Il sofisma di McNamara applicato all'intelligenza artificiale
Quanti agenti IA dobbiamo deployare? Nelle discussioni sull'intelligenza artificiale in azienda, questa domanda ritorna frequentemente nei colloqui con i dirigenti. Il numero ha i suoi vantaggi: entra facilmente in una presentazione, si può confrontare con quello dei competitor e comunica facilmente alla direzione. Ma cosa dice realmente sulla trasformazione che ha investito l'azienda?
Questa tentazione porta un nome preciso: il sofisma di McNamara. Consiste nel privilegiare ciò che si misura facilmente, rischiando di trascurare ciò che conta veramente. Con l'intelligenza artificiale, ad esempio, il numero di agenti deployati è immediatamente disponibile, mentre la loro contribuzione all'affidabilità di una proiezione o alla riduzione dei tempi di pagamento richiede una vera valutazione. La facilità della misurazione non dovrebbe dettare la nostra definizione del successo.
Iniziare dal problema, non dalla soluzione
Concretamente sul terreno, le aziende che traggono vera valore dall'intelligenza artificiale cominciano da un problema da risolvere o da un punto di attrito da eliminare. Definiscono il risultato atteso, quindi scelgono i mezzi per raggiungerlo. Questa metodologia dovrebbe guidare le decisioni dei dirigenti. Per andare oltre la fase sperimentale, quattro questioni meritano di essere affrontate prima di quella relativa al numero di agenti IA.
Migliorare la qualità del risultato
Gli assistenti che redigono un primo testo, riassumono una riunione o rispondono a una domanda rendono servizi concreti. Il tempo guadagnato conta. Occorre però comprendere come si traduce nel funzionamento dell'azienda. Una retribuzione più affidabile, una pianificazione del team stabilita più rapidamente, costi di approvvigionamento ridotti o crediti riscossi più presto: ecco risultati che permettono di valutare un investimento. Il numero di agenti mobilizzati per ottenerli rimane una scelta di implementazione.
È a questa scala che l'applicazione agentistica prende tutto il suo significato. Un agente può completare un compito preciso; un'applicazione agentistica coordina più agenti specializzati per far progredire un processo verso un obiettivo aziendale. Il passaggio dal compito al risultato cambia il modo di concepire il progetto e di misurarne l'utilità.
Prima di deployare, è quindi necessario poter denominare l'indicatore da migliorare. Senza questo punto di partenza, è difficile trasformare un esperimento di intelligenza artificiale in un beneficio misurabile.
Ridurre il carico di lavoro piuttosto che ricevere suggerimenti
L'intelligenza artificiale sa sempre meglio analizzare una situazione e proporre il prossimo passo. Una raccomandazione pertinente potrebbe tuttavia lasciare intatta la lista dei compiti da completare. Per l'azienda, la questione è sapere fino a che punto il sistema può assorbire il carico di lavoro.
Prendiamo gli acquisti come esempio. Un assistente può identificare che una categoria di acquisti dovrebbe essere oggetto di rinegoziazione e suggerire una gara d'appalto. Rimane poi da preparare la consultazione, sollecitare i fornitori, confrontare le loro risposte, ottenere le validazioni e aggiornare il contratto. È in questa sequenza che si gioca gran parte del valore.
Un'applicazione agentistica deve essere in grado di assumersi le fasi che le vengono affidate nel rispetto delle regole dell'azienda. Le autorizzazioni devono essere definite, gli interventi umani previsti e le azioni tracciabili. La capacità di esecuzione si giudica anche dal modo in cui si inscrive in questo quadro di controllo.
Il test è concreto: dopo il suo intervento, il processo ha avanzato? Il collaboratore deve poter constatare un lavoro completato, al di là dei consigli ricevuti. La misurazione è semplice: passa dalla suggestione all'azione?
L'accesso al contesto aziendale decuplica il potenziale dell'intelligenza artificiale agentistica
Le classifiche dei modelli informano sulle loro capacità generali. Non bastano a determinare la loro utilità all'interno di un'azienda o di un settore specifico. Un modello può conoscere i principi degli acquisti senza disporre delle informazioni necessarie per agire nella vostra organizzazione.
Gli mancano allora la lista dei fornitori registrati, le deleghe di potere, gli impegni contrattuali, le scorte disponibili o le eccezioni già autorizzate. Senza questo contesto, una risposta può essere ben argomentata e tuttavia inadatta alla decisione da prendere.
La qualità dei dati e il loro collegamento ai processi aziendali diventano quindi determinanti. Un agente deve disporre delle informazioni utili alla sua missione, con i diritti di accesso appropriati. Deve inoltre tenere conto dello stato del processo, delle validazioni ottenute e delle regole applicabili.
Integrare le capacità agentistiche nei sistemi dove si trovano già questi dati e controlli facilita questo lavoro. La scelta del modello rimane importante; il suo accesso al contesto dell'azienda lo è altrettanto.
L'orchestrazione degli agenti specializzati supera le intelligenze artificiali generaliste
L'idea di un assistente unico, capace di comprendere tutto e fare tutto, è affascinante. In un'azienda, i risultati si basano tuttavia sulla cooperazione di specialisti. Gli acquisti, la finanza e le risorse umane hanno ciascuno le loro competenze, responsabilità e vincoli. Gli agenti devono poter operare secondo la stessa logica.
Il reclutamento lo illustra bene. Un agente può aiutare a identificare le candidature, un altro verificare la disponibilità del budget, un terzo preparare l'integrazione del futuro dipendente. La loro utilità collettiva dipende dalla circolazione delle informazioni, dall'ordine delle fasi e dal rispetto delle validazioni. Preparare un arrivo ha senso solo se il reclutamento è stato approvato.
Il numero di agenti descrive i mezzi impiegati. La loro coordinazione determina la capacità di accompagnare il processo, dall'apertura della posizione al primo giorno del collaboratore, con le decisioni umane necessarie.
Per il software, un cambio di paradigma: dai sistemi di registrazione ai sistemi orientati ai risultati
Queste quattro domande disegnano un'evoluzione del software aziendale. Le applicazioni che registrano le operazioni e aiutano a gestire l'attività possono ora contribuire più direttamente alla loro esecuzione. Questa è la promessa dei sistemi orientati ai risultati: sfruttare il contesto disponibile per far progredire il lavoro verso un obiettivo definito, affidandosi a una coorte di agenti IA orchestrati nel raggiungimento di un obiettivo.
Spetta ai dirigenti fissare questo obiettivo, i limiti dell'autonomia accordata e i criteri di successo. Una strategia di intelligenza artificiale diventa allora più facile da valutare: gli errori sono diminuiti? I tempi si sono accorciati? Siamo più agili o reattivi di fronte a un contesto nuovo? È su queste risposte che il progresso apportato dall'intelligenza artificiale dovrebbe essere giudicato, molto più che sul numero di agenti IA deployati.