AI Strategy: How to Choose What AI Product to Implement
Questo articolo introduce il framework dell'eROI (expected ROI), che aiuta le aziende a superare l'incertezza nella selezione dei progetti di IA valutando separatamente il potenziale valore, la probabilità di successo e il costo di implementazione di ogni idea per costruire un portafoglio robusto di scommesse ad alto potenziale.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immagina di essere il capitano di una massiccia astronave e di avere una scorta limitata di carburante. Devi decidere quali pianeti lontani visitare. Alcuni pianeti sembrano brillanti e promettenti sul tuo radar, mentre altri sembrano misteriosi e potenzialmente pericolosi. Nel mondo del business, questo "carburante" è il denaro e il tempo, e i "pianeti" sono i nuovi progetti. Per molto tempo, le aziende che hanno cercato di utilizzare l'Intelligenza Artificiale (IA) sono state come capitani che indovinano quale pianeta visitare basandosi su quanto sembri bello il pianeta, piuttosto che controllare se sia effettivamente possibile atterrarvi o se valga davvero la pena intraprendere il viaggio. Questo articolo approfondisce esattamente questo problema: come scegliere quale progetto di IA costruire quando non si può essere sicuri al 100% che funzionerà? Gli autori introducono un nuovo modo di pensare chiamato "eROI" (ritorno sull'investimento atteso). Inveve di cercare di indovinare un singolo numero magico per il profitto, suggeriscono di scomporre la decisione in tre semplici domande: quanto denaro guadagneremmo se funzionasse? Qual è la probabilità che funzioni davvero? E quanto ci costerà costruirlo? È come controllare una mappa, un bollettino meteorologico e un budget prima ancora di lasciare il molo.
Gli autori, esperti di business e data science, sostengono che la maggior parte delle aziende fallisce con l'IA non perché la tecnologia sia troppo difficile, ma perché scelgono i progetti sbagliati da iniziare. Propongono un framework chiamato eROI (ritorno sull'investimento atteso) per aiutare i leader a filtrare centinaia di idee e scegliere i vincitori. L'idea centrale è semplice ma potente: smettere di cercare di comprimere tutto in un unico numero confuso. Invece, separate la vostra decisione in tre pilastri distinti.
Per primo, chiedetevi: "Quanto sarebbe prezioso se funzionasse?" Non si tratta solo di denaro immediato; si tratta di capire se il progetto si adatta ai grandi obiettivi dell'azienda, se crea nuovi asset di dati per il futuro o se insegna qualcosa di nuovo al team.
In secondo luogo, chiedetevi: "Qual è la probabilità che funzioni?" Questa è la parte difficile. L'IA è piena di incertezza scientifica. Solo perché avete i dati, non significa che il computer possa individuare il pattern. Gli autori scompongono questo punto in quattro controlli: i clienti lo useranno? I nostri ingegneri possono costruirlo? Abbiamo i dati giusti? E soprattutto, la scienza è fattibile? Se la risposta a uno di questi punti è "forse no", l'intero progetto è rischioso.
Terzo, chiedetevi: "Quanto costerà?" Questo non è solo il prezzo del software. Include il tempo che il vostro team dedica, il costo dell'acquisto di nuovi dati e il duro lavoro di integrare il nuovo strumento nelle vostre routine quotidiane esistenti.
Per dimostrare come funziona, gli autori raccontano la storia di un'azienda immobiliare chiamata Compass. Hanno esaminato tre diverse idee di IA che l'azienda stava considerando:
Lo strumento "Probabile Vendita": Si trattava di un sistema che analizzava la lista dei contatti di un agente e segnalava le persone che avrebbero probabilmente messo in vendita la propria casa a breve.
- Il Verdetto: È stato un successo clamoroso. Era un valore Molto Alto perché aiutava direttamente gli agenti a concludere più vendite. Aveva un'Alta Probabilità perché i dati erano chiari e la scienza era lineare. Il Costo era Medio perché il team aveva già gli strumenti per costruirlo.
- Il Risultato: L'azienda lo ha costruito e ha finito per generare centinaia di milioni di dollari in entrate extra.
Lo strumento "Tempo sul Mercato": Era un calcolatore sofisticato che cercava di prevedere esattamente quanto tempo una casa sarebbe rimasta sul mercato a un determinato prezzo.
- Il Verdetto: Era una trappola. Sebbene sulla carta sembrasse ad Alto Valore, la Probabilità di Successo era Bassa. Perché? Perché la scienza alla base di ciò era fallace. Per prevedere come il prezzo causi la vendita più veloce di una casa, è necessario sapere cosa sarebbe successo se il prezzo fosse stato diverso. Ma non si può mai vedere quello scenario "e se" nella vita reale. Gli autori chiamano questo un problema "causale", e senza esperimenti speciali, l'IA non poteva risolverlo.
- Il Risultato: L'azienda ha saggiamente accantonato questa idea. Costruirlo sarebbe stato uno spreco di denaro perché la scienza semplicemente non c'era ancora.
Lo strumento "Visualizzazione della Ristrutturazione": Era uno strumento di IA Generativa che prendeva la foto di una cucina fatiscente e mostrava come sarebbe apparsa dopo una ristrutturazione.
- Il Verdetto: Era un "forse". Il Valore era Basso o Medio perché esistevano già modi più economici per farlo (come il virtual staging). La Probabilità era Media perché l'IA avrebbe potuto commettere errori strani che avrebbero fatto arrabbiare i compratori. Il Costo era Medio.
- Il Risultato: Anche se suonava interessante e utilizzava l'ultimo termine di moda "IA Generativa", i conti non tornavano. L'azienda ne ha costruito una versione, ma non ha preso il largo perché il rischio di errori era troppo alto rispetto al beneficio.
L'articolo suggerisce che il segreto del successo non è solo avere una grande idea o gli ingegneri più intelligenti. È avere un portafoglio di scommesse. Non si mette tutto il carburante in un unico progetto "migliore". Invece, si mescolano alcune cose sicure (Quick Wins), alcuni grandi sogni rischiosi (Moonshots) e alcuni progetti di ricerca per capire se i grandi sogni siano anche possibili.
Gli autori sottolineano che non è necessario avere una matematica perfetta per usare questo metodo. Non serve calcolare il profitto esatto al centesimo. Basta usare valutazioni semplici come "Basso", "Medio", "Alto" o "Molto Alto" per ciascuno dei tre pilastri. Questo aiuta i team a smettere di discutere se un progetto sia "buono" o "cattivo" e a iniziare ad avere conversazioni reali sul perché potrebbe fallire o avere successo.
In definitiva, l'articolo ci insegna che scegliere un progetto di IA è come pianificare un viaggio on-the-road. Non puoi solo scegliere la destinazione con la foto più bella. Devi controllare se l'auto può affrontare la strada (Certezza Tecnica), se hai abbastanza benzina (Investimento) e se la destinazione vale davvero il viaggio (Valore). Separando queste domande, le aziende possono smettere di sprecare denaro in progetti che sembrano belli ma sono impossibili da costruire, e iniziare a finanziare quelli che cambieranno davvero le regole del gioco.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.