Modelli operativi per l'AI aziendale

Man mano che l'AI si integra nei processi aziendali principali, le conversazioni dirigenziali si spostano verso il tema della durabilità. Per i leader tecnici, la domanda non è più se l'AI possa fornire valore, ma se l'organizzazione sia strutturata per supportarla nel tempo.

Ho parlato con Dael Williamson, Chief Technology Officer per l'area EMEA, per scoprire cosa distingue realmente le aziende che investono seriamente nell'IA da quelle che si limitano a sperimentare.

Ciò che è emerso è una visione del modello operativo dell'IA aziendale, che evidenzia dove la struttura e la proprietà contano più delle scelte tecnologiche.

I segnali che indicano che un'organizzazione fa sul serio riguardo all'AI

Catherine Brown: Quando entri in un'organizzazione che investe seriamente nell'AI, cosa cerchi per prima cosa nel loro modello operativo e nelle loro scelte di piattaforma?

Dael Williamson: Oggi la maggior parte delle organizzazioni riconosce che l'AI è reale e che è importante. Ciò che varia è la chiarezza con cui tale impegno si manifesta nel modello operativo.

La prima cosa che guardo è la titolarità. Chi è titolare dei dati e chi è titolare dell'IA, e quanto questa titolarità sia vicina al CEO. Se la titolarità dei dati e dell'IA fa capo al CEO o a una figura a lui vicina, ciò segnala un alto livello di importanza strategica. Più spesso, la titolarità si trova a diversi livelli inferiori e, in molti casi, dati e AI fanno capo a gruppi completamente diversi.

Quando l'AI è strutturalmente distante dai dati, il risultato tende a essere casi d'uso statici ed esperienze frammentate. Ma il mondo in cui operano le organizzazioni è dinamico. Il traffico cambia. I mercati cambiano. Le catene di approvvigionamento fluttuano. Se i dati e l'IA sono separati, diventa molto difficile rispondere a tale realtà in tempo reale.

La seconda cosa che cerco è se l'organizzazione dispone di un inventario dei propri data asset. Mentre gli asset finanziari e fisici sono ben documentati, molte organizzazioni stanno ancora perfezionando il modo in cui catalogano e comprendono i data asset. In molti casi, le organizzazioni non sanno appieno quali dati possiedono, dove si trovano o quanto potrebbero essere preziosi.

Il terzo segnale è l'ampiezza con cui l'organizzazione definisce i dati. Molti pensano ancora ai dati principalmente come tabelle o log strutturati. Ma immagini, email, strumenti di collaborazione (documenti, fogli di calcolo) e codice contengono tutti informazioni operative dettagliate. Le organizzazioni che espandono la loro definizione di dati tendono a sbloccare un valore molto maggiore nel tempo.

Perché la prossimità tra dati e AI è importante

Catherine: Molto di ciò che hai descritto si riconduce a quanto strettamente sono connessi i dati e l'IA. Perché questa vicinanza è così importante nella pratica?

Dael: quando dati e AI operano sulla stessa base, le organizzazioni possono supportare casi d'uso più dinamici. Quando sono separati, l'IA tende a fare affidamento su input più lenti e statici.

Gli strumenti tradizionali di data governance e catalogazione sono molto efficaci nella gestione dei dati strutturati, ma hanno difficoltà con le fonti non strutturate e in rapida evoluzione. Questo è uno dei motivi per cui è difficile espandere l'ambito della governance dei dati e per cui gli inventari completi dei dati sono ancora rari.

Se si sta cercando di risolvere problemi come la modellazione della liquidità, il rischio di credito o la resilienza della catena di approvvigionamento, è necessario che l'IA lavori direttamente con dati tempestivi e aggiornati continuamente. Altrimenti, il processo decisionale subisce sempre ritardi e le informazioni dettagliate arrivano dopo il momento in cui sono più utili.

Catherine: In che modo le aziende leader strutturano il rapporto tra i team centrali e il business?

Dael: Il leader responsabile dei dati e dell'IA deve sedere al tavolo dei dirigenti e deve avere una profonda comprensione di come questi sistemi funzionano realmente. L'IA si comporta in modo diverso rispetto al software tradizionale e le organizzazioni traggono vantaggio quando la leadership rispecchia questa realtà.

Per quanto riguarda gli strumenti, le aziende leader resistono alla tentazione di affidarsi esclusivamente alle funzionalità di IA integrate in decine di strumenti SaaS. Sebbene questi strumenti possano migliorare la produttività individuale, raramente aiutano i team a lavorare in modo coeso tra le diverse funzioni. Nel tempo, questo approccio tende a rafforzare le incoerenze esistenti in definizioni, metriche e processi.

Allo stesso tempo, queste organizzazioni stanno riconsiderando l'equazione "costruire o acquistare". Non mirano a costruire tutto internamente, ma evitano anche un eccessivo lock-in. Portabilità, trasparenza e controllo sui dati e sugli asset di IA sono sempre più importanti.

Le organizzazioni vincenti gestiscono anche le iniziative di AI come un portfolio. Non tutti i progetti hanno successo. Alcuni devono essere messi in pausa. Altri richiedono investimenti aggiuntivi. Considerare l'AI come un portafoglio di scommesse, piuttosto che come una roadmap lineare, consente alle organizzazioni di adattarsi all'evolversi della tecnologia e delle condizioni di business.

Come sarà il modello operativo dell'AI aziendale tra tre anni

Catherine: Guardando al futuro, come pensa che i modelli operativi dell'IA aziendale cambieranno nei prossimi tre anni?

Dael: la maggior parte delle organizzazioni si troverà ancora in una fase di trasformazione, ma uno dei cambiamenti più grandi sarà una riduzione del divario tradizionale tra l'IT e il business. I team di business diventeranno più competenti dal punto di vista tecnico e i team tecnici diventeranno più strettamente allineati ai risultati di business. Questo cambiamento è già in corso e continuerà.

Di conseguenza, è probabile che le organizzazioni IT cambieranno dimensioni e forma. Storicamente, l'IT si è concentrata sulla gestione del rischio, sulla governance e sulla complessità operativa. L'AI è sempre più efficace in tali aree, in particolare nella cybersecurity, nel supporto IT e nella conformità.

Quando le organizzazioni riducono anche la complessità legacy e si allontanano da ecosistemi di fornitori a silos, i modelli operativi iniziano a cambiare più a fondo. I team diventano meno definiti dai sistemi che utilizzano e più dai risultati che ottengono.

Nel tempo, questo può portare a organizzazioni più snelle o alla creazione di unità completamente nuove incentrate su nuove forme di creazione di valore. Il modo esatto in cui ciò si svilupperà varierà da azienda ad azienda.

Come si evolvono le competenze e i ruoli in un'azienda guidata dall'IA

Catherine: Questo tipo di cambiamento del modello operativo ha importanti implicazioni per i talenti. Come domanda conclusiva, come vedi evolversi le competenze e i ruoli?

Dael: Molte organizzazioni IT continueranno a ridursi, in gran parte perché molta della tecnologia aziendale è ancora basata su sistemi vecchi di decenni la cui manutenzione è costosa. Allo stesso tempo, il ciclo di vita dello sviluppo del software sta cambiando. Le attività che un tempo richiedevano la maggior parte dello sforzo, come la codifica manuale, sono sempre più assistite dall'AI. Ora si dedica più tempo alla valutazione, ai test comportamentali, ai guardrail e al monitoraggio continuo.

Questo cambiamento avvicina i team di business e i team tecnici. I team di business vengono maggiormente coinvolti nella definizione e nella convalida del comportamento. I team tecnici si concentrano maggiormente su risultati, affidabilità e governance. Stanno emergendo nuovi ruoli legati a osservabilità, orchestrazione e supervisione del sistema. Questi ruoli spesso combinano competenze tecniche, operative e organizzative e non sempre provengono da percorsi di ingegneria tradizionali.

Anche il management stesso si sta evolvendo. Mentre l'IA si assume sempre più compiti amministrativi, il management si sta riorientando verso l'analisi, la valutazione e il miglioramento dei flussi di lavoro. Il pensiero critico diventa essenziale. Le persone che si sentono a proprio agio a Experiment, imparare e adattarsi avranno successo. E la mentalità analitica e scientifica avrà un valore sempre maggiore man mano che le organizzazioni affrontano questa transizione.

Considerazioni finali

La preparazione all'IA a livello aziendale è in definitiva una decisione legata al modello operativo. I leader che ottengono progressi costanti hanno una chiara proprietà dirigente dei dati e dell'IA, trattano i dati come un asset noto e governato e garantiscono che l'IA lavori direttamente con dati tempestivi e condivisi invece che attraverso passaggi di consegne frammentati. Gestiscono le iniziative di IA come un portfolio, non come una pipeline, con una disciplina che definisce dove investire, mettere in pausa o interrompere. E organizzano i team in base alla valutazione, alla supervisione e ai risultati piuttosto che in base agli strumenti o ai progetti. Le organizzazioni che avranno successo non saranno quelle che prevedono il futuro dell'IA con maggiore precisione, ma quelle costruite per adattarsi ai suoi cambiamenti.

Per saperne di più su come creare un modello operativo efficace, scarica il Databricks AI Maturity Model.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale