Le aziende automobilistiche stanno diventando sempre più dipendenti dal software, che ora rappresenta un elemento critico per differenziare i veicoli. Il software è fondamentale per le funzionalità avanzate e la sicurezza, ma presenta anche sfide organizzative, come ritardi nella produzione e sforamenti di budget. L’introduzione della Gen AI promette di trasformare il modo in cui il software viene sviluppato e utilizzato, aumentando la produttività lungo tutto il ciclo di vita dello sviluppo software.
Una recente indagine McKinsey condotta tra i dirigenti del settore automobilistico e manifatturiero ha rivelato che oltre il 40% degli intervistati sta investendo fino a 5 milioni di euro nella ricerca e nello sviluppo dell’intelligenza artificiale e oltre il 10% sta investendo più di 20 milioni di euro
Il ruolo della Gen AI nello sviluppo del software
La Gen AI sta introducendo nuove opportunità e sfide nel panorama del software. Le aziende stanno ridefinendo i loro modelli operativi, creando unità dedicate allo sviluppo software e reclutando nuovi talenti con competenze specializzate. Questa tecnologia può migliorare la produttività dei programmatori riducendo il tempo dedicato a diverse attività di ingegneria del software, come la generazione di bozze di codice e la creazione di nuovi design di sistema.
Sfide organizzative e culturali
Integrare la Gen AI richiede più della semplice adozione tecnologica; è necessario un modello operativo adeguato. Le barriere principali sono legate ai cambiamenti organizzativi e culturali richiesti per integrare efficacemente la Gen AI nei modelli operativi esistenti. Il valore della Gen AI si realizza solo quando le organizzazioni si adattano a nuovi modi di lavorare.
Come la Gen AI può supportare i product manager
La Gen AI può supportare i product manager in vari casi d’uso. È particolarmente utile per supportare i PM nel perfezionamento delle ipotesi del business case, nella generazione di obiettivi e risultati chiave o KPI o nella compilazione di una sintesi dello sviluppo di nuove funzionalità. È inoltre in grado di contribuire alla creazione di artefatti di prodotto, tra cui la sintesi del feedback sui requisiti di prodotto da parte di esperti tecnici, la stesura di storie di utenti, la creazione e il perfezionamento di comunicati stampa, domande frequenti e documenti sui requisiti di prodotto.
Nello sviluppo di sistemi embedded critici per la sicurezza, la Gen AI può aiutare in modo significativo i PM garantendo una copertura completa degli aspetti di sicurezza. Ad esempio, gen AI può analizzare gli standard normativi e i dati storici dei progetti per generare automaticamente specifiche dettagliate e conformi ai requisiti, agendo come un controllore di qualità per garantire che nessun elemento critico venga trascurato. I modelli avanzati possono analizzare e comprendere documenti normativi complessi, aiutando i PM a soddisfare i requisiti di sicurezza.
Inoltre, la Gen AI può automatizzare la creazione di documentazione dettagliata, controllando continuamente la conformità durante il processo di sviluppo, segnalando eventuali deviazioni dagli standard di sicurezza e suggerendo azioni correttive. È importante impiegare processi di validazione e verifica rigorosi, compresi sistemi human-in-the-loop per i quali i risultati dell’IA vengono rivisti prima di essere utilizzati.
Secondo le stime di McKinsey, i PM potrebbero risparmiare tra il 10 e il 30% del loro tempo su queste attività quando hanno accesso ai giusti strumenti di AI e ricevono una formazione adeguata. I casi d’uso di maggiore impatto possono consentire un risparmio di tempo pari o superiore al 40%.
Una delle recenti indagini sui PM ha testato il potenziale di risparmio di tempo della gen AI in dieci diversi casi d’uso. I risultati hanno indicato che i PM che hanno accesso alla Gen AI possono risparmiare fino al 39% del tempo impiegato per creare e perfezionare i requisiti di prodotto e le storie degli utenti.
Gli intervistati hanno anche indicato un miglioramento della produttività del 44% quando utilizzano la Gen AI con misure di garanzia della qualità, come la creazione e l’automazione di test per migliorare l’efficienza e l’affidabilità del codice.
L’importanza della formazione e della gestione del cambiamento
Per sfruttare appieno il potenziale della Gen AI, è cruciale che gli utenti siano adeguatamente formati. I programmi di formazione devono coprire le competenze fondamentali della Gen AI e includere pratiche con casi d’uso specifici. Inoltre, le preoccupazioni relative alla protezione dei dati devono essere affrontate proattivamente attraverso processi di gestione del rischio adeguati.
La catena di strumenti necessaria per massimizzare il valore della Gen AI nello sviluppo del software
L’applicazione strategica della Gen AI nello sviluppo del software prevede un approccio a fasi che inizia con l’uso di modelli e strumenti standard per casi d’uso comuni, avanzando verso compiti più complessi e specializzati. Le aziende devono stabilire metriche per misurare l’impatto delle iniziative di Gen AI e sviluppare programmi per realizzare valore finanziario dalla capacità sbloccata dalla Gen AI.
L’applicazione strategica dell’AI gen nello sviluppo del software prevede in genere un approccio graduale, che inizia con casi d’uso standard e passa a compiti più complessi e specializzati. Per sfruttare efficacemente il potenziale degli strumenti di AI gen nello sviluppo del software, le organizzazioni possono considerare quattro fasi distinte.
La prima fase, un tipico punto di partenza, prevede l’utilizzo di modelli e strumenti già disponibili per casi d’uso standard, come la generazione di codice e la documentazione per linguaggi di programmazione popolari come Java, JavaScript, Go e Python. Questa fase consente alle organizzazioni di realizzare rapidamente i vantaggi della gen AI con un investimento iniziale e una complessità minimi.
La seconda fase, meno comunemente perseguita, prevede la messa a punto di questi modelli sulla base di codice dell’organizzazione e, potenzialmente, il loro auto-ospitamento per casi d’uso standard. Per lo sviluppo di software embedded, questa fase potrebbe comportare l’adattamento dei modelli per comprendere e generare codice per linguaggi di programmazione di livello inferiore, come il C o l’Assembly. Sebbene questa soluzione possa offrire soluzioni più personalizzate, spesso richiede sforzi e risorse significative, il che la rende meno interessante per molte organizzazioni nelle prime fasi del loro percorso nell’AI.
La terza fase prevede l’utilizzo di modelli e strumenti già pronti per casi d’uso più avanzati. Ciò potrebbe includere attività complesse come il refactoring avanzato del codice o l’integrazione dell’AI nei sistemi embedded per gestire le trasmissioni di segnali tra i sensori. Nel contesto del software embedded, questa fase potrebbe anche comportare l’ottimizzazione del codice per le prestazioni in tempo reale e per i vincoli di memoria e garantire una perfetta integrazione hardware-software.
L’ultima fase, la più avanzata, consiste nell’utilizzare modelli perfezionati su basi di codice proprietarie o nell’auto-ospitare questi modelli per compiti altamente specializzati. Per esempio, nell’ingegneria dei requisiti, gli strumenti possono assistere i product manager in compiti generali, ma un numero sempre maggiore di aziende sta sviluppando i propri strumenti di intelligenza artificiale per produrre risultati migliori, come la generazione di diagrammi entità-relazione.
Nel software aziendale l’impatto tende a essere maggiore
Le applicazioni giuste sono fondamentali per massimizzare i vantaggi della Gen AI, sia nello sviluppo di software aziendale che in quello embedded. In generale, la Gen AI può essere applicata sia al software aziendale che a quello embedded, anche se con alcune distinzioni. Sebbene il processo di integrazione implichi strategie, strumenti e processi di gestione del rischio simili, l’impatto tende a essere maggiore nel software aziendale perché ha meno vincoli rispetto ai sistemi embedded critici. Lo sviluppo di software embedded richiede spesso ambienti di test specializzati, come hardware-in-the-loop e software-in-the-loop, per garantire affidabilità e prestazioni. Inoltre, lo sviluppo di software embedded beneficia meno di strumenti generici di AI off-the-shelf e in genere richiede soluzioni più specializzate e configurazioni personalizzate per soddisfare vincoli specifici di hardware e prestazioni.
Anche i linguaggi di programmazione di basso livello utilizzati nei sistemi embedded possono richiedere una messa a punto aggiuntiva o l’integrazione di competenze per sfruttare appieno le capacità dell’AI gen.
Inoltre, alcuni strumenti di Gen AI e modelli di linguaggio di grandi dimensioni possono essere più adatti di altri per lo sviluppo di software embedded. Ad esempio, i modelli in grado di gestire le complessità dei sistemi in tempo reale e di supportare linguaggi di programmazione di basso livello saranno particolarmente preziosi. Questi strumenti devono essere in grado di generare codice non solo funzionale, ma anche altamente ottimizzato per le risorse limitate tipiche dei sistemi embedded.
I consigli di McKinsey per integrare la Gen AI nello sviluppo software
Affinché i leader del settore automobilistico e industriale possano integrare correttamente queste capacità, devono decidere intenzionalmente come implementare la gen AI. Per integrare con successo l’AI gen nello sviluppo del software, le organizzazioni devono stabilire tre fasi fondamentali: creazione di capacità e gestione del cambiamento, misurazione dell’impatto e cattura del valore e un approccio di trasformazione multilever.
Il primo passo consiste nel dotare gli sviluppatori delle competenze e delle conoscenze necessarie. Le organizzazioni dovrebbero iniziare con casi d’uso ad alto impatto e facilmente implementabili, supportati da una struttura di governance centralizzata per i dati e gli strumenti. La formazione di un gruppo di coach per guidare il programma di abilitazione assicura ulteriormente la crescita sostenibile delle capacità di intelligenza artificiale.
La seconda fase prevede la definizione e il monitoraggio delle metriche per misurare l’impatto delle iniziative di gen AI. È necessario stabilire metriche critiche come la qualità del codice e la velocità di sviluppo per creare una linea di base rispetto alla quale monitorare i progressi. Gli strumenti che tracciano e analizzano le prestazioni dell’IA gen e monitorano i modelli di utilizzo nei vari team possono fornire informazioni preziose. Lo sviluppo di programmi per realizzare il valore finanziario della capacità sbloccata dalla gen AI è essenziale per dimostrare benefici tangibili.
La terza fase si concentra sulla catalizzazione di una trasformazione completa del modello operativo di sviluppo del software. Ricordate che l’integrazione dell’intelligenza artificiale non è mai solo una questione di tecnologia, quindi questa fase comporta la modifica dei processi, delle strutture organizzative, delle capacità e degli strumenti. Anche la promozione di una cultura DevOps che enfatizzi la collaborazione, la comunicazione e la condivisione delle responsabilità tra i team di sviluppo e operativi è fondamentale per creare un ambiente che consenta all’AI di prosperare e per ottenere una maggiore velocità di sviluppo.
Tre metodi per considerare le ramificazioni finanziarie
Una progressione logica è quella di considerare le ramificazioni finanziarie di questo sforzo. I metodi più utilizzati sono tre.
In primo luogo, le organizzazioni possono accelerare il loro backlog integrando i guadagni di efficienza accumulati nei loro processi di pianificazione, consentendo così ai team di gestire più lavoro con la stessa capacità. Questo approccio richiede un allineamento meticoloso tra i miglioramenti di efficienza e la pianificazione dei progetti.
In secondo luogo, le aziende possono programmare le future assunzioni in modo che coincidano con l’impatto misurato dell’intelligenza artificiale. Questo approccio consentirebbe loro di sfruttare la maggiore produttività dell’AI gen per mantenere o addirittura espandere l’attività senza ulteriori assunzioni.
Infine, le organizzazioni possono riallocare la capacità extra generata dalla gen AI per lanciare nuove iniziative. Grazie all’assegnazione o alla ridistribuzione di questa capacità tra i vari team, le aziende possono intraprendere progetti strategici nuovi o incrementali con evidenti vantaggi, come il miglioramento della resilienza e la riduzione del debito tecnico. Questo approccio non solo consente di risparmiare tempo per ottenere miglioramenti operativi immediati, ma posiziona strategicamente l’organizzazione per la crescita e l’innovazione a lungo termine.
Conclusioni
L’integrazione della Gen AI nello sviluppo del software automobilistico e industriale rappresenta un significativo passo avanti nel miglioramento della produttività, dell’innovazione e dell’efficienza operativa. Adottando un approccio olistico che include la costruzione di capacità, l’implementazione strategica e la misurazione continua dell’impatto, le organizzazioni possono sfruttare appieno il potenziale della Gen AI per guidare la crescita e mantenere un vantaggio competitivo in un panorama sempre più digitale.
