una decisione
• automatizzare passaggi tra sistemi differenti
• gestire più rapidamente richieste o eccezioni ricorrenti

Il valore dell’AI dovrebbe poter essere collegato a uno di questi risultati. Altrimenti il rischio è valutare il progetto sulla base della capacità della tecnologia anziché sull’effetto prodotto sul business.

 

1. Quando l’attività è frequente e assorbe molto tempo.

Il primo criterio riguarda frequenza e volume.

Una piccola attività ripetuta innumerevoli volte può rappresentare un’opportunità più interessante di un’attività molto complessa eseguita soltanto occasionalmente.

Pensiamo alla classificazione di documenti, alla ricerca di informazioni, alla gestione di richieste ricorrenti, alla verifica preliminare di dati o alla preparazione di analisi standard.

Il singolo risparmio può essere limitato. Però, se moltiplicato per il numero di operazioni, persone coinvolte e mesi di attività, esso può diventare significativo.

L’AI diventa interessante quando riesce a ridurre una parte consistente di un lavoro ripetitivo senza introdurre un livello di rischio sproporzionato.

 

2. Quando il lavoro consiste soprattutto nel cercare e interpretare informazioni.

Una seconda area particolarmente adatta riguarda i processi “knowledge-intensive“.

In molte aziende una parte significativa del tempo non viene utilizzata per produrre nuova conoscenza, ma per recuperare quella che già esiste.

Documenti. Procedure. Email. Manuali. Progetti precedenti. Decisioni. Ticket. Informazioni contenute nei sistemi gestionali. Esperienze delle persone.

Non necessariamente che manchi l’informazione il problema. L’informazione spesso è disponibile, ma risulta distribuita tra strumenti differenti e di conseguenza difficile da ricondurre al contesto corretto.

Questo è uno degli ambiti nei quali l’AI può produrre un impatto immediato, perchè consente alle persone di partire dalla domanda anziché dal luogo nel quale pensano sia archiviata la risposta.

Ma anche qui esiste una condizione.

La qualità dell’AI dipende in primis dalla qualità del patrimonio informativo al quale può accedere.

Informazioni obsolete, contraddittorie, non validate o prive di autorizzazioni adeguate non diventano affidabili semplicemente perché vengono interrogate attraverso un modello AI.

È per questo che gestione della conoscenza e Intelligenza Artificiale stanno diventando due temi sempre più collegati. Questo è di fatto il principio che sta alla base di AIM Bridge: strutturare e rendere utilizzabile il know-how prima ancora di chiedere all’AI di utilizzarlo.

 

3. Quando esistono grandi quantità di dati difficili da analizzare manualmente.

Esiste poi un’altra categoria di processi nella quale l’AI può generare valore: quelli dove una persona deve interpretare più informazioni di quante possa realisticamente analizzare in modo continuativo.

Può accadere nel controllo di transazioni, andamenti economici, scostamenti, dati operativi, performance di processo, grandi quantità di documenti…

In questo caso l’AI non necessariamente sostituisce la decisione, anzi può assumere un ruolo diverso: ridurre il campo di osservazione, individuando ciò che merita attenzione.

Il principio è smettere di analizzare tutto manualmente, iniziando ad utilizzare l’AI per capire dove guardare. Questo tipo di applicazione è particolarmente interessante nei contesti in cui esistono dati numerosi e frequenti e il valore deriva dalla capacità di individuare rapidamente un’anomalia, uno scostamento o un pattern significativo.

 

4. Quando esistono decisioni ripetitive, ma non completamente deterministiche.

Le automazioni tradizionali funzionano molto bene quando: se accade A > esegui B.

Non tutti i processi, però, sono così lineari.

Esistono attività nelle quali bisogna interpretare informazioni non strutturate, valutare il contesto e scegliere tra più alternative.

È uno dei territori nei quali gli agenti AI stanno ampliando le possibilità di automazione.

SAP descrive, ad esempio, i propri Joule Agents come “sistemi capaci di utilizzare dati e conoscenza dei processi aziendali per analizzare informazioni, suggerire azioni ed eseguire workflow articolati attraverso più strumenti e sistemi”.

Questo rende candidati interessanti processi nei quali esiste una combinazione di regole, contesto ed eccezioni ricorrenti.

Ma introduce anche una distinzione importante. Più una decisione produce conseguenze economiche, legali, operative o reputazionali rilevanti, maggiore deve essere il livello di supervisione. Non tutta l’autonomia tecnicamente possibile è necessariamente desiderabile.

 

5. Quando un processo attraversa molti sistemi e richiede coordinamento manuale.

Un altro segnale interessante è la presenza di persone che svolgono un ruolo “ponte” tra sistemi.

Estraggono un dato da SAP. Lo riportano in Excel. Recuperano un’informazione da un’altra applicazione. Inviano una mail. Attendono una risposta. Aggiornano nuovamente il gestionale.

In questi casi potrebbe essere un problema di integrazione, di automazione oppure una combinazione delle due.

In questo contesto l’AI può diventare utile quando, oltre a trasferire informazioni, è necessario comprenderle e utilizzarle per determinare il passaggio successivo.

È proprio su questo terreno che l’AI agentica sta progressivamente spostando il confine tra assistenza e automazione: non soltanto generare una risposta, ma coordinare attività all’interno di processi che attraversano funzioni e sistemi differenti.

Va specificato che questo non elimina l’esigenza di integrazione, al contrario invece,più l’AI deve agire, più deve essere chiaro a quali sistemi può accedere, quali dati può utilizzare e quali operazioni è autorizzata a eseguire.

 

6. Quando il costo dell’errore è compatibile con il livello di autonomia.

Frequenza e potenziale beneficio non sono sufficienti per scegliere un processo. Serve considerare anche il costo dell’errore.

Un’AI che suggerisce il documento probabilmente pertinente e un’AI che autorizza autonomamente un pagamento operano su livelli di rischio completamente diversi.

Per questo la valutazione dovrebbe considerare insieme almeno tre dimensioni: valore potenziale, affidabilità richiesta e impatto dell’errore.

Nei processi a basso rischio può essere ragionevole concedere maggiore autonomia.

Nei processi più critici invece, può essere preferibile utilizzare l’AI per:

• preparare l’analisi
• proporre un’azione
• evidenziare un’anomalia
• raccogliere le informazioni
• predisporre una decisione

lasciando invece l’approvazione finale a una persona.

Questo è coerente con un principio più ampio di AI governance: il rischio deve essere valutato lungo l’intero ciclo di vita della soluzione, dalla progettazione all’utilizzo e alla verifica. Il framework NIST sull’AI Risk Management identifica proprio sicurezza, affidabilità, trasparenza, accountability e gestione del rischio come elementi da considerare nell’introduzione dei sistemi AI in azienda.

 

Da dove partire?

Per individuare i primi use case, può essere utile classificare le attività osservando quattro variabili.

1. FREQUENZA: quanto spesso viene svolta?
2. TEMPO: quante ore assorbe complessivamente?
3. COMPLESSITÀ INFORMATIVA: quante informazioni devono essere cercate, lette, confrontate o interpretate?
4. RISCHIO: qual è la conseguenza di una risposta o di un’azione errata?

I candidati iniziali più interessanti tendono a trovarsi dove frequenza, tempo e complessità informativa sono elevati, mentre il rischio può essere controllato.

Un progetto AI dovrebbe poi essere valutato anche rispetto alla disponibilità e alla qualità dei dati, alle integrazioni necessarie e alla possibilità di misurare il risultato ottenuto.

 

Non sempre la risposta è Intelligenza Artificiale.

Questo è probabilmente uno degli aspetti più importanti. Alcuni problemi si risolvono meglio con:

• modifiche del processo
• integrazioni 
• regole automatiche
• nuove funzionalità dell’ERP
• migliore struttura dei dati
• revisione delle responsabilità

Utilizzare un modello AI per un’attività completamente deterministica può essere inutile.

Allo stesso modo, introdurre un agente per compensare sistemi che non comunicano può nascondere un problema di architettura che dovrebbe essere affrontato direttamente.

A volte la tecnologia corretta non è necessariamente quella più avanzata. È quella proporzionata al problema.

Questo principio è particolarmente importante negli ecosistemi SAP, dove automazione tradizionale, workflow, integrazioni, funzionalità standard, analytics e Business AI possono intervenire su parti differenti dello stesso processo.

 

Dall’assistente all’agente: perché la scelta dei processi diventa ancora più importante.

L’evoluzione attuale dell’AI enterprise rende questa analisi ancora più necessaria. Ad oggi gran parte dell’adozione aziendale ha riguardato strumenti capaci di: 

scrivere → sintetizzare → cercare → analizzare → suggerire

Con gli agenti AI il perimetro si amplia con:

comprendere → decidere → coordinare → agire

SAP ha sintetizzato questa evoluzione nella propria visione dell’“Autonomous Enterprise”, nella quale l’AI viene collegata direttamente a processi, dati e governance aziendale per poter operare all’interno dei workflow mission critical.

Più aumenta la capacità di azione dell’AI, più diventa fondamentale scegliere correttamente: processo, perimetro, dati accessibili, autorizzazioni, condizioni di escalation, livello di autonomia, supervisione umana, metriche attraverso cui misurare il risultato

Il tema, quindi, non riguarda soltanto introdurre l’AI, ma progettarne il ruolo all’interno dell’organizzazione.

 

L’AI produce valore quando interviene sul problema giusto.

L’Intelligenza Artificiale offre oggi possibilità che soltanto pochi anni fa sarebbero state difficili da immaginare. Questo, però, non rende automaticamente valido ogni caso d’uso.

Un progetto utile nasce dall’incontro di tre elementi: un problema reale, informazioni sufficientemente affidabili e un risultato misurabile.

Per questo il primo investimento non dovrebbe necessariamente essere nella tecnologia ma nella capacità di scegliere correttamente dove applicarla.

AIM Major affianca le aziende nell’analisi dei processi e nell’individuazione dei casi d’uso nei quali Intelligenza Artificiale, automazione e integrazione possono generare un valore concreto, mantenendo la tecnologia coerente con sistemi, dati e modalità operative esistenti.

Contattaci per valutare insieme da quali processi può essere utile iniziare.