Secondo LINFALa governance dell’IA aziendale garantisce margini di profitto sostituendo le ipotesi statistiche con il controllo deterministico.
Chiedete a un modello di livello consumer di contare le parole in un documento e spesso mancherà il bersaglio del 10%. Manos Raptopoulos, Global President Customer Success Europe, APAC, Middle East & Africa di SAP, osserva che il divario operativo tra quasi perfetto e perfetto è assoluto.
“La distanza tra la precisione del 90% e quella del 100% non è incrementale. Nel nostro mondo è esistenziale”, osserva Raptopoulos.
Mentre le organizzazioni introducono modelli linguistici di grandi dimensioni negli ambienti di produzione, Raptopoulos sottolinea che i criteri di valutazione sono passati formalmente verso precisione, governance, scalabilità e impatto aziendale tangibile.
La sfida urgente che i board aziendali si trovano ad affrontare è incentrata sull’evoluzione da strumenti passivi ad attori digitali attivi, una transizione che Raptopoulos individua come momento primario di governance e che sarà tra i temi su cui SAP si concentrerà all’edizione di quest’anno Expo sull’intelligenza artificiale e sui big data in Nord America.
I sistemi di intelligenza artificiale agenti ora possiedono la capacità di pianificare, ragionare, orchestrare con altri agenti ed eseguire flussi di lavoro in modo autonomo. Poiché questi sistemi interagiscono direttamente con i dati sensibili e influenzano le decisioni su larga scala, Raptopoulos sostiene che non riuscire a governarli esattamente come si governa una forza lavoro umana espone l’organizzazione a gravi rischi operativi. Egli avverte che l’espansione incontrollata degli agenti rispecchierà le crisi IT ombra dell’ultimo decennio, sebbene la posta in gioco sia categoricamente più alta.
Secondo il suo quadro, stabilire la gestione del ciclo di vita degli agenti, definire i confini dell’autonomia, applicare le politiche e istituire un monitoraggio continuo delle prestazioni sono requisiti obbligatori.
L’integrazione dei moderni database vettoriali (che mappano le relazioni semantiche del linguaggio aziendale) con le architetture relazionali legacy richiede un immenso capitale ingegneristico. I team devono limitare attivamente il ciclo di inferenza dell’agente per evitare che le allucinazioni corrompano i percorsi finanziari o di esecuzione della catena di fornitura. L’impostazione di questi parametri rigorosi aumenta la latenza computazionale e i costi di calcolo dell’hyperscaler, alterando le proiezioni iniziali di profitti e perdite.
Quando un modello autonomo richiede query costanti e ad alta frequenza sul database per mantenere output deterministici, i costi dei token associati si moltiplicano rapidamente. La governance diventa un vincolo ingegneristico piuttosto che una lista di controllo della conformità.
Raptopoulos sostiene che i consigli di amministrazione delle aziende devono risolvere tre questioni di base prima di implementare modelli ad agenti: identificare chi detiene la responsabilità per l’errore di un agente, stabilire percorsi di controllo per le decisioni delle macchine e definire le soglie esatte per l’escalation umana. La frammentazione geopolitica rende più difficile rispondere a queste domande.
Le infrastrutture cloud sovrane, i modelli di intelligenza artificiale e i mandati di localizzazione dei dati sono realtà normative nei principali mercati che abbracciano New York, Francoforte, Riyadh e Singapore. Le imprese devono incorporare il controllo deterministico direttamente nell’intelligenza probabilistica. Raptopoulos considera questo requisito come un mandato del C-suite piuttosto che come un progetto IT.
Strutturare l’intelligenza relazionale per le operazioni commerciali
I sistemi di intelligenza artificiale rimangono interamente dipendenti dalla qualità dei dati e dei processi su cui operano, rappresentando quello che Raptopoulos chiama il momento della fondazione dei dati.
Dati master frammentati, sistemi aziendali isolati e ambienti ERP eccessivamente personalizzati introducono una pericolosa imprevedibilità nei peggiori momenti possibili. Raptopoulos spiega che se un agente autonomo fa affidamento su basi frammentate per fornire una raccomandazione che influisce sul flusso di cassa, sulle relazioni con i clienti o sulle posizioni di conformità, il danno operativo risultante si espande immediatamente.
Per ottenere un valore aziendale tangibile è necessario andare oltre i modelli linguistici generici formati su testo su scala Internet. La vera intelligence aziendale, come delineato da Raptopoulos, deve basarsi su dati aziendali proprietari, inclusi ordini, fatture, registri della catena di fornitura e registrazioni finanziarie incorporati direttamente nei processi aziendali. Sostiene che i modelli di base relazionali ottimizzati specificamente per i dati aziendali strutturati continueranno a sovraperformare i modelli generici in termini di previsione, rilevamento di anomalie e ottimizzazione operativa.
Il puro e semplice attrito operativo derivante dal rendere un ambiente ERP eccessivamente personalizzato intelligibile a un modello di base blocca molte implementazioni. I team di ingegneria dei dati trascorrono cicli eccessivi nel disinfettare i dati master frammentati semplicemente per creare una base di riferimento per l’acquisizione da parte dell’intelligenza artificiale.
Quando un modello relazionale deve interpretare accuratamente record complessi e proprietari della catena di fornitura insieme ai dati grezzi delle fatture, le pipeline di dati sottostanti devono funzionare con latenza zero. Se l’acquisizione dei dati fallisce, le capacità predittive del modello si deteriorano immediatamente, rendendo l’agente funzionalmente pericoloso per l’azienda.
L’integrazione dell’architettura legacy con la moderna intelligenza artificiale relazionale richiede la revisione di pipeline di dati profondamente radicate. I team di ingegneri devono indicizzare decenni di dati di pianificazione scarsamente classificati in modo che i modelli di incorporamento possano generare rappresentazioni vettoriali accurate. Seguendo la logica di Raptopoulos, i consigli di amministrazione devono valutare se il loro attuale patrimonio di dati è veramente preparato, piuttosto che limitarsi a sovrapporre informazioni probabilistiche su basi sconnesse.
Progettazione di interfacce basate sugli intenti
L’interazione delle applicazioni aziendali sta passando dalle interfacce statiche a esperienze utente generativeuno sviluppo che Raptopoulos segnala come momento di interazione dei dipendenti.
Invece di navigare manualmente in ecosistemi software complessi, i dipendenti esprimeranno le loro intenzioni al sistema. Raptopoulos offre l’esempio di un utente che istruisce il software a preparare un briefing per la visita del cliente con le entrate più elevate quella settimana. Gli agenti AI orchestrano quindi i flussi di lavoro necessari, assemblano il contesto circostante e presentano le azioni consigliate.
Tuttavia, Raptopoulos sottolinea che l’adozione da parte della forza lavoro rimane subordinata alla fiducia. I dipendenti abbracceranno questi compagni di squadra digitali solo quando si sentiranno sicuri che i risultati del sistema rispettino i confini di governance stabiliti, riflettano regole aziendali autentiche e forniscano guadagni di produttività dimostrabili.
Progettare questi sistemi richiede personaggi IA specifici per ruolo, su misura per posizioni come il CFO, il CHRO o il responsabile della catena di fornitura. Raptopoulos osserva che questi personaggi devono essere costruiti su dati affidabili e integrati all’interno di flussi di lavoro aziendali familiari per colmare con successo il divario di adozione.
Raggiungere questo livello di integrazione è una decisione progettuale che comporta pesanti conseguenze. Le organizzazioni disposte a investire capitali in un’architettura nativa dell’intelligenza artificiale accelerano il ritorno sull’investimento, mentre le aziende che tentano di integrare modelli probabilistici su interfacce legacy faticano pesantemente con fiducia, usabilità e scala.
I leader tecnologici che cercano di forzare la moderna orchestrazione dell’intelligenza artificiale su applicazioni software monolitiche spesso incontrano gravi ritardi di integrazione. L’instradamento di chiamate API probabilistiche attraverso middleware aziendali obsoleti provoca ritardi nelle interfacce utente, distruggendo il flusso di lavoro basato sugli intenti. La progettazione di personaggi specifici per il ruolo richiede qualcosa di più della semplice ingegneria tempestiva; richiede la mappatura di controlli di accesso complessi, autorizzazioni e logica aziendale nella memoria attiva del modello.
Ingegneria della difesa competitiva
Il ritorno finanziario dell’intelligenza artificiale emerge più rapidamente durante le interazioni con i clienti. Raptopoulos osserva che i modelli di formazione su record proprietari, regole interne e registri storici creano uno strato di intelligence specifica per il cliente che i rivali non possono copiare facilmente. Questa configurazione offre le migliori prestazioni in flussi di lavoro ricchi di eccezioni come risoluzione di controversie, reclami, resi e instradamento dei servizi.
L’implementazione di agenti autonomi in grado di classificare i casi, far emergere la documentazione pertinente e raccomandare soluzioni allineate alle politiche converte questi processi ad alto costo in una netta differenziazione competitiva.
Questi modelli si adattano in base ai risultati di ciascuna interazione. Raptopoulos sottolinea che gli acquirenti aziendali danno priorità a un servizio affidabile, pertinente e reattivo piuttosto che ad espedienti tecnologici. Le aziende che utilizzano l’intelligenza artificiale per gestire carichi di lavoro pesanti, pur mantenendo una rigorosa supervisione dei risultati finali, costruiscono barriere all’ingresso che gli strumenti generici non riescono a superare
L’implementazione dell’intelligence aziendale richiede che i dirigenti orchestrano tre livelli distinti in parallelo, che Raptopoulos definisce come il momento strategico.
Il livello iniziale prevede funzionalità integrate, in cui i guadagni di produttività guidati dalla persona sono integrati direttamente nelle applicazioni principali per rendimenti rapidi. Il secondo livello richiede l’orchestrazione degli agenti, facilitando il coordinamento di più agenti nei flussi di lavoro tra sistemi. Il livello finale si concentra sull’intelligence specifica del settore, con applicazioni profondamente specializzate sviluppate in collaborazione per affrontare le sfide di maggior valore specifiche di un particolare settore.
Una trappola attende i leader che cadono vittime di false sequenze. Concentrarsi esclusivamente sugli strumenti integrati lascia inutilizzato un enorme valore finanziario, mentre lanciarsi in modo aggressivo verso applicazioni settoriali approfondite senza prima raggiungere una governance adeguata e la maturità dei dati moltiplica il rischio aziendale.
Raptopoulos avverte che per adattare questi modelli è necessario abbinare l’ambizione aziendale all’effettiva preparazione tecnica. I team dirigenziali devono finanziare architetture core pulite, aggiornare le pipeline di dati e imporre la proprietà interfunzionale per superare la fase pilota. Le implementazioni più redditizie trattano l’intelligenza artificiale come un livello operativo centrale che richiede la stessa governance del personale umano.
Il divario finanziario tra la precisione del 90% e la piena certezza determina dove si trova il vero valore aziendale. Le decisioni di governance prese nei prossimi mesi determineranno se specifiche implementazioni di IA diventeranno una potente fonte di vantaggio duraturo o una lezione costosa.
Vuoi saperne di più sull’intelligenza artificiale e sui big data dai leader del settore? Guardare Fiera dell’intelligenza artificiale e dei big data che si svolge ad Amsterdam, in California, e a Londra. L’evento completo è parte di TechEx ed è situato in concomitanza con altri importanti eventi tecnologici tra cui Fiera sulla sicurezza informatica e sul cloud. Clic Qui per ulteriori informazioni
AI News è alimentato da Media TechForge. Esplora altri prossimi eventi e webinar sulla tecnologia aziendale Qui.
Fonte: www.artificialintelligence-news.com
