top of page

//Assumere un'AI in Azienda. Parte 1: la solitudine del manager ai tempi dell’AI

Tutto sarà impattato dall’AI. Tutto va rivisto alla luce dell’AI!

Imprenditori, manager, professionisti, e ogni tipo di lavoratore, studenti inclusi sono spesso da soli ed in piena FOMO (Fear Of Missing Out) !

La visione, anche da me diffusa, che nel 2030 non esisteranno aziende senza AI al centro dei processi, sta generando molta ansia in manager, imprenditori, professionisti che sentono il bisogno di non rimanere indietro.

Il mantra è di adottare qualunque cosa purché sia AI. Purché porti la tua azienda ad avere un AI CORE.

Ed è tutto urgente. Davvero ?


Il web è pieno di esperti (e santoni) che forniscono soluzioni immediate ad ogni problema, che forniscono trucchi, liste di prompt pronti e come sempre la miglior applicazione che puoi iniziare ad usare subito.

Ma sappiamo bene che la complessità ha i suoi tempi e le sue regole, che una nuova tecnologia richiede tempo per essere applicata, che improvvisare non produce necessariamente risultati utili.

E con le AI si rischiano scelte improvvisate, poco ragionate, che portano ad introdurre in azienda oracoli improvvisati cui si ambisce di delegare la soluzione di ogni processo, anche il meno adatto, dimenticando che non possono fornire il 100% di attendibilità per loro stessa natura.


E quindi che dobbiamo fare?

Ovviamente non c’è una risposta universale.

Credo che la prima cosa da fare sia comprendere cosa stia accadendo in modo più approfondito, e cosa sia necessario fare per prepararsi.


Con questo post inizierò ad entrare un po’ di più nel mondo aziendale con le Gen AI, dopo averle sperimentate direttamente in diverse occasioni.

Non potrò approfondire tutti gli argomenti e mi aspetto che questo articolo muterà nel tempo perché le cose continuano ad evolvere. Ma l'obiettivo è quello di condensare un po' di conoscenza per permettervi di decidere meglio.


Cosa sono i Foundation Models?

Nel marasma di app che sembrano tutte uguali è importante capire che partono tutte dalle stesse basi.

I Foundation Models sono delle AI basate su modelli di apprendimento profondo, pre-addestrati su grandissime quantità di dati di provenienza molto eterogenea. Includono quindi sia gli algoritmi, che i parametri, che i dati. Questo permette loro di acquisire una comprensione generale delle strutture e dei pattern nei dati, come la grammatica in un testo o le caratteristiche di un immagine.

Una volta addestrati, non cambiano più ma sapranno lavorare su nuovi contenuti che gli forniamo paragonandoli a quanto già conoscono.


Quindi:

  • non conoscono le varianti di colore del vostro prodotto XYZ, a meno che non siano stati addestrati su quel contenuto (che magari era pubblico nel vostro sito web prima del loro addestramento),

  • hanno bisogno che gli spieghiate chi siete ogni volta che parlate con loro,

  • non ricordano le vostre conversazioni né tantomeno utilizzano conversazioni di altri per cercare risposte da dare a voi.


I più famosi sono:

Ma l’elenco sta crescendo ogni giorno, stanno nascendo i modelli open source come LLaMa 2, Falcon e migliaia di altri. Di cui ho già parlato e parlerò nel blog.


Come li possiamo utilizzare?

Li conosciamo per averli usati tramite interfacce come le Chat ma, quando parliamo di utilizzo aziendale, è importante far notare che i più importanti forniscono accesso tramite modalità diverse.

È importante quindi considerare che, in azienda, si possono usare in diversi modi:

  1. Tramite Chat Chat GPT, Claude, Bard, Bing ci hanno abituati ad un sistema di Chat nel quale inseriamo dei prompt più o meno strutturati, copincolliamo un sacco di informazioni e premiamo invio, sperando di entrare in una conversazione interessante, attraverso un’interfaccia che ci viene fornita tipicamente dal produttore del modello AI prescelto. Rimanendo succubi delle condizioni generali che spesso indicano che i dati forniti saranno da loro utilizzati per addestrare nuovi modelli (e non quello che state usando in quel momento). Spesso offrono funzionalità che sono disponibili solo in questo modo. Ad esempio Open AI Fornisce un’interfaccia che apre ai plug-in di terze parti o a code-interpreter che, per ora, sono disponibili solo in quella modalità.

  2. Soluzioni specializzate e Plug-In “You’ll stop using Chat GPT after you’ll install this extension!”: è uno dei tanti messaggi marketing che si trovano sulle MIGLIAIA di piccoli produttori che sviluppano Interfacce Utente alternative a quella di Chat GPT per integrarle nei browser, nei motori di ricerca, in software pre-esistenti che aggiungono funzionalità AI più o meno utili alle proprie funzionalità.

  3. Utilizzo tramite API Le API (Application Programming Interface) sono interfacce non grafiche ma applicative che espongono funzioni e procedure di un sistema esistente. Permettono quindi di effettuare chiamate tra diverse applicazioni o direttamente o attraverso piattaforme di integrazione. OPENAI è stata la prima a rilasciare le proprie API per permettere di integrare le proprie soluzioni esistenti ed aggiungere funzionalità AI decisamente più ‘sotto controllo’ rispetto alle soluzioni precedenti. E fornendo anche policy di data protection che garantiscono che i vostri dati non vaghino nel cloud senza controllo.

  4. Fine Tuning & RAG Utilizzando le API è possibile fare Fine Tuning sui modelli, ovvero "integrarli" con una serie di Domande e Risposte basate sui vostri dataset statici in modo che ricordino sempre chi siete, cosa fate, dove andate. È anche possibile sviluppare soluzioni ibride di RAG (Retrieval-Augmented Generation) ovvero integrare un 'motore di ricerca' all'LLM per ottenere dati freschi automaticamente nel prompt (mi perdonino i puristi per queste mie semplificazioni.)

  5. Utilizzo di modelli Privati Come accennavo sopra, stanno nascendo nuovi modelli più 'portatili', in grado di essere estremamente personalizzati per scopi specifici con il fine-tuning ed altre tecniche che li renderanno molto più adatti alla vostra realtà. Cito ad esempio LLaMa 2 e Falcon ma la lista è molto lunga ed in crescita. I vantaggi? Sicurezza e controllo nei dati, Riduzione del Lock-in con i big player, controllo dei costi e soprattutto estrema personalizzazione. Di contro richiedono skill tecnici interni e costi di progettazione elevati.



L'approccio che potete tenere rientra più o meno in queste categorie. Ho distinto il prompting in Basic Prompts / Engineered Prompts per sottolineare l'importanza di un approccio professionale al prompting. Ne parleremo meglio nei prossimi post.

Comprendere questo è un passo essenziale prima di pensare di ‘Assumere un’AI in azienda’. Ma è importante innanzitutto dargli un ruolo.


Ma chi (o meglio: cosa) stai pensando di assumere?

Un Copilota, un assistente, un CEO ?

Il migliore esempio, me lo ha fornito Aditya Paul Berlia, imprenditore e divulgatore indiano con cui, insieme ad un nutrito gruppo di imprenditori, stiamo seguendo le evoluzioni delle Gen AI.

Durante un bellissimo workshop sulle AI, organizzato con YPO, ha raccontato quanto segue:

“Immagina, con le AI, di aver assunto un nuovo stagista incredibilmente talentuoso, laureato sia a Harvard che a Stanford in numerose discipline umanistiche e tecniche. Questo stagista sa praticamente tutto su qualsiasi argomento tu possa immaginare. Tuttavia, non sa nulla della tua azienda specifica. Non può far nulla se prima non gli racconti chi sei, quali sono i tuoi obiettivi, come vuoi arrivarci.

Avere a disposizione un'intelligenza artificiale di ultima generazione è esattamente questo: uno stagista bravissimo con una vasta conoscenza che può fornirti risposte su quasi ogni argomento, lavora 24/7, non si lamenta. Ma per ottenere il massimo da lui in relazione alla tua impresa, dovrai formarlo e insegnargli tutto sulla tua azienda. Se non lo fai, le sue risposte saranno sempre basate su teorie generali e non su informazioni specifiche della tua realtà aziendale. E non ti serviranno a nulla.”


È una linea guida che suggerisco a tutti gli imprenditori, professionisti e manager, per iniziare ad avere a che fare con le Gen AI: possiamo quindi pensare di avere un assistente personale estremamente evoluto sempre a disposizione e che può collaborare con tutti i nostri colleghi ad ogni livello. Ricordandoci che poi la responsabilità delle scelte e dei contenuti rimane nostra.

 

La peggior AI a disposizione

Nello stesso workshop ho registrato un'altra frase di Adi da tenere sempre in mente:


Oggi stiamo usando la peggior versione di Gen AI possibile. Il meglio deve ancora venire.”


E il consiglio è di mantenere lo stesso approccio in azienda: è un mondo estremamente fluido in rapido cambiamento e, come spesso accade per la tecnologia, ciò che è fondamentale oggi diventa sbagliato (e dannoso) domani.


Quindi è bene tarare le aspettative. In questi e nei prossimi mesi saremo bombardati di idee ed applicazioni AI fantastiche che vorremo adottare subito. Ma c’è bisogno di disciplina e metodo. Di chiedersi cosa realmente ci serve e di comprendere a fondo le potenzialità di questi strumenti.

La FOMO non paga.


Nuovi approcci in azienda: azioni utili.

Proviamo quindi a capire come bisognerebbe prepararsi all'arrivo di un'AI in azienda.


1. Ruoli in Azienda

La prima cosa che viene in mente di fare è nominare il responsabile dell’AI in azienda.

Ma, mai come in questo momento storico, si tratta di una non-scelta.


L’head of AI deve essere il CEO, ovvero chi ha la visione completa dell’azienda.

Rileggete la frase sopra perché è importante.

Con tutto il rispetto per IT Manager e CTO che poi dovranno sicuramente occuparsi di implementarla, credo che il CEO debba comprendere a fondo le implicazioni di questa tecnologia. Ha a che fare con un nuovo tipo di risorsa ed ha bisogno di studiarla e di sporcarsi le mani in prima persona. Un po' come quando sono usciti i PC e si è iniziato a parlare di Hardware e Software per le prime volte.


E non parlo solo di LLM (Multimodali, quindi dal testo, alle immagini, al suono) ma anche di, almeno, accenni di Machine Learning, Reti Neurali, Deep Learning.

È utile saper distinguere le diverse capacità degli LLM: NLU (Natural Language Understanding), NLG (Natural Language Generation), Question Answering, Summarization, Translation, Sentiment Analysis, Code Generation (!), Conversational Agents, Content Completion, Tutoring, Pattern Recognition e le loro abilità di simulazione di personaggi e ruoli nonché avere chiare le modalità di adozione viste sopra.


Ma i CEO a volte sono troppo visionari anche rispetto al loro primo livello di management perché viaggiano troppo avanti. E se sono troppo veloci rischiano di lasciare qualcuno troppo indietro. Ecco perché lo staff va a sua volta formato e responsabilizzato, indipendentemente dal ruolo o dalle skill tecnologiche.

Quindi vanno definiti vari “AI Advisor”. Ovvero i responsabili dei vari reparti e divisioni che devono, a loro volta in prima persona, comprendere cosa stia accadendo là fuori e trasmetterlo al proprio team. A regime, dovranno assicurarsi che ogni reparto stia sfruttando al meglio l’AI per fare il suo lavoro.

Gli imprenditori, i manager, i professionisti devono COMPRENDERE l’AI, la tecnologia che ci sta dietro, prima di guidare i ‘tecnici’.

Più avanti, tra parecchi mesi, si potrà parlare di delegare questo ruolo.

Il mondo è cambiato, di nuovo.

Nota

2. Co-design dei Sistemi AI:

Collaborare con team multidisciplinari è fondamentale per creare soluzioni AI innovative e robuste. La diversità di competenze e prospettive può portare a risultati sorprendenti. Soprattutto quando tutti sono a conoscenza delle possibilità a loro disposizione dalla tecnologia.

Quindi basta ai progetti fatti solo da 'tecnici'.


3. Approccio Agile con Cicli Iterativi:

L'agilità nel processo di sviluppo, test e feedback continuo dagli utenti è essenziale. È un metodo che permette di adattarsi rapidamente alle esigenze in continua evoluzione del mercato. Si abusa del termine Agile e se ne è parlato fin troppo negli ultimi anni ma quando ben applicato può portare a risultati estremamente interessanti. Nell'AI è a mio avviso essenziale.


4. Sperimentazione e Deployment Graduali:

Prima di una completa messa in produzione, è saggio sperimentare e implementare gradualmente le soluzioni AI.

Questo permette di individuare e correggere eventuali problemi in una fase precoce.

Piccoli passi, prototipi e piccoli risultati sono un ottimo inizio.

Risoluzione di piccoli problemi prima e revisione di interi processi o modelli di business più avanti, quando il team è allineato e si è compresa la rotta.


5. Interoperabilità e integrazione:

Assicurarsi che i sistemi AI possano comunicare e funzionare con altri sistemi è vitale. L'integrazione fluida può migliorare l'efficienza e l'efficacia delle soluzioni AI all'interno dell'organizzazione. Oggi esistono tonnellate di soluzioni di integrazione molto semplici da utilizzare per generare flussi di lavoro estremamente robusti e contemporaneamente flessibili e innovativi.

E se ricordate: state usando la versione peggiore di AI oggi disponibile quindi avrete necessità di cambiarla in fretta ad un certo punto.


6. Documentazione Trasparente:

La trasparenza nelle metriche di performance, nei dati utilizzati e nelle logiche implementate è fondamentale. Fornisce una chiara comprensione di come funzionano i sistemi AI e contribuisce a costruire la fiducia.

È un concetto talmente ovvio e a cui non si da valore con frequenza altrettanto alta di quanto sia importante.


7. Framework di Governance dell'AI:

Gestire questioni etiche, legali e di conformità normativa è un aspetto cruciale. Un solido framework di governance aiuta a navigare in questo complesso panorama, garantendo che le soluzioni AI siano allineate con i valori e le leggi. Altro tema immenso che però non tratterò qui.


8. Sicurezza e Protezione dei dati:

Ultimo ma solo per dargli più peso. Non serve rimarcare che la sicurezza dei dati e la protezione delle informazioni sensibili sono fondamentali.

Implementando l’AI stiamo aprendo dati sensibili nostri o dei nostri stakeholders ad aziende spesso neonate o con policy di sicurezza e protezione sul trattamento dei dati a dir poco discutibili.

Chiediamoci sempre quale sia il business model dell’ennesimo fornitore che propone soluzioni mirabolanti a poco prezzo. Spesso ciò accade perché il possesso dei dati da parte loro vale molto più del trascurabile canone mensile che vi chiedono.

È fondamentale anche dare il giusto peso ad ogni ambito: non ha senso proteggere con Fort Knox dati che normalmente circolano in azienda sui vari cloud drive o nelle mail di ogni collaboratore.


 

Spesso quando parlo con imprenditori e manager chiedo loro, per quanto hanno sentito dire, che aspettative hanno dalle Gen AI. A volte ne sento di imbarazzanti per quanto sottostimano le problematiche sottese alla loro implementazione. È vero che sembra tutto molto semplice ma, dimensionare le aspettative è molto utile, oltre che per evitare delusioni, anche per ridurre la probabilità di fare investimenti sbagliati.


Aspettative corrette


✅ I risultati devono essere ‘abbastanza buoni’ non perfetti. I Foundation Models come abbiamo detto sono modelli statici che usano nuove informazioni, le paragonano a quanto hanno appreso, e CERCANO di dare delle risposte per noi sensate. Il più delle volte ci riescono molto bene, soprattutto se i prompt sono adeguati (qui un mio contributo sulle aspettative nelle conversazioni con le AI). Ma non ci garantiscono il 100% di perfezione ed assenza di allucinazioni. Se cercate il 100% preparatevi ad investimenti diversi o, quantomeno, ad utilizzare assieme alle AI anche tecnologie più tradizionali.

✅ Le Gen AI devono ridurre i vostri costi o aumentare i vostri guadagni. Altrimenti sono tempo perso. E non mi sento di prolungarmi oltre su questo chiarissimo argomento. Ma le AI possono generare un sacco di Vanity Metrics: informazioni che è bellissimo evidenziare per mostrare che si stanno ottenendo risultati ma non sono correlate all’andamento dei costi o dei ricavi o, più spesso, sono falsamente correlate.

✅ La magia, l’istantaneità NON esistono. Per fare le cose ci vuole tempo. Lo stato dell’arte degli LLM, dei sistemi di integrazione e la facilità di sviluppare interfacce “AI Centriche” permettono ad oggi di realizzare dei meravigliosi luna park in pochissimo tempo. Ma portare in produzione nuovi processi non è mai a costo zero, non accade troppo in fretta. Si possono ottimizzare solo due tra tempo di realizzazione, qualità dei risultati, costo di implementazione. Ho preso in prestito questo detto che circola da parecchio tempo nel mondo della consulenza. Rileggetelo e dimostratemi che è non vero: sono pronto a cambiare idea. 😊

✅ L’AI è uno strumento non un oracolo o un dio onnipotente. Stiamo parlando di software, evolutissimo, meraviglioso, facile da imparare (per iniziare) ma soggetto agli stessi problemi di ogni altro strumento basato su dati e algoritmi che adottate in azienda. I passi da fare sono sempre gli stessi: dalla selezione dello strumento giusto, alla sua implementazione in azienda, alla formazione delle persone partendo dalla ricerca dei processi che più lo meritano.

✅ Quella in circolazione è la peggior versione delle AI disponibile. Repetita iuvant. Non c’è mai stato un periodo come questo in cui ogni ‘applicazione’ ha a disposizione così tante ‘soluzioni’, così numerose APP diverse, per ottenere lo stesso risultato. Ed il lavoro dietro le quinte che molte aziende stanno facendo, sta portando a versioni sempre migliori di ogni soluzione. Quindi non fissatevi su una tecnologia o un’azienda che oggi sembra la migliore: domani cambierà. E nella vostra integrazione dovrete tenerne conto usandone diverse contemporaneamente e lasciando nel tempo vincere le migliori.

Aspettative errate


❌ Che abbia la visione globale delle cose. Che conosca tutto. I modelli conoscono i dati su cui sono stati addestrati più eventuale Fine Tuning o embedding (di cui mi rendo conto dovrò parlare in dettaglio a breve) più il poco contesto che gli fornite nel prompt. Parliamo ad oggi tra i 4k ed i 100k tokens. Che non sono pochi (La Divina Commedia ha circa 101.000 caratteri) ma nemmeno moltissimi quando si parla di risoluzione di problemi complicati o di dati di partenza molto sporchi. Calcolate che ogni token corrisponda a circa 5-6 caratteri per fare i calcoli.

❌ Che sia semplicissimo implementarla in fretta e correttamente. Vedi tutti i punti sopra. È molto semplice partire, più difficile mantenere una rotta in questa burrasca di nuovi annunci e contraddizioni giornaliere.

❌ Che prenda iniziativa da sola e risolva tutti i vostri problemi. L’AI non ha fini se non i vostri. Non ha obiettivi se non quelli, specifici, che gli date voi. Si sta lavorando agli agenti autonomi, certo, ma ogni iniziativa in azienda parte da voi, dai vostri collaboratori o da uno dei vostri stakeholder umani e finisce quando questo è soddisfatto. Nemmeno la Gen AI potrà avere un’obiettivo del tipo “Tieni in ordine l’azienda, falla crescere e prosperare, risolvi i problemi che verranno!”. Avremmo bisogno di un’AI assunta come CEO. Ma ne riparliamo tra qualche anno.

Nota: Questo prompt “Tieni in ordine l’azienda, falla crescere e prosperare, risolvi i problemi che verranno!” mi fa però molta paura, perché non contiene vincoli. Darlo in pasto ad una Intelligenza Artificiale Generale, se conoscete la teoria delle graffette di Bolstrom, genererebbe forse la fine del mondo.


❌ Che sia sufficientemente avanzata per affrontare tutti i problemi. Banalizzo dicendo che non possiamo pensare di sviluppare un’ERP con l’AI. Anche se sicuramente potrà utilizzare i vostri sviluppatori a creare nuovo software per l’ERP in modo più evoluto. Però non può risolvere ogni angolo buio della vostra azienda. Va applicata, per ora, solo ad alcune aree e per determinati scopi. Ne parlerò a lungo nel prossimo post.


❌Che pulisca "presto e bene" i vostri “sporchi dati” Il detto Garbage In Garbage Out rimane valido nel mondo degli LLM. Se fornite dati sporchi ad un algoritmo otterrete risultati sporchi. E quindi:

Dati Sporchi > Risultati AI Scarsi > Risultati di Business Scarsi.

L’AI può fare un gran lavoro per pulire alcuni dataset, classificarli, normalizzarli ma spesso non sarà sufficiente.

E a proposito di questo:

Hai il pieno possesso dei tuoi dati ?


Intendo: ogni sistema adottato in azienda, ogni processo che esegui, ogni software in sostanza, ti fornisce i dati aggiornati in tempo reale?

Sei padrone di queste informazioni o il tuo fornitore è reticente?

Se non hai queste informazioni sei libero di minacciarlo e dirgli che non ti fidi di lui.

E in ogni caso per dati non intendo soltanto PDF, eMail, documenti, fogli di calcolo e presentazioni ma dati strutturati disponibili per essere dati in pasto alle GEN AI per ottenere informazioni corrette e ridurre le allucinazioni.

Servono dati strutturati, puliti, accessibili.


Inoltre i dati servono a poco se non conosci i tuoi processi.

Conosci i tuoi processi ?

Intendo: sono documentati, chiari, aggiornati? Esistono su fogli di carta/pdf o sono strutturati su documenti elettronici o gestiti da software di workflow?

Senza capire quali processi girano in azienda, senza arrabbiarsi perché non sono sufficientemente documentati, aggiornati, accessibili, sarà difficile comprendere come innescare le AI in processi che riducano i costi o aumentino i ricavi.


Mi fermo qui per ora. So che la vostra attenzione ha dei limiti (La mia sicuramente molti di più) e in questo momento avete cose importanti da fare🙂.

Sono molto curioso però di sapere cosa ne pensate, scrivetemi o commentate perché nel prossimo post entreremo molto più sul pratico per cercare di capire i passi da fare.


Qui un glossario dei termini 'Troppo AI' utilizzati nel post.

 

Alla prossima!

Massimiliano Turazzini


Comments


bottom of page