Applying Artificial Intelligence and Big Data Analytics in Forecasting the Effectiveness of Managerial Strategic Decision Making

Nel mondo del business moderno, i leader affrontano una sfida costante: prendere decisioni ad alto rischio in un panorama che cambia più velocemente di quanto una singola persona possa seguire. Per navigare in questo scenario, molte organizzazioni si stanno rivolgendo all'intelligenza artificiale e all'analisi dei big data. Questi non sono solo strumenti per smistare file; sono sistemi progettati per trovare schemi in enormi quantità di informazioni che sopraffarebbero una mente umana. Tuttavia, rimane una domanda critica: questi sistemi digitali possono prendere decisioni che siano non solo intelligenti, ma anche legalmente fondate e strategicamente efficaci? La risposta non è semplice. Una decisione potrebbe essere efficiente ma violare una regola, oppure potrebbe rispettare la legge ma fallire nel raggiungere un obiettivo aziendale. I ricercatori stanno ora cercando di costruire un ponte tra la potenza bruta dell'analisi dei dati e i rigidi confini della conformità legale, chiedendosi se un computer possa imparare a pesare l'importanza di un obiettivo aziendale rispetto al rischio di una sanzione legale.

Un ricercatore presso la Tay Do University in Vietnam si è posto l'obiettivo di testare questa idea costruendo un sistema digitale progettato per simulare il modo in cui un manager potrebbe compiere scelte strategiche. Ha creato un ambiente virtuale in cui un agente di intelligenza artificiale doveva navigare in un complesso insieme di regole basate sulle leggi delle tecnologie dell'informazione. L'obiettivo era vedere se il sistema potesse prevedere quanto bene una decisione avrebbe performato, misurata attraverso un punteggio aziendale standard noto come Key Performance Indicator. Per farlo, il ricercatore non ha semplicemente fornito al computer numeri grezzi. Invece, ha progettato il sistema affinché imitasse cinque modi specifici in cui una mente umana elabora le informazioni: la capacità di gestire le risorse, la capacità di riflettere sul proprio pensiero (metacognizione), l'abilità di concentrarsi su ciò che conta, la velocità di apprendere nuove regole e la capacità di comprendere le norme sociali e organizzative. Queste cinque abilità mentali sono state trattate come i mattoni fondamentali del processo decisionale del computer.

Il ricercatore ha costruito una massiccia pipeline digitale per testare la sua idea. Per prima cosa, il sistema ha raccolto testi da vari documenti, come rapporti legali e documenti di policy, e li ha puliti affinché il computer potesse leggerli. Successivamente, ha tradotto queste regole scritte in un formato comprensibile alla macchina, assegnando pesi a diversi requisiti come la privacy dei dati o l'allineamento esecutivo. In seguito, il sistema ha generato un dataset simulato di 1.500 diversi scenari decisionali. In ogni scenario, il computer doveva bilanciare le sue cinque abilità cognitive contro le regole legali per produrre un punteggio finale. Questo punteggio rappresentava quanto sarebbe stata di successo la decisione, con un intervallo da zero a cento. Il ricercatore ha poi addestrato un modello di machine learning su questi dati, insegnandogli a osservare le cinque abilità cognitive e a indovinare quale sarebbe stato il punteggio finale. Ha utilizzato un metodo che costruisce molti piccoli alberi decisionali per trovare schemi, sperando che il computer potesse apprendere le connessioni nascoste tra il modo in cui un sistema pensa e le sue prestazioni.

Quando il ricercatore ha testato il suo modello, i risultati hanno rivelato una verità difficile riguardo allo stato attuale di questa tecnologia. Il sistema è stato in grado di eseguire l'intero processo senza intoppi, dalla lettura dei documenti alla generazione di un elenco finale di punteggi predetti. Tuttavia, quando il ricercatore ha controllato l'accuratezza delle previsioni, ha scoperto che il modello faticava a catturare la reale complessità del problema. Le ipotesi del computer erano spesso distanti in modo significativo e, in alcune misure statistiche, il modello si è comportato peggio di una semplice supposizione del punteggio medio per ogni situazione. I dati hanno mostrato che gli esiti reali cadevano in due gruppi distinti: decisioni con punteggi molto bassi e decisioni con punteggi molto alti, mentre le previsioni del computer tendevano a raggrupparsi nel mezzo, mancando completamente gli estremi. Ciò suggerisce che, sebbene il sistema fosse in grado di elaborare le informazioni, mancava del contesto profondo necessario per distinguere tra una scelta sicura e media e una strategia ad alto rischio e alto rendimento.

Lo studio conclude che, sebbene il framework per combinare l'intelligenza artificiale con la governance legale sia fattibile, la tecnologia non è ancora pronta a sostituire il giudizio umano in queste aree complesse. Il ricercatore ha riscontrato che i modelli attuali non potevano tenere pienamente conto delle variabili nascoste che spingono una decisione nella categoria "alto rischio" o "alto rendimento". Ha osservato che il sistema funzionava meglio quando rimaneva nel terreno di mezzo, evitando gli esiti più estremi, un approccio sicuro ma limitato per la pianificazione strategica. Il ricercatore suggerisce che il lavoro futuro debba concentrarsi sull'aggiunta di informazioni più dettagliate al sistema, come modi migliori per misurare il contesto legale specifico di ogni decisione, e sullo sviluppo di modelli che possano spiegare il proprio ragionamento in modo più chiaro. Per ora, questa ricerca funge da prova di concetto, dimostrando che è possibile tradurre le regole legali in dati digitali, ma evidenziando anche che la strada verso un processo decisionale strategico veramente autonomo e conforme richiede molto più della semplice potenza di calcolo.