Guida all’AI generativa: opportunità e impatto sulle strategie aziendali

Considerata la nuova frontiera dei processi aziendali, nell’ultimo anno l’AI generativa (Generative AI o GenAI) ha conquistato il centro della scena tecnologica, suscitando grande interesse e almeno altrettanta preoccupazione. Dal lancio di ChatGPT nel novembre del 2022, la GenAI ha già fatto passi da gigante e le organizzazioni di ogni settore e dimensione hanno fatto a gara per incorporare strumenti di intelligenza artificiale generativa nei propri modelli di business, cercando di avvantaggiarsi sulla concorrenza. Ma cos’è davvero e come funziona la GenAI?

AI generativa e le differenze con l’AI

L’AI generativa è una categoria di intelligenza artificiale progettata per generare nuovi contenuti - immagini, testi, musica o codice informatico sulla base di dati esistenti su cui è stata addestrata. Se il concetto generale di AI fa riferimento all’uso di dati e algoritmi che consentono ai computer di apprendere, agire ed eseguire funzioni normalmente associate all’intelligenza umana, il funzionamento della GenAI è basato sulle reti neurali artificiali, metodi di elaborazione delle informazioni che imitano le reti neurali degli esseri umani.

La GenAI utilizza infatti queste reti per elaborare grandi quantità di dati, individuare modelli e creare nuovi contenuti in base alle istruzioni ricevute, note come prompt. La sua capacità “creativa” è perciò limitata dai dati che le vengono forniti per addestrare i suoi modelli: tutto ciò che produce deriva da quei set di informazioni.

Le potenzialità sembrano comunque infinite: non solo può classificare documenti, estrarre pattern e modelli e fare previsioni, ma può anche operare delle sintesi e delle argomentazioni sulla base delle informazioni elaborate e produrre nuovi dati che non erano presenti nel set di addestramento.

I vari tipi di AI generativa

I modelli di AI generativa sono progettati per generare diversi tipi di contenuti. I ricercatori possono quindi modificare questi modelli per adattarli a domini e compiti specifici, regolando gli algoritmi di apprendimento. Ecco perché esistono diverse tipologie di AI generativa:

Generative Adversarial Networks (GANs) - le GAN sono costituite da due reti neurali, il generatore e il discriminatore, che competono l’uno contro l’altro: il primo genera dati sintetici e il secondo distingue tra dati reali e dati falsi. Grazie a questa competizione, le GAN sono in grado di generare contenuti altamente realistici e possono essere utilizzate per creare, ad esempio, elementi di design industriale o modelli tridimensionali di oggetti in ambito retail.

Variational Autoencoders (VAEs) - i VAE sono modelli generativi che imparano a codificare i dati in uno spazio latente e poi a decodificarli per ricostruire i dati originali. Apprendono rappresentazioni probabilistiche dei dati che ricevono come input e sono in grado di generare nuovi esempi sulla base di quanto appreso. Trovano già applicazione in diversi ambiti, come la generazione di immagini e video, il rilevamento di anomalie e persino la scoperta di nuovi farmaci.
Autoregressive Models – I modelli autoregressivi generano dati un elemento alla volta; perciò, la generazione di ciascuno di essi è condizionata da quelli generati in precedenza. Fanno parte di questa categoria i modelli linguistici come GPT (Generative Pre-trained Transformer), che possono creare testi coerenti con quelli già generati. In finanza, i modelli autoregressivi sono ampiamente utilizzati per prevedere i prezzi delle azioni, i tassi di cambio e altri indicatori finanziari.
Recurrent Neural Networks (RNNs) – Le RNNs sono una tipologia di reti neurali che elaborano dati sequenziali, come frasi in linguaggio naturale o serie temporali. Possono essere utilizzate per generare sequenze di informazioni in cui ogni elemento successivo è creato in base agli elementi precedenti, ma sono limitate nella generazione di sequenze lunghe. Sono già ampiamente utilizzate dalle aziende per la sintesi e la traduzione di testi, ma anche per analizzare le conversazioni con i clienti nell’ambito dei call center e per stabilire il grado di soddisfazione dell’assistenza ricevuta.

L’AI generativa come strumento di business

Di fronte a questa varietà di modelli e applicazioni, è evidente che l’AI generativa rappresenti un’opportunità enorme per le aziende. L’adozione dell’intelligenza artificiale nelle organizzazioni, come rivela un’indagine di McKinsey, è più che raddoppiata negli ultimi cinque anni e gli investimenti nella sua sperimentazione sono in continuo aumento.

Le previsioni raccontano di un mercato dell’intelligenza artificiale generativa che crescerà in modo molto sostenuto tra il 2023 e il 2030. Già alla fine del 2023 il valore era poco meno di 45 miliardi di dollari USA, quasi il doppio rispetto al 2022. In generale si prevede una crescita di circa 20 miliardi di dollari USA ogni anno, fino alla fine del decennio.

Fonte: Statista

L’intelligenza artificiale generativa promette di cambiare radicalmente gli attuali flussi di lavoro, rivoluzionando interi settori di attività. Non si tratta infatti soltanto di una nuova forma di automazione, ma piuttosto di una sorta di tecnologia “assistiva”: non va semplicemente integrata nei consueti processi di business, ma richiede un ripensamento globale degli stessi.

D’altronde, alcune applicazioni di Generative AI stanno già avendo un impatto su molti settori.

In campo finanziario, già oggi gli algoritmi di AI e Machine Learning possono aiutare a classificare in modo corretto i documenti aziendali e gli strumenti di AI generativa, permettendo di elaborare attività e passività dei bilanci e aiutando l’organizzazione a individuare gli investimenti più profittevoli.

Anche in ambito HR, le potenzialità dell’AI generativa si rivelano preziose per identificare tra migliaia di candidati presenti nei sistemi aziendali quelli più idonei per una posizione lavorativa, grazie alla mappatura automatica e all’incrocio dei requisiti posseduti e delle competenze richieste dall’azienda.

Sul fronte della gestione degli ordini e dei magazzini, inoltre, gli algoritmi di intelligenza artificiale generativa hanno già dimostrato di poter semplificare notevolmente il lavoro degli addetti. La GenAI infatti non solo è in grado di monitorare le risorse presenti in base alla previsione stagionale delle vendite, ma può anche suggerire le referenze che saranno più richieste in un determinato periodo.

Ci sono, infine, tutte le possibili applicazioni nel mondo del customer care: oltre agli assistenti virtuali via chat, già ampiamente diffusi sui siti di e-commerce, le capacità di previsione dell’intelligenza artificiale generativa possono influire sulla retention, anticipando il momento in cui il cliente dovrebbe effettuare il prossimo ordine e battendo sul tempo con una proposta concreta.

Fonte: Statista

In termini di settori verticali, esistono già diversi business use cases in ambito marketing e fashion. Applicazioni di intelligenza artificiale generativa vengono utilizzate ormai da tempo per preparare prime bozze o sintetizzare ampi documenti, ma anche per personalizzare le attività di marketing dirette ai clienti e minimizzare il churn rate. Nel mondo del fashion gli esempi di AI generativa sono già diversi: dal codesign ai progetti 3D, dai modelli virtuali realistici alle sceneggiature per le campagne video, esistono tool di intelligenza artificiale che automatizzano processi e creano efficienza.

Anche i settori all’apparenza meno “creativi”, come finance e banking, possono beneficiare delle generative AI application: l’indagine “CFO Signals”, condotta da Deloitte alla fine del 2023, ha rilevato che due terzi dei CFO stanno sperimentando l’AI generativa e il 15% dei responsabili finanziari l’ha già incorporata nella propria strategia, per automatizzare processi manuali e alimentare modelli predittivi in tempo reale.

Fonte: Statista

Già oggi, sempre secondo una ricerca di McKinsey, quasi 8 persone su 10 hanno assistito all’uso dell’AI generativa per lavoro o al di fuori di esso e il 22% la utilizza già regolarmente nelle attività di business. Per far fronte al cambiamento in atto, le aziende sono chiamate ad attrezzarsi: la GenAI è alimentata da dati e restituisce a sua volta dati; di conseguenza, per diventare strategica, dev’essere inserita all’interno di un ecosistema da cui possa attingere informazioni strutturate e destrutturate.

L’AI generativa come strumento di innovazione

Oltre che nella generazione di contenuti, la GenAI può aiutare i leader a reimmaginare il proprio modello di business contribuendo alla crescita dell’innovazione. La sua capacità di creare, simulare e comprendere dati complessi la rende una forza trasformativa nell’analisi dei dati, nella costruzione di modelli previsionali, nella personalizzazione e commercializzazione dei prodotti, così come nella creazione di assistenti virtuali.

I tool di GenAI stanno già rivoluzionando diverse funzioni aziendali. Quelle in cui l’utilizzo dei nuovi strumenti è più frequente sono le stesse in cui l’uso dell’AI era già diffuso:

marketing e vendite,
sviluppo di prodotti e servizi,
service operations, come l’assistenza ai clienti e il supporto al back-office.

Ciò suggerisce che le organizzazioni stanno perseguendo questi nuovi strumenti dove il valore è maggiore: non è un caso che queste tre aree, insieme all’ingegneria del software, abbiano mostrato il potenziale per generare circa il 75% del valore annuale prodotto dalla GenAI.

L’AI generativa come sfida alla sicurezza

Accanto ai vantaggi, vanno però tenuti in considerazione anche i rischi legati all’intelligenza artificiale generativa. Nonostante la rapida diffusione, sembra che siano ancora poche le organizzazioni davvero preparate ai rischi aziendali che questi strumenti possono causare. Sempre secondo l’indagine condotta da McKinsey, solo il 21% delle organizzazioni ha stabilito delle policy per regolamentare l’uso delle tecnologie di AI generativa da parte dei propri dipendenti e meno di un terzo delle aziende ha adottato misure per mitigare i rischi di cybersecurity.

Fonte: McKinsey

Per non farsi trovare impreparati, occorre adottare un approccio di sicurezza “a valle”, basato sul paradigma dello Zero Trust: nessun utente o dispositivo è considerato affidabile e sicuro finché non se ne verifichi l’identità e il livello di autorizzazione. Anche la micro-segmentazione delle reti e l’adozione di meccanismi di rilevamento e risposta possono aiutare a ridurre i rischi che la GenAI venga utilizzata come vettore di attacchi diretti contro l’azienda.

C’è poi il tema della compliance normativa. Dopo l’approvazione da parte del Parlamento europeo, a maggio 2024 il Consiglio europeo ha dato il via libera in via definitiva al Regolamento europeo sull’intelligenza artificiale, anche detto AI Act, che punta ad armonizzare le norme in materia di utilizzo di questa tecnologia nell’Unione Europea. Il testo si fonda su un approccio basato sul rischio: maggiori sono i rischi che le applicazioni di AI rappresentano per i diritti fondamentali dei cittadini, più rigorosa e stringente deve essere la loro regolamentazione.

Così come previsto dal GDPR in materia di protezione dei dati, l’AI Act prevede una serie di obblighi a cui sono soggetti fornitori e operatori, dunque non solo le aziende che producono sistemi di AI ma anche quelle che usano tali tecnologie. Le aziende europee e quelle extraeuropee la cui attività incida sui cittadini dell’Unione dovranno assicurarsi che i propri sistemi di intelligenza artificiale siano sicuri, chiari e rispettosi dei diritti dei propri utenti.

Al livello normativo europeo, se ne aggiungerà poi presto anche uno nazionale. Ad aprile 2024 il Consiglio dei ministri ha approvato un disegno di legge che introduce norme di principio e disposizioni di settore e delega il governo a occuparsi di intelligenza artificiale. Secondo il testo del ddl, il ciclo di vita dei sistemi e dei modelli di intelligenza artificiale deve basarsi sul rispetto dei principi di trasparenza, proporzionalità, sicurezza; ma anche valorizzazione economica del dato, protezione dei dati personali, riservatezza, robustezza, accuratezza, non discriminazione, parità dei sessi e sostenibilità. Tutti requisiti che dovranno essere garantiti dalle aziende attraverso la scelta di soluzioni rispettose delle regole fissate dall’ordinamento italiano ed europeo.

Il metodo RAG (Retrieval Augmented Generation) per output finalmente affidabili

Un altro limite della GenAI viene poi spesso individuato nella sua dipendenza dai meccanismi di apprendimento. È il problema della cosiddetta “hallucination”, ovvero la creazione di output insensati o imprecisi frutto di schemi inesistenti generati dai sistemi LLM (Large Language Model). Ciò si verifica quando un modello di GenAI mette insieme dettagli provenienti da diverse fonti, dando luogo a contraddizioni, genera contenuti con basi fattuali imprecise o crea testi grammaticalmente corretti ma privi di senso, ingannando gli utenti sull’autorevolezza del contenuto.

È proprio per mitigare tali “allucinazioni” che i ricercatori del settore hanno sviluppato la Retrieval Augmented Generation (RAG). A differenza dei LLM tradizionali, che si basano esclusivamente sulle conoscenze pre-addestrate, i modelli basati su RAG generano risposte accurate recuperando le informazioni rilevanti da un database esterno prima di rispondere alle domande o generare testo. Si tratta perciò di una tecnica che ottimizza la produzione di LLM utilizzando informazioni mirate e permette di ottenere risposte più aggiornate, specialmente in ambiti specifici.

I vantaggi del metodo RAG

Grazie a questa maggiore precisione, il metodo RAG garantisce risposte più precise ai prompt, basandosi su dati attuali. Non è un caso che abbia già trovato applicazione in settori in cui il livello di attenzione all’accuratezza delle informazioni è particolarmente elevato, come l’education, l’HR, il customer care e il marketing. La RAG garantisce, infatti, una migliore ricerca delle informazioni, trovando rapidamente ciò che occorre in grandi fonti di dati.

Promuovendo l’inclusività e la diversità dei contenuti recuperati, i modelli RAG creano interazioni più corrette ed eque. Oltre ad ampliare le conoscenze, il metodo RAG permette, inoltre, di personalizzare i contenuti generati, creando output chiari e ben adattati alle esigenze degli utenti. Il maggior vantaggio sta forse nell’utilizzo flessibile e nella versatilità applicativa: gli utenti possono adattare la RAG alle loro esigenze specifiche, come l’utilizzo di fonti di dati proprietarie, aumentando l’efficacia dello strumento.

Come implementare Gen AI e RAG in azienda

La Retrieval Augmented Generation promette di trasformare vari aspetti dell’elaborazione del linguaggio naturale e dei compiti di generazione del testo. Questo approccio può portare a interazioni più efficaci e simili a quelle umane con i sistemi di AI e a maggiori capacità di creazione di contenuti, se adottato nel modo corretto in azienda.

Per pianificare una strategia efficace è utile affidarsi a partner esperti, capaci di affiancare il team tecnico e quello di business dell’organizzazione per studiare insieme il modo migliore per disegnare su misura per l’azienda i nuovi processi potenziati dalla GenAI. Per implementare Gen AI e RAG, occorre infatti seguire una roadmap precisa.

Formare il personale: servono programmi di formazione completi per i dipendenti che utilizzeranno gli strumenti GenAI, sia sugli aspetti tecnici sia sulle considerazioni etiche relative al loro utilizzo.
Identificare le aree di business: il primo passo è valutare i processi aziendali esistenti, individuando inefficienze e attività ripetitive, per identificare le aree in cui GenAI può aggiungere valore.
Definire gli obiettivi di business: l’azienda deve identificare le aree chiave in cui la GenAI può portare miglioramenti e opportunità, definendo obiettivi chiari su cui costruire il progetto.
Dotarsi degli strumenti giusti: occorre operare una valutazione dell’infrastruttura IT aziendale e delle procedure di gestione dei dati per apportare aggiornamenti tecnici e adottare i tool più adatti.
Preparare l’organizzazione: va tenuta in considerazione anche la cultura aziendale e il grado di apertura al cambiamento delle persone, promuovendo una cultura dell’innovazione e dell’apprendimento continuo.

Quale futuro per l’AI generativa?

Il panorama dell’AI generativa è in rapida evoluzione. Per le aziende che vogliono sfruttarne appieno il potenziale orientarsi tra piattaforme, strumenti e tecnologie è un’opportunità, ma anche una sfida. Se sarà mantenuto questo ritmo di adozione fino al 2030, secondo lo studio “Unlocking Europe’s AI Potential” condotta da Public First e commissionato da Aws, il valore creato per l’economia italiana sarà pari a 329 miliardi di euro.

Nel 2023 l’uso dei tool di AI è cresciuto del 32% in Europa e del 28% in Italia. Siamo ancora lontani dalla super intelligenza artificiale – nota come AGI, Artificial General Intelligence dotata di abilità cognitive in grado di rivaleggiare con quelle umane – ma si possono prevedere a breve sviluppi su diversi fronti. Secondo gli esperti, grazie all’AI generativa la tecnologia potrà raggiungere livelli di performance pari a quelli umani prima di quanto pensiamo: capacità come il ragionamento logico, la risoluzione di problemi, l’apprendimento e la comprensione del linguaggio potrebbero essere raggiunte già nell’arco dei prossimi 10 anni.

Fonte: McKinsey

Secondo McKinsey, le funzioni di AI generativa porteranno ogni anno fino a 4,4 trilioni di dollari all’economia globale. I riflessi maggiori si avvertiranno sul cosiddetto “knowledge work”, ovvero le attività che richiedono processi decisionali e collaborazione: l’AI knowledge management diventerà una prassi, grazie anche alla diffusione di AI knowledge base, archivi centralizzati di informazioni potenziati dall’intelligenza artificiale per consentire una più semplice gestione delle informazioni. Secondo le previsioni quasi tutti i settori trarranno i guadagni più significativi nelle funzioni di marketing e vendite, ma l’high tech e il banking vedranno un impatto ancora maggiore grazie al potenziale della GenAI di accelerare lo sviluppo software. E più si diffonderanno applicazioni mirate a settori e funzioni specifiche, maggiore sarà il valore prodotto.

L’approccio di Digitiamo

Comprendere le componenti chiave di questo ecosistema e fare scelte informate è essenziale per portare a termine con successo le iniziative di AI transformation e di implementazione della GenAI. È quello che si propone di fare Digitiamo, società di esperti di Artificial Intelligence specializzata - da diversi anni ormai - nello sviluppo e nel design di soluzioni digitali.

Attraverso l’AI, Digitiamo è in grado di aumentare le conoscenze aziendali, proponendosi come performance partner nel viaggio verso l’adozione dell’intelligenza artificiale e mettendo a disposizione un team di professionisti di data science, business design e software engineering impegnati a fornire soluzioni AI all’avanguardia e allineate alle specifiche necessità aziendali.

Gli esperti di Digitiamo guidano l’azienda attraverso un percorso chiaro e definito verso l’adozione dell’AI, con soluzioni che permettono analisi precise e approfondite, e garantiscono che questa transizione non solo risponda alle esigenze immediate, ma ponga anche solide basi per la crescita aziendale futura.

L’approccio verso l’innovazione di Digitiamo si compone di tre step:

Formazione - grazie all’AI Business Academy, il team di esperti di Digitiamo introduce l’AI in azienda attraverso la formazione delle sue risorse: da C-level a manager apicali, da direttori operativi a sviluppatori;
Business Design - si procede alla mappatura dei processi aziendali, per capire in quali fasi e in quali modalità l’inserimento dell’AI possa portare benefici; si identifica l’algoritmo o gli algoritmi a supporto, si definiscono le risorse necessarie e si avvia la progettazione della soluzione in modo che possa integrarsi facilmente con gli strumenti e i processi già presenti in azienda
Sviluppo - una volta conclusa la progettazione si passa all'AI Factory, quindi allo sviluppo del progetto, della soluzione o del prodotto di AI specificamente pensato per andare incontro alle esigenze aziendali. Per ogni implementazione si ottengono risultati misurabili, costanti e di valore.

Il metodo di lavoro di Digitiamo parte quindi dalla definizione del problema e dei risultati da raggiungere, individuati in termini di KPI e definiti a inizio progetto. Questa attività corrisponde a una prima fase di scoperta, in cui il team di esperti analizza le soluzioni già presenti sul mercato, i modelli di AI esistenti e il loro impatto e studia i dati aziendali.

Individuata la soluzione migliore, si procede alla sua prototipizzazione: è il momento dello sviluppo, in cui i modelli di AI vengono messi in funzione, iniziano a lavorare con i dati a disposizione e a restituire indicatori preziosi per il business. Infine, conclusa la creazione, si arriva alla fase di consegna della soluzione: questa viene integrata nei processi aziendali e può continuare a produrre vantaggi in termini di maggiore visibilità, aumento dell’efficienza e piena corrispondenza con le esigenze di dipendenti e clienti. Una soluzione AI ready che continuerà a generare valore nel tempo, cambiando il futuro dell’azienda perché capace di evolversi seguendo in modo automatico le nuove ed eventuali esigenze di business dell’organizzazione.