I dati dell’AI Maturity Model di NetConsulting cube evidenziano un’adozione dell’intelligenza artificiale nelle aziende italiane ancora prevalentemente in fase teorica e progettuale. Serve lavorare allo sviluppo di una cultura aziendale AI-driven ed alla formazione delle persone, servono progetti pilota per dimostrare concretamente i vantaggi offerti dall’AI. In quest’ottica, diventa prioritario integrare armoniosamente l’intelligenza artificiale nei processi aziendali e investire in infrastrutture dati centralizzate e sicure. Ne parliamo con Igor Bailo, AI & Data Executive Director di Engineering, che sottolinea l’approccio integrato di Engineering, che prevede upskilling mirato, AI champions interni e soluzioni personalizzate come EngGPT per sfruttare appieno le opportunità della nuova AI economy.
Dalla survey di NetConsulting cube emerge come le aziende italiane siano ancora in una fase di valutazione della strategia di AI. Quali sono a vostro avviso i passi da compiere per passare da una fase “teorica” progettuale a una implementazione reale dell’AI su larga scala?
Crediamo fortemente che ogni grande cambiamento di successo debba passare dalle persone, per cui uno dei punti cardine per l’implementazione dell’AI su larga scala dal nostro punto di vista ha come prerequisito la formazione delle persone e il conseguente adattamento ad una nuova cultura aziendale che veda l’AI come elemento di supporto per raggiungere gli obiettivi più sfidanti. Parliamo quindi a tutti gli effetti di un nuovo mindset AI-driven che, per forza di cose, deve necessariamente passare dal toccare con mano i benefici che questa tecnologia è in grado di offrire; è fondamentale, pertanto, che si realizzino progetti pilota che, con risorse limitate, siano in grado di dimostrare il vantaggio che l’AI può offrire generando la fiducia necessaria a passare poi successivamente ad un approccio di larga scala. Un altro elemento chiave è l’integrazione dell’AI nei processi aziendali esistenti. Perché l’adozione su larga scala abbia successo, l’AI non deve essere vista come un’aggiunta separata, ma come un abilitatore che si inserisce armoniosamente nei workflow aziendali, ottimizzandoli e rendendoli più efficienti.
In ultimo, ma non per importanza, alla base dell’utilizzo dell’AI su larga scala, c’è la necessità di un’infrastruttura dei dati che deve essere centralizzata, solida, scalabile e sicura. Le aziende che ancora non l’hanno fatto devono pertanto investire nella modernizzazione delle proprie architetture IT, adottando soluzioni di data governance, data quality e strumenti avanzati di gestione dei dati.
Nella maggior parte dei casi, non è stato ancora definito in modo preciso il modello organizzativo per la gestione dell’AI (47%). Quali strategie per il change management proponete?
Per implementare un modello organizzativo efficace per la gestione dell’AI è fondamentale adottare un approccio integrato che preveda una solida formazione e sviluppo delle competenze, il coinvolgimento attivo di tutti gli stakeholder e la definizione di una visione chiara accompagnata da una roadmap strategica che sia quanto più possibile condivisa: in Engineering abbiamo fatto questo lavoro prima di tutto su noi stessi, e portiamo innanzitutto in dote la nostra esperienza di successo. Un aspetto fondamentale è in primis quello di colmare il gap di conoscenze e di promuovere una cultura dell’innovazione e del cambiamento continuo all’interno dell’azienda, mettendo l’AI alla base e facendo in modo che tutti, dai tecnici ai dirigenti, dispongano degli strumenti necessari per comprendere e utilizzare l’AI con l’ottica di incrementare il trust tecnologico. Da nostra esperienza, un ruolo chiave in questo processo è svolto infatti dagli AI champions, professionisti che fungono da punto di riferimento e da promotori interni del cambiamento, capaci di diffondere le best practice dell’AI e che facilitino l’adozione delle nuove tecnologie. In ultima istanza è fondamentale la definizione di una visione condivisa e la pianificazione di una roadmap strategica; queste ci permetteranno di fissare obiettivi misurabili e di delineare delle milestone per l’adozione dell’AI, creando un percorso che integri le esigenze formative e organizzative in un contesto dinamico e orientato al futuro.
Una delle principali criticità è rappresentata dalla carenza di Come potete supportare le aziende per colmare questo gap?
Come detto inizialmente la formazione è uno dei punti chiave per la strategia di adoption dell’AI e questo si ribalta su azioni di upskilling o reskilling volte a colmare il gap di competenze interno. Per supportare le aziende in questo percorso, offriamo servizi consulenziali mirati alla definizione di una roadmap di GenAI Adoption, un elemento fondamentale per integrare in modo efficace l’intelligenza artificiale nei processi aziendali. Questo approccio consente di identificare le aree prioritarie di intervento, valutare il livello di maturità dell’organizzazione e definire strategie concrete per la trasformazione digitale.
Inoltre, come Engineering, proprio in ottica di upskilling e reskilling, siamo in grado di offrire percorsi formativi specializzati, per sviluppare le competenze necessarie all’adozione dell’AI. A questo affianchiamo un accompagnamento nelle sperimentazioni e nei progetti Pilota, supportando i nostri clienti nell’implementazione pratica delle nuove tecnologie e nella validazione dei casi d’uso. Questo approccio integrato è fondato sulle innumerevoli esperienze accumulate presso i nostri clienti e consente non solo di ridurre il gap di competenze, ma anche di accelerare l’adozione dell’AI in modo strutturato, valorizzando le risorse interne e garantendo risultati concreti e misurabili.
Quale la strategia di Engineering per consentire alle imprese italiane di cogliere l’opportunità nella nuova AI Economy?
La strategia di Engineering si fonda su un approccio che punta a far beneficiare le imprese italiane delle opportunità offerte dalla nuova AI Economy attraverso soluzioni che siano prima di tutto italiane, ma anche private, su misura e conformi alla nuova normativa europea e italiana in corso di definizione.
In questo quadro infatti, il nostro Large Language Model EngGPT rappresenta uno dei principali esempi della GenAI personalizzata italiana, ed è sviluppato proprio per rispondere in modo specifico alle esigenze linguistiche, culturali e operative del contesto nazionale e offrendo così un vantaggio competitivo senza dover rinunciare alla privacy del dato secondo il concetto della Private GenAI: l’implementazione della Private GenAI garantisce infatti che gli ambienti di elaborazione del dato siano sicuri e privati.
Un altro aspetto cruciale per favorire l’adozione dell’AI nelle imprese è la spiegabilità dei modelli, ovvero la capacità di comprendere e giustificare le decisioni prese dagli algoritmi. Engineering pone grande attenzione a questo aspetto, adottando tecniche di Explainable AI (XAI) per garantire trasparenza e fiducia nelle soluzioni proposte. La nostra strategia integra quindi strumenti avanzati di monitoraggio e interpretabilità, per assicurare che l’AI sia non solo efficace, ma anche affidabile e conforme agli standard etici e normativi.
Grazie a questo approccio strutturato, Engineering si pone come partner strategico per le imprese italiane che desiderano sfruttare il potenziale della nuova AI economy in modo sicuro, trasparente e altamente personalizzato.
Leggi tutti gli approfondimenti della room AIMM – Artificial Intelligence Maturity Model
© RIPRODUZIONE RISERVATA
