Fast forward on AI

Prima ci siamo chiesti se le macchine possono pensare, e Turing ha ipotizzato un test per valutare la capacità di interazione delle macchine con l’essere umano. Poi abbiamo provato a sintetizzare il nostro modo di pensare con un approccio simbolico. Poi ci siamo chiesti se noi davvero pensiamo simbolicamente, e ci siamo risposti che no, noi in realtà impariamo empiricamente, e quindi forse anche le macchine possono farlo. Dai sistemi esperti si è passati al machine learning. Man mano che il potere computazionale ce lo permetteva, gli algoritmi sono diventati sempre più complessi. Le macchine hanno imparato a vedere, ascoltare, poi parlare e interagire. Alla fine, il primo prodotto di massa basato su un sistema di AI generativa non ha sfondato la barriera dell’accessibilità, rendendo l’AI personal – un po’ come il passaggio da computer a personal computer. Siamo nel pieno della corsa a chi migliora di più, mentre i governi si dividono sull’approccio e la strategia da seguire.

E in industria? Il 2025 si apre con promesse e use case già sperimentati, in un settore in cui le tecniche data driven sono già attive da un po’. Proviamo quindi ad approfondire quel che è stato e valutare quel che sarò basandoci sul report del World Economic Forum in collaborazione con Accenture​.

Dove siamo arrivati?

In industria l’AI è già ampiamente diffusa, con sistemi di riconoscimento immagini per la qualità e la gestione di processo, modelli di ottimizzazione delle performance e di manutenzione predittiva e analitiche avanzate a servizio della diagnostica e del supporto. L’AI generativa sta prendendo piede, con un 65% degli intervistati che conferma di utilizzare strumenti di AI generativa in almeno una funzione, e addirittura l’82% che percepisce l’AI generativa come forte leva di reinvention (parola difficilmente traducibile in italiana che vuol dire ‘trasformazione radicale del modo di lavorare, tanto che sembra un lavoro totalmente nuovo‘).

L’adoption di soluzioni di AI in generale varia molto da industria a industria, con strategie di utilizzo differenziate a seconda del core business e del tipo di valore e di servizi proposti. Le aziende che si basano di più su soluzioni mediate da AI generativa sono quelle in cui il capitale umano e il dato destrutturato sono maggiormente presenti – settore medicale, finanziario, delle comunicazioni e della consulenza – mentre chi lega il core business al processo è più concentrato su soluzioni di AI analitica. In particolare nell’ambito industriale – manifattura ed energia – gli investimenti AI si concentrano sullo sviluppo di soluzioni di ottimizzazione, manutenzione predittiva e controllo qualità:

• Telecomunicazioni: Espansione dei casi d’uso di AI per migliorare l’efficienza, ottimizzare il servizio clienti e automatizzare la gestione delle reti.
• Energia: Trasformazione delle operazioni con AI per ottimizzare la produzione e l’uso di energia, migliorare la gestione delle reti e promuovere la sostenibilità.
• Manifattura avanzata: Utilizzo dell’AI per manutenzione predittiva, controllo qualità e automazione dei processi produttivi.

Cosa succede in Italia

Il report citato mostra risultati a livello globale. Nell’industria italiana nello specifico osservo fortemente l’approccio PMI dalla strategia corporate. Le PMI si stanno avvicinando alla tecnologia alla ricerca di strumenti plug-and-play, tipicamente basati sulla genAI o ai sistemi di ottimizzazione, con l’obiettivo di risolvere problemi reali e urgenti. Le richieste sono legate soprattutto al supporto nei processi di vendita, all’ottimizzazione di pianificazione e risorse e in generale a strumenti con outcome che abbia un impatto diretto sulla riduzione dei costi.

Le corporate ormai da qualche anno stanno invece investendo nella costruzione di team di data science interni, in grado di sostenere sia richieste puntuali sia sperimentazioni più ampie e con impatto più diluito nel tempo, in modo da garantire la proprietà dei modelli e legare le soluzioni alle specificità del core business.

L’AI generativa ci fa lavorare meglio

L’aspetto interessante che emerge da questa ricerca è lo shift di aspettative nei confronti di questa nuova famiglia di metodi AI. Se le prime sperimentazioni si concentravano sull’automatizzazione di processi e l’aumento delle performance grazie a risorse ridotte (l’AI ci ruberà il lavoro!), ci si è presto resi conto che il vero game changer è sulla produttività delle persone. Chi ha adottato soluzioni di AI generativa a supporto del personale sta già registrando un aumento del 4.5% del rapporto costi-efficienza nel lavoro delle persone, con un una produttività più che raddoppiata e risparmi nell’intorno del 13%. Sò numeri!

Nel settore industriale e delle utilities si conferma quanto era stato già previsto negli anni passati, con una percentuale di task potenzialmente aumentati o automatizzati inferiore a settori come i servizi finanziari o lo sviluppo software.

La sfida dell’adoption

I numeri e il beneficio potenziale sono molto interessanti, tuttavia il 74% delle aziende che hanno partecipato alla survey sono d’accordo nel dire che la vera sfida non è la sperimentazione ma l’adozione vera e propria di soluzioni su scala più ampia, e solo il 16% è preparata alla famosa reinvention.

Il percorso per arrivare ad un impatto diffuso coinvolge necessariamente tutti gli strati dell’azienda, con una visione top down ma spesso sperimentazioni bottom up che partono dalle business units e vengono amplificate e valorizzate dalle aziende. E – come al solito – alla base di tutto c’è una data strategy definita e il sostegno di infrastrutture informatiche sufficientemente flessibili e scalabili.

Ci sono però dei facilitatori per rendere più facile questo percorso. Secondo il report, per scalare l’AI servono infatti sei fattori chiave:

1. Ecosistema collaborativo – Creazione di ambienti in cui la conoscenza può essere condivisa in sicurezza.
2. Fiducia e trasparenza – Garantire che i sistemi AI siano affidabili, equi e responsabili.
3. Autoregolamentazione – Definizione di standard etici interni.
4. Gestione del talento – Riqualificazione dei dipendenti per lavorare con l’AI.
5. Cybersecurity – Protezione dei dati e dei sistemi AI.
6. Infrastruttura digitale solida – Creazione di un core digitale scalabile​.

Garantendo queste attenzioni, la probabilità di costruire una strategia di adozione dell’AI solida aumenta.

Cosa ci aspetta?

L’hype dell’intelligenza artificiale generativa probabilmente trascinerà tutti gli altri campi direttamente o indirettamente collegate allo sviluppo di soluzioni data driven: sensorizzazione, investimenti in trasformazione digitale, analitiche avanzate e BI. Un po’ per la paura di rimanere indietro, un po’ per la sempre più ampia diffusione di prodotti e sistemi facilmente scalabili, i sistemi di AI diventeranno sempre più una commodity. La richiesta di sistemi di AI inoltre spingerà l’industria a ragionare in modo sempre più integrato, investendo in data strategy e valorizzando sempre di più la possibilità di fuggire dai silos di dati. Le aziende migreranno progressivamente da applicazioni isolate a ecosistemi connessi, dove l’IA interagirà con IoT e sistemi cloud, rendendo l’impatto e il potenziale di ottimizzazione più ampio e diffuso.

Tuttavia, per massimizzare i benefici dell’IA, le organizzazioni devono affrontare sfide legate alla fiducia e alla formazione. Un rapporto di Accenture Technology Vision 2025 evidenzia l’importanza di costruire una base di fiducia nell’IA e di investire nella formazione dei dipendenti per garantire un’adozione efficace.

Quindi: l’orizzonte dell’IA nell’industria nei prossimi anni appare promettente, con aspettative di significativi miglioramenti in efficienza, qualità e innovazione. Le aziende che sapranno integrare l’IA nelle loro operazioni e investire nelle competenze necessarie avranno un vantaggio competitivo nel panorama industriale futuro.

Insomma, todo list per questo 2025: formatevi, sperimentate, raccogliete risultati e fallite in fretta!