I modelli di intelligenza artificiale non sono più il collo di bottiglia. Gli sviluppatori pubblicano costantemente modelli sempre più potenti, e l'IA è ormai radicata nella routine lavorativa delle aziende tedesche. Secondo uno studio di KPMG, il 97% delle aziende intervistate considera l'IA rilevante per il proprio modello di business.

Tuttavia, si sta diffondendo una certa disillusione. Secondo un rapporto del progetto MIT NANDA, il 95% dei progetti di IA generativa nelle aziende non produce un ritorno sull'investimento misurabile. Una studio recente della DZ Bank conferma questa tendenza, anche se con numeri meno drammatici: il 41% delle piccole e medie imprese tedesche non vede ancora un beneficio concreto nell'IA, e solo il 16% si aspetta un aumento della produttività.

Da dove traggono conoscenza gli agenti di IA?

Questa lacuna di conoscenza non è un difetto dell'IA stessa. I sistemi moderni utilizzano la Retrieval Augmented Generation, o RAG. Prima di rispondere, il modello setaccia le fonti di dati disponibili e recupera i documenti pertinenti. Questo funziona come previsto, ma solo fino a dove arriva il sapere disponibile.

Qui inizia il problema. Quasi ogni azienda ha oggi dei data lake. Le informazioni sono sparse su SharePoint, Confluence, Notion e numerosi altri sistemi. Ma informazioni non sono sinonimo di sapere. L'IA può recuperare che nel 2022 è stato cambiato il fornitore, chi è il fornitore attuale e quando è arrivata l'ultima consegna, ma non può sapere quanto mal di testa ha causato il vecchio fornitore al responsabile degli acquisti e perché si è arrivati al cambio.

Il contesto, il "perché" dietro al "cosa", si trova altrove. Circa il 70% del sapere aziendale risiede esclusivamente nelle menti dei dipendenti. L'IA non può accedere a queste informazioni. Recuperare documenti non è la stessa cosa che comprendere un'azienda.

Dal recupero alla comprensione

Ciò di cui le aziende hanno bisogno non è un altro database o un chatbot ancora più potente. Serve un'infrastruttura che intervenga dove questi sistemi si fermano: il sapere implicito e l'esperienza che le persone condividono naturalmente nel corso del lavoro quotidiano, ma che raramente o solo con resistenza inseriscono in un wiki.

Chiamiamolo una memoria aziendale vivente. Cattura il sapere implicito nella routine lavorativa, lo mette in relazione, riconosce le lacune e lo mantiene vivo. Non solo sa che il fornitore è stato cambiato nel 2022, ma anche perché e quali lezioni sono state apprese da quell'esperienza.

La memoria aziendale è meno un archivio e più una mappa vivente dell'organizzazione. Ricorda, collega, nota le lacune di sapere e lascia da parte ciò che è irrilevante. Gli agenti di IA hanno bisogno di questa base per fare ciò che ci si aspetta da loro: non solo recuperare dati, ma agire nell'interesse dell'azienda.

La questione del sapere è la base per una trasformazione di successo

Cosa sappiamo veramente? Dove e come lo abbiamo salvaguardato? E chi può utilizzarlo? Molte organizzazioni non possono rispondere a queste domande e se ne rendono conto solo quando il sapere critico va perso a causa di pensionamenti o dimissioni.

Si sviluppa una demenza aziendale subdola: l'organizzazione continua a funzionare e dimentica contemporaneamente perché fa ciò che fa. La perdita è subdola perché rimane invisibile fino a quando non diventa irreversibile. L'automazione peggiora la situazione: chi automatizza un processo prima di aver salvaguardato l'esperienza dietro di esso, scala i propri punti ciechi.

La domanda più importante prima di una scalabilità e integrazione di successo dell'IA è: cosa sappiamo veramente e dove, come e per chi è accessibile? Chi ha una risposta affidabile a questa domanda crea la base per tutto il resto: per gli agenti, per l'automazione, per una trasformazione scalabile. Solo quando il sapere implicito dell'organizzazione diventa utilizzabile sia per l'uomo che per l'IA, dai costosi esperimenti di IA nascono veri guadagni di produttività.