Report: The AI Powered Enterprise

L’ultima ricerca di Capgemini mostra come hanno successo le aziende leader nell’implementazione dell’IA

Milano, 1 luglio 2020 – Un nuovo report del Capgemini Research Institute esamina il ritmo con cui negli ultimi tre anni le aziende hanno adottato l’Intelligenza Artificiale (IA). Oltre la metà (53%) delle organizzazioni è ormai andata oltre i progetti pilota in questo ambito, registrando un netto aumento rispetto al 36% rilevato da un report Capgemini del 2017 relativo allo stesso argomento. Inoltre, il 78% delle società leader nell’implementazione dell’IA su scala[1] continua a sviluppare nuove iniziative di IA con lo stesso ritmo del periodo precedente al COVID-19, mentre un altro 21% ha affermato di averne incrementato la velocità di implementazione. Questi dati sono in netto contrasto con quelli riportati dalle aziende “in difficoltà”[2] nell’implementare soluzioni di IA, il cui 43% afferma di aver ritirato i propri investimenti e un altro 16% di aver sospeso tutte le iniziative di IA a causa delle forti incertezze legate al COVID-19.

Il report, dal titolo “The AI Powered Enterprise: Unlocking the potential of AI at scale”, rivela che implementare con successo le tecnologie di IA su scala apporta benefici tangibili sul fatturato, con il 79% delle aziende leader nell’adozione dell’IA su scala che registrano un aumento delle vendite di prodotti e servizi tradizionali superiore al 25%. Inoltre, il 62% delle aziende di questo cluster ha assistito a una diminuzione di almeno il 25% nel numero di reclami da parte dei clienti, mentre il 71% ha sperimentato una riduzione di almeno il 25% delle minacce relative alla sicurezza.

Life Science e Retail continuano a trainare l’adozione dell’IA, mentre Financial Services e utility sono in ritardo

Per quanto riguarda i primi cinque settori leader nell’adozione dell’IA, le organizzazioni in ambito Life Science e Retail sono molto più avanti rispetto alle altre, rappresentando rispettivamente il 27% e il 21% dei leader nell’IA su scala, seguite da Automotive e beni di consumo, entrambe al 17%, e dalle telecomunicazioni (14%). Solo il 38% delle organizzazioni del settore Life Science ha sospeso o ritirato gli investimenti a causa del COVID-19, a differenza delle aziende attive nei settori assicurativo (66%), bancario (64%) e utility (64%). Questo riflette l’importanza dell’e-Health nel contesto attuale, caratterizzato da un crescente numero di assistenti virtuali, app di tracciamento e chatbot, dal momento che diverse organizzazioni, a partire dall’Organizzazione Mondiale della Sanità, stanno lanciando strumenti basati sull’IA per raccogliere e fornire informazioni durante la pandemia in corso.[3]

Dati affidabili e di qualità sono essenziali per la scalabilità dell’IA

I leader nell’implementazione su scala dell’IA ritengono che il “miglioramento della qualità dei dati” sia l’approccio migliore, in quanto permette di ottenere maggiori benefici dai sistemi di IA. Una forte governance dei dati assicura che i team di IA abbiano dati di qualità, oltre a migliorare la fiducia dei dirigenti nei dati stessi. La creazione delle necessarie piattaforme tecnologiche, come un’architettura cloud ibrida e la democratizzazione dell’accesso ai dati, sono elementi core per la scalabilità dell’IA.

Assumere responsabili IA è fondamentale per raggiungere gli obiettivi di IA di un’organizzazione

Dalla ricerca si evince che per il 70% delle organizzazioni una delle sfide più difficili è rappresentata dal fatto che non esistano talenti di livello intermedio e/o senior in tema di IA su scala. Oltre la metà dei leader in tema di implementazione dell’IA su scala (58%) ha nominato un responsabile IA in grado di fornire ai team di sviluppo una vision e stabilire linee guida sulla priorità dei casi d’uso, dell’etica e della sicurezza, il tutto armonizzando l’uso di piattaforme e strumenti per lo sviluppo dell’IA. Le organizzazioni devono inoltre concentrarsi su un’ampia gamma di competenze per la scalabilità delle applicazioni di IA che vanno al di là delle pure competenze tecniche, includendo gli analisti di business e gli specialisti nel change management. Allo stato attuale esiste tuttavia un significativo divario tra la domanda e l’offerta in ambiti importanti come machine learning e data visualization. Ciò rende fondamentali formazione e aggiornamento continuo per colmare questo gap e garantire che le competenze necessarie siano mantenute all’interno dell’azienda.

L’etica nell’interazione con l’IA ha un ruolo critico per soddisfazione e fiducia dei consumatori

Nonostante la forte attenzione di consumatori e normative sul tema dell’IA etica, il report rileva che molte organizzazioni non stanno affrontando attivamente questioni come la necessità di avere un team competente su temi etici. Dal report emerge che meno di un terzo delle organizzazioni che faticano a implementare l’IA su scala (29%) dichiara di avere una conoscenza dettagliata di come e perché i loro sistemi di IA raggiungano un determinato risultato (il dato è invece del 90% per i leader dell’IA su scala). Questa consapevolezza è importante soprattutto per i dirigenti, che hanno bisogno di avere fiducia nei sistemi di IA dell’organizzazione. Allo stesso tempo, è impossibile guadagnare la fiducia dei consumatori se i dipendenti a loro diretto contatto sono i primi a non averne nei modelli o nei dati utilizzati dalle rispettive organizzazioni.

“Alla luce della recente crisi dovuta al COVID-19 le organizzazioni guardano ai dati e all’IA per migliorare la resilienza delle loro operations, ma c’è una necessità ancora più forte di connessione tra gli obiettivi tattici e strategici di business e la loro implementazione per raggiungere la scalabilità”, ha affermato Marco Perovani, TMT & EUCS Director di Capgemini Business Unit Italy. “La ricerca evidenzia che le organizzazioni di maggior successo combinano gli sforzi per razionalizzare e modernizzare il proprio patrimonio di dati e i processi di data governance, si concentrano sull’introduzione di nuovi strumenti agili provenienti dagli ecosistemi dei partner e su approcci come DataOps[4] e MLOps[5] (machine learning ops) per sviluppare e implementare soluzioni di IA, costruiscono team con background differenziati e impostano modelli operativi equilibrati”.

Il report termina con alcune raccomandazioni sui quattro principi su cui le organizzazioni devono concentrarsi per portare l’IA su scala in modo efficace:

• Empowerment: costruire solide fondamenta che offrano un facile accesso a dati affidabili e di qualità, attraverso adeguate piattaforme e strumenti per dati e IA unite a pratiche agili
• Operationalize: implementare l’Intelligenza Artificiale attraverso il giusto modello operativo, dare priorità alle iniziative e garantire una governance equilibrata, integrando al contempo l’etica
• Nurture: coltivare talenti diversificati e collaborare con l’ecosistema e i partner
• Monitor and amplify: monitorare continuamente l’accuratezza e le prestazioni del modello per ottenere e massimizzare i risultati di business

Per scaricare una copia completa del report, cliccare qui.

Metodologia di ricerca

Il Capgemini Research Institute ha intervistato 950 organizzazioni che hanno implementato iniziative di IA e ha condotto interviste approfondite con i dirigenti che supervisionano tali iniziative. Il sondaggio si è concentrato sulle organizzazioni che hanno totalizzato almeno 1 miliardo di dollari di ricavi nell’ultimo anno finanziario, provenienti da undici paesi (Australia, Cina, Francia, Germania, India, Italia, Paesi Bassi, Spagna, Svezia, Regno Unito e Stati Uniti) e attive in undici settori (Automotive, Banking, Consumer Products, Energy, Insurance, Life Science, Manufacturing, Public Sector, Retail, Telecommunications, Utilities).

[1] Le aziende leader nell’implementazione dell’IA su scala rappresentano il 13% del totale delle aziende intervistate e sono quelle che hanno implementato numerose applicazioni di IA in vari team.

[2]Le aziende “in difficoltà” sono quelle che hanno iniziato i loro progetti pilota di IA prima del 2019, ma che non sono ancora state in grado di mettere in produzione nessuna applicazione; queste aziende costituiscono il 72% delle aziende intervistate.

[3] Fonte: OMS, “WHO launches a chatbot on Facebook Messenger to combat COVID-19 misinformation”, 15 aprile 2020.

[4] DataOps è un insieme di pratiche per democratizzare l’utilizzo dei dati e migliorare la sua accessibilità al business, istituendo un processo cooperativo agile che include data analyst, data engineer e operations e permette di migliorare qualità, agilità, velocità di inserimento e preparazione, oltre che fornitura dei dati da utilizzare nei casi d’uso in ambito AI & Analytics.

[5] MLOps è un insieme di pratiche per abbreviare i tempi di aggiornamento e di go-live di sistemi intelligenti e di apprendimento, migliorando al contempo qualità e robustezza, tramite l’istituzione di un processo cooperativo che coinvolge data scientist, ingegneri e sviluppatori ML, business e operations.