Come Albertsons sta costruendo un nucleo di IA centralizzato per scalare in 2.300 negozi
di Aly McGue
Nel settore della vendita al dettaglio, la pressione sui margini è strutturale. Le aziende che si distinguono prendono decisioni più rapide e precise in materia di merchandising, personale e catena di approvvigionamento, e lo fanno in modo coerente in migliaia di sedi. La domanda che la maggior parte dei grandi rivenditori si pone è: le loro organizzazioni sono strutturate per scalare l'IA abbastanza velocemente da fare la differenza? Albertsons Companies è uno dei maggiori rivenditori di alimentari e farmaci d'America, con circa 2.300 negozi e un fatturato di 80 miliardi di dollari. Sunil Gopinath guida a livello globale i dati e l'IA per l'azienda, e gestisce anche Albertsons Companies India, il suo più grande hub tecnologico e di IA. Il suo mandato: costruire le fondamenta di IA e dati per trasformare un grande rivenditore in un'impresa guidata dai dati, in modo rapido e su larga scala.
La convinzione emersa dalla nostra conversazione è stata diretta: smettere di tollerare la frammentazione. Le aziende che collegano l'ambizione dell'IA a una solida base aziendale vinceranno. Tutti gli altri stanno conducendo esperimenti costosi.
Alla base di questa strategia c'è la Databricks Platform, che Albertsons utilizza per l'ingegneria dei dati, l'ML, la governance e l'analisi. Questa base condivisa rende reale il mandato di 'una piattaforma', dando a ogni team lo stesso punto di partenza anziché un set diverso di strumenti.
Aly McGue: Come avete spostato la vostra organizzazione da esperimenti di IA frammentati e di proprietà delle unità di business a un team centrale di IA e un modello operativo centralizzati?
Sunil Gopinath: Abbiamo smesso di tollerare la frammentazione e abbiamo preso una ferma decisione architetturale. Un team, una piattaforma, un modello operativo. Ci siamo organizzati attorno a quattro grandi scommesse nell'IA: esperienza del cliente, intelligenza di merchandising, personale e catena di approvvigionamento. Queste ci hanno dato un focus strategico. Il nucleo centrale dell'IA ci ha dato la forza per eseguire.
La logica era semplice. C'era una chiara esigenza organizzativa di componenti orizzontali comuni, come la governance, la sicurezza e un repository centrale di modelli riutilizzabili. Un team dedicato a questi blocchi fondamentali significa che i team applicativi non devono preoccuparsi dell'igiene e delle fondamenta. Possono concentrarsi interamente sul migliorare il business, renderlo più prevedibile e più attuabile.
Abbiamo anche un comitato di governance aziendale che riunisce stakeholder e leader senior per stabilire standard condivisi e accettabili per l'IA e la governance dell'IA. È un processo decisionale collettivo a livello di leadership. Questo è ciò che lo fa funzionare.
Aly: Qual è stata la strategia per costruire standard condivisi, una piattaforma centrale e acceleratori riutilizzabili per guidare l'efficienza in Albertsons, pur consentendo l'innovazione locale e i casi d'uso?
Sunil: Il modo migliore per pensarci è un modello di franchising. Infrastruttura comune, standard e governance al centro. Esecuzione locale e innovazione ai margini.
Abbiamo costruito acceleratori riutilizzabili: pipeline di ingestione e modelli; pattern di feature store; monitoraggio dei modelli; osservabilità delle prestazioni; e wrapper di governance. Qualsiasi team può collegarsi a questi e andare 10 volte più veloce. L'intero scopo della piattaforma è che non vincola l'innovazione. La accelera.
La nostra filosofia è che devi bilanciare l'innovazione con la fiducia e la governance, sia da parte dei nostri dipendenti che dei nostri clienti. Quindi gli standard non sono arbitrari. Riflettono ciò che serve al business, ai merchant e ai clienti per fidarsi effettivamente di ciò che l'IA sta facendo.
Aly: Come state ripensando le competenze e la leadership necessarie per gestire questo nucleo centrale di IA, e come garantite che la piattaforma potenzi efficacemente i team non tecnici?
Sunil: Il nostro approccio funziona su tre livelli: machine learning che predice, genAI che risponde e IA agentiva che agisce. Tutti questi sono incorporati nel modo in cui le nostre persone lavorano.
Per i team tecnici, siamo passati all'ingegneria aumentata dall'IA. In 9 mesi, abbiamo accettato 1,38 milioni di righe di codice generato dall'IA, con oltre il 90% degli ingegneri che utilizzano strumenti di IA. Abbiamo fondamentalmente cambiato la velocità con cui possiamo costruire e rilasciare, e questo si accumula.
Per i team non tecnici, abbiamo creato dashboard low-code, librerie di prompt e generazione di agenti conversazionali. Abbiamo la nostra piattaforma di IA agentiva dove anche i team non tecnici possono trascinare e rilasciare agenti. E se non si sentono a proprio agio nel farlo, possono semplicemente avere una conversazione e dire: "Costruiscimi un agente per monitorare questi KPI", e lo farà. L'obiettivo per entrambi i lati è lo stesso: meno tempo a cercare risposte, più tempo a prendere decisioni.
Per quanto riguarda la questione del talento, non cerchiamo solo competenza tecnica o familiarità con gli ultimi strumenti di IA. Assumiamo per attitudine: imparare, sperimentare, innovare. Gli strumenti continueranno a evolversi a un ritmo record. Ma se questi tratti culturali sono radicati, le persone li assorbono e li portano avanti.
Aly: Chi nel vostro team di leadership esecutiva è in ultima analisi responsabile del successo del nucleo di IA aziendale, e come sono cambiati i vostri KPI?
Sunil: La responsabilità è ai vertici. Per noi, l'IA è una strategia di business. Le nostre metriche lo riflettono: tassi di riutilizzo tra i mercati, tempo di implementazione, conformità all'IA responsabile e, soprattutto, risultati di business legati al miglioramento dell'IA. Se un'iniziativa non può dimostrare un impatto, non scala. Questa disciplina deve essere imposta dall'alto, ed è questo che rende l'IA un vero vantaggio e non solo un esperimento costoso.
Sunil non descrive una graduale evoluzione verso la centralizzazione. Descrive un impegno deliberato: un team, una piattaforma, un modello operativo, con scommesse strategiche che focalizzano il lavoro e acceleratori riutilizzabili che amplificano la velocità.
L'Intelligenza di Merchandising è una delle quattro priorità strategiche dell'IA, le grandi scommesse che Albertsons ha intrapreso come parte della sua più ampia trasformazione aziendale, e illustra come appare il modello centralizzato quando affronta un problema di business reale. La piattaforma è costruita su Databricks, con Genie a livello di interazione. I merchant possono porre domande complesse in linguaggio naturale e ottenere risposte governate e affidabili senza scrivere una query o aprire un ticket. Databricks fornisce le fondamenta sottostanti per l'ingegneria dei dati, l'ML e l'analisi.
Per i dirigenti che lottano su come spostare l'IA da aree di sperimentazione a capacità aziendale, il modello di franchising di Albertsons offre un quadro utile: governare il centro, liberare i margini e assicurarsi che ogni team costruisca su ciò che è già stato dimostrato.
Per confrontare i vostri investimenti e sviluppare la vostra roadmap per integrare l'IA nella vostra organizzazione e nei vostri prodotti, scaricate il Databricks State of AI Agents.
(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale
Iscriviti al nostro blog e ricevi gli ultimi articoli direttamente nella tua casella di posta.