In vista del 2024, i ˝żÉ«µĽş˝devono rimodellare la loro agenda digitale tenendo conto delle promesse e dei pericoli dell'IA generativa. Ecco cinque modi per affrontare il potenziale dirompente degli LLM, i modelli linguistici di grandi dimensioni basati su algoritmi capaci di riconoscere e generare contenuti.
La trasformazione digitale deve essere una competenza organizzativa fondamentale. Questo è il mio consiglio principale ai ˝żÉ«µĽş˝e ai leader IT.
Durante i keynote e le discussioni con i CIO, ricordo a tutti come le prioritĂ strategiche si evolvano in modo significativo ogni due anni o meno: dalla crescita nel 2018, alla pandemia e al lavoro da remoto nel 2020, al lavoro ibrido e ai vincoli finanziari nel 2022.
L’impatto delle IA generative, tra cui ChatGPT e altri modelli linguistici (LLM), sarà , nel 2024, un fattore di trasformazione significativo.
Mentre molti ˝żÉ«µĽş˝preparano i loro bilanci per il 2024 e le loro prioritĂ di trasformazione digitale, è indispensabile sviluppare una strategia che cerchi le opportunitĂ di evoluzione dei modelli di business, che si concentri sugli impatti operativi a breve termine, che dia prioritĂ ai settori in cui i dipendenti dovrebbero sperimentare, e che definisca i piani di mitigazione dei rischi legati all’IA.
Ma con tutto l’entusiasmo e il clamore, è facile che i dipendenti possano imbattersi in strumenti di IA che compromettono i dati riservati o che i manager scelgano strumenti di IA che non sono stati sottoposti a controlli di sicurezza, che non rispettino la governance dei dati e altre verifiche di conformità . La difficoltà più grande è definire una strategia realistica e sviluppare una risposta al “sognatore impossibile”, il leader aziendale che “chiede la luna” ma che, invece, “rischierete di incontrare all’inferno” [in inglese].
Abhijit Mazumder, ˝żÉ«µĽş˝di Tata Consultancy Services, afferma: “Le prioritĂ della trasformazione devono essere, fondamentalmente, collegate alle prioritĂ aziendali e a ciò che ogni impresa sta cercando di ottenere. Nella maggior parte delle societĂ , la leadership si concentra in egual misura sulla crescita e sull’efficienza operativa, senza dimenticare di dare prioritĂ alla resilienza, alla cybersicurezza e ai programmi di eliminazione del debito tecnologico”.
Di seguito sono riportati alcuni fattori dell’intelligenza artificiale generativa che i ˝żÉ«µĽş˝devono prendere in considerazione nell’evoluzione delle loro prioritĂ di trasformazione digitale.
Come definire una strategia game changer per gli LLM
In occasione di un recente che ho ospitato, abbiamo discusso di come l’IA generativa e gli LLM avranno un impatto su ogni settore. Tra gli esempi, ricordiamo il modo in cui l’IA generativa:
- Accelererà la scoperta di farmaci farmaceutici utilizzando l’intelligenza aggiuntiva dei dati non strutturati.
- Darà la possibilità agli addetti all’assemblaggio dei prodotti manifatturieri di risolvere i problemi in modo più rapido e affidabile.
- ConsentirĂ ai fornitori di servizi medici di offrire risposte personalizzate alle domande sulla salute dei pazienti.
- ContribuirĂ allo sviluppo di nuovi prodotti assicurativi, bancari e di altri servizi finanziari basati sui dialoghi dei clienti.
- Trasformerà l’istruzione fornendo agli insegnanti nuovi modi per far progredire il pensiero creativo, la collaborazione e la capacità di risolvere i problemi degli studenti.
“Questo è il momento giusto per i ˝żÉ«µĽş˝e i CTO non solo di essere creativi su come fare di piĂą con meno, ma anche di superare la concorrenza con investimenti calcolati, dato che i concorrenti stanno probabilmente cercando di ritardare o ridimensionare i loro progetti di trasformazione”, afferma Jeremiah Stone, CTO di SnapLogic. “Date prioritĂ alle iniziative di trasformazione che possono creare nuovi flussi di entrate, democratizzare le tecnologie o cercate di ridurre il debito tecnico, soprattutto quando si considerano le opportunitĂ di IA generativa”.
I ˝żÉ«µĽş˝probabilmente riconosceranno che i programmi di trasformazione di questa portata sono iniziative pluriennali che richiedono la valutazione delle capacitĂ degli LLM, la sperimentazione e la ricerca di offerte praticabili e adeguatamente sicure per i clienti. Tuttavia, l’assenza di una strategia può portare all’interruzione dell’attivitĂ e un errore fondamentale che i responsabili IT possono commettere quando partecipano alle riunioni del consiglio di amministrazione [in inglese] è quello di non avere un piano per una tecnologia emergente che cambi il mondo come l’IA generativa.
Pulire e preparare i dati per gli LLM privati
Le funzionalità di IA generativa aumenteranno l’importanza e il valore dei dati non strutturati di un’azienda, compresi documenti, video e contenuti archiviati nei sistemi di gestione dell’apprendimento. Anche se l’azienda non è pronta a considerare come l’IA generativa possa sconvolgere i propri settori e le proprie attività , i leader della trasformazione proattiva adotteranno misure per centralizzare, pulire e preparare i dati non strutturati per l’uso negli LLM.
“Poiché gli utenti di tutta l’azienda chiedono, a gran voce, di sfruttare le capacità dell’IA generativa come parte delle loro attività quotidiane, la priorità n. 1 per i CIO, i CTO e i CDO è quella di consentire un accesso sicuro e scalabile a una gamma crescente di modelli di IA generativa, e di permettere ai team di data science di sviluppare e rendere operativi LLM perfezionati su misura per i dati e i casi d’uso dell’impresa”, spiega Kjell Carlsson, responsabile della strategia e dell’evangelizzazione della scienza dei dati di Domino.
Esistono già e, se si dispone di grandi insiemi di dati, è possibile personalizzare un LLM proprietario utilizzando piattaforme come , e , come pure .
La personalizzazione e lo sviluppo di LLM richiedono un solido business case, competenze tecniche e finanziamenti. Peter Pezaris, chief design and strategy officer di New Relic, dichiara: “L’addestramento di modelli linguistici di grandi dimensioni può essere costoso, e i risultati possono essere della qualità che ci si aspetta, quindi i leader dovrebbero dare priorità agli investimenti in soluzioni che aiutino a monitorare i costi di utilizzo e a migliorare la qualità dei risultati delle query”.
Cercare l’efficienza migliorando l’assistenza ai clienti
GiĂ nel 2020 McKinsey ha stimato che l’IA avrebbe potuto avere all’anno, ed essere un’opportunitĂ significativa che oggi fa riferimento all’IA generativa, soprattutto quando i ˝żÉ«µĽş˝riferiscono i dati non strutturati in un LLM e coinvolgono i loro clienti.
Justin Rodenbostel, EVP di SPR, dichiara: “Cercate le opportunità di sfruttare GPT-4 e LLM per ottimizzare attività quali l’assistenza ai clienti, soprattutto per quanto riguarda l’automazione e l’analisi di grandi quantità di dati non strutturati”.
Il miglioramento dell’assistenza ai clienti è un modo rapido per ottenere un . Gli LLM richiedono la centralizzazione dei dati non strutturati di un’azienda, compresi quelli incorporati nei CRM, nei file system e in altri strumenti SaaS. Una volta che l’IT centralizza questi dati e implementa un LLM privato, altre opportunità includono il miglioramento della conversione dei lead di vendita e dei processi di onboarding delle risorse umane.
“Le aziende hanno inserito i dati in SharePoint e in altri sistemi per decenni”, riflette Gordon Allott, presidente e CEO di GetK3. “Potrebbero avere un valore reale ripulendoli e utilizzando un LLM”.
Ridurre i rischi con un modello di governance LLM
si compone di oltre 100 strumenti che coprono test, immagini, video, codice, parlato e altre categorie. Cosa impedisce ai dipendenti di provare un tool e di inserire informazioni proprietarie o riservate nei loro prompt?
Rodenbostel precisa: “I leader devono assicurarsi che i loro team utilizzino questi strumenti solo in modi approvati e appropriati, rispettando una policy di utilizzo accettabile”.
Ci sono tre settori in cui i ˝żÉ«µĽş˝devono collaborare con i loro CHRO e CISO per comunicare le policy e creare un modello di governance che supporti la sperimentazione dell’intelligenza artificiale. In primo luogo, i ˝żÉ«µĽş˝devono valutare l’impatto di ChatGPT e di altre applicazioni . L’IT deve dare l’esempio su dove e come sperimentare e quando non utilizzare uno strumento o un set di dati proprietario.
Il marketing è la seconda area su cui concentrarsi, dove i marketer possono utilizzare ChatGPT e altre IA generative nella creazione di contenuti, nella generazione di lead, nell’email marketing e un’altra decina di pratiche comuni per il marketing [in inglese]. Con , ci sono molte opportunità per sperimentare e commettere errori involontari nel testare SaaS con nuove funzionalità LLM.
I ˝żÉ«µĽş˝delle aziende piĂą importanti stanno creando un registro per accogliere i nuovi casi d’uso dell’IA generativa, definire un processo di revisione delle metodologie e centralizzare l’acquisizione dell’impatto degli esperimenti di IA.
Rivalutare i processi decisionali e le autoritĂ
Un’area importante da considerare è l’impatto dell’IA generativa sui processi decisionali e sul futuro del lavoro.
Nell’ultimo decennio, molte aziende hanno puntato a essere guidate dai dati democratizzandone l’accesso, formando un maggior numero di imprenditori sulla , e instillando . L’IA generativa libera nuove capacità , consentendo ai leader di richiedere e ottenere risposte rapide, ma la tempestività , e la sono problemi fondamentali per molti LLM.
“Mantenere gli esseri umani al centro dell’IA e stabilire solide strutture per l’utilizzo dei dati e l’interpretabilità dei modelli contribuirà a ridurre le distorsioni all’interno di questi ultimi e a garantire che tutti i risultati dell’IA siano etici e responsabili”, afferma Erik Voight, vice president delle soluzioni aziendali di Appen. “La realtà è che i modelli di IA non sostituiscono gli esseri umani quando si tratta di prendere decisioni critiche e dovrebbero essere utilizzati per integrare questi processi, non per sostituirli completamente”.
I ˝żÉ«µĽş˝dovrebbero cercare un approccio equilibrato per dare prioritĂ alle iniziative di IA generativa, definendo la governance, identificando le efficienze a breve termine e cercando opportunitĂ di trasformazione a lungo termine.
