Il divario tra la formazione e l’implementazione di modelli di intelligenza artificiale è grande: circa l’80% dei progetti non riesce a farcela. “Il fenomeno dei modelli di intelligenza artificiale che vengono addestrati ma mai implementati, o che dimostrano di deludere nella produzione dopo una convalida di successo, è comune”, secondo il rapporto “AI Viewpoint: The Challenge of Implementation” della società di ricerca Omdia.
Le ragioni per il mancato lancio possono includere la deriva del modello, l’apprendimento delle scorciatoie, i pregiudizi e problemi aziendali più ampi, come dati mal gestiti o la mancata progettazione di un processo aziendale efficiente, afferma l’autore del rapporto Alexander Harrowell, analista senior di Omdia di Advanced Computing and AI.
![](https://www.ai4business.it/wp-content/uploads/sites/11/2022/08/word-image.jpeg)
Non solo è urgente per le aziende investire in analisi dei dati, governance e competenze, ma sono necessari cambiamenti nel modo in cui viene misurato il successo. Alcune delle metriche più comuni sono KPI “soft”, come il “coinvolgimento del cliente”, ma sono più amorfe del ROI.
“La conclusione potrebbe essere che il modo migliore per colmare il divario di implementazione è filtrare i progetti sbagliati più a monte imponendo KPI più rigorosi”, ha detto l’analista.
Ecco i punti principali del rapporto:
- Il divario di implementazione rimane e potrebbe anche essere in crescita. La velocità con cui i progetti di intelligenza artificiale arrivano dal workshop strategico o dal comunicato stampa, attraverso le fasi di sviluppo e convalida, alla produzione è ancora bassa ed esiste un inventario sostanziale di progetti non consegnati.
- Un fattore chiave del divario possono essere i progetti giustificati da KPI “soft”. La vendita al dettaglio e il più ampio settore dei consumatori sono le più grandi aree di crescita dell’AI e hanno sperimentato un aumento di investimenti in chatbot, VDA e raccomandazioni sui prodotti negli ultimi anni. KPI come “customer engagement” sono molto comuni, ma sono sostanzialmente meno ben definiti rispetto, ad esempio, alle entrate.
- Sebbene le aziende che lo segnalano abbiano visto risultati ROI molto positivi, sorprendentemente poche aziende hanno scelto di utilizzarlo come KPI. Ciò può essere dovuto a un cosiddetto effetto cassetto file, in cui nessuno vuole discutere i progetti che non hanno ottenuto un ritorno. Come regola generale, i KPI degli obiettivi finali, come entrate, ROI o produttività, sono rari. La disciplina di tali KPI può essere una leva importante per colmare il divario.
- In diversi settori esiste un modello comune di preparazione all’AI. Le imprese di tutti i settori studiati hanno fatto progressi nella definizione della strategia e nell’adeguamento della propria organizzazione, e un sottoinsieme ha sviluppato capacità tecnologiche e operative.
- I servizi finanziari e la vendita al dettaglio vanno relativamente bene quanto a prontezza dell’AI, per ragioni diverse.
![](https://www.ai4business.it/wp-content/uploads/sites/11/2022/08/word-image-1.jpeg)