An integrated sociotechnical reference model for aligning artificial intelligence implementation in organizations
Utilizzando un approccio di Design Science Research, questo studio affronta il disallineamento tra l'implementazione dell'IA e la trasformazione organizzativa analizzando i modelli procedurali esistenti per costruire l'Integrated Sociotechnical AI Reference Model (ISAR-M), che sincronizza le capacità tecniche con la prontezza organizzativa per superare i silos disciplinari e garantire un'adozione dell'IA di successo.
Articolo originale sotto licenza CC BY 4.0 (https://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
Le aziende moderne corrono per adottare l'intelligenza artificiale, sperando che questi sistemi intelligenti rivoluzionino il loro modo di lavorare. Eppure, nonostante l'entusiasmo e l'importanza strategica attribuita a questa tecnologia, la maggior parte delle organizzazioni non riesce a trasformare le proprie ambizioni in risultati reali. Il problema raramente risiede nel fatto che il codice informatico sia rotto o che gli algoritmi siano troppo deboli. Al contrario, il fallimento deriva solitamente da un disallineamento tra la tecnologia e le persone che devono usarla. Quando un'azienda installa un nuovo sistema, non si tratta solo di un aggiornamento tecnico; è un cambiamento a tutto il modo di funzionare dell'organizzazione, che comporta nuove regole, nuovi ruoli e nuovi modi di pensare. Se la tecnologia si muove più velocemente di quanto le persone possano adattarsi, o se le persone non sono preparate per i nuovi strumenti, il sistema si blocca. Questo divario tra ciò che una macchina può fare e ciò che un'organizzazione è pronta a gestire è la sfida centrale che i ricercatori stanno cercando di risolvere.
Un team di ricercatori della Munich University of Applied Sciences si è posto l'obiettivo di risolvere questo disallineamento. Hanno notato che, sebbene esistano molte guide su come costruire l'intelligenza artificiale e molte guide su come gestire la strategia aziendale, non esiste un percorso unico e unificato che connetta le due cose. Le guide esistenti trattano spesso la tecnologia e il lato umano come problemi separati. Alcune si concentrano interamente sui passaggi ingegneristici, come la pulizia dei dati e la codifica, ignorando però come reagiranno i lavoratori. Altre si concentrano sugli obiettivi aziendali di alto livello, ma non offrono passi pratici per l'implementazione. Questa separazione crea una situazione pericolosa in cui un'azienda potrebbe costruire una soluzione tecnica perfetta che nessuno sa come usare o che l'azienda non è pronta a supportare. Per affrontare questo problema, i ricercatori hanno analizzato quarantacinque diversi modelli esistenti per introdurre l'intelligenza artificiale. Non si sono limitati a leggerli; li hanno scomposti per vedere esattamente quali passaggi includevano e cosa mancava loro.
L'analisi ha rivelato che gli approcci attuali soffrono di due principali punti ciechi. In primo luogo, molti modelli sono troppo focalizzati sull'interno, guardando solo se la tecnologia funziona senza chiedersi se si adatti al mercato o alle esigenze aziendali più ampie. In secondo luogo, sono spesso troppo tecnocratici, il che significa che danno priorità alle prestazioni della macchina rispetto all'esperienza umana. Possono garantire che il software sia veloce e accurato, ma non riescono a progettare il sistema in modo che sia facile da capire o da fidarsi per un essere umano. I ricercatori hanno scoperto che, sebbene quasi tutti i modelli concordino sul fatto che la qualità dei dati e il valore aziendale siano importanti, pochissimi forniscono istruzioni concrete e passo dopo passo su come gestire il lato umano dell'equazione, come la formazione del personale o la progettazione di interfacce facili da usare.
Per risolvere questo problema, il team ha costruito un nuovo framework chiamato Integrated Sociotechnical AI Reference Model. Non lo hanno inventato partendo da zero; hanno agito invece come maestri costruttori che assemblano le migliori parti dei quarantacinque modelli studiati. Hanno selezionato le due guide esistenti più complete per servire da fondamento e poi hanno colmato le parti mancanti con passaggi specifici e di alta qualità tratti da altri modelli. Il risultato è una tabella di marcia singola e coesa che costringe un'azienda a procedere su due binari contemporaneamente: il binario tecnico e il binario umano.
Questo nuovo modello divide il processo in quattro fasi principali: Valutare (Evaluate), Progettare (Design), Realizzare (Realize) e Gestire (Operate). Nella prima fase, Valutare, un'azienda deve verificare se è pronta prima di spendere denaro. Questo non è solo un controllo tecnico; richiede di esaminare i dati, le regole legali e le persone. Il modello introduce un rigoroso "cancello" (gate) in questo punto. Se i dati sono scarsi o i permessi legali non sono chiari, il progetto si ferma immediatamente. Ciò evita che le aziende sprechino risorse in idee tecnicamente impossibili o legalmente rischiose. Assicura che la strategia aziendale sia effettivamente supportata dalla realtà di ciò con cui l'azienda ha a che fare.
Una volta che un progetto supera il primo cancello, passa alla fase di Progettazione. Qui, il modello insiste sul fatto che le persone che utilizzeranno il sistema debbano essere coinvolte nella sua creazione. Invece di lasciare che gli ingegneri costruiscano uno strumento in un laboratorio per poi consegnarlo in seguito, l'azienda deve tenere workshop in cui i lavoratori aiutano a progettare l'aspetto e la sensazione del sistema. Ciò garantisce che lo strumento si adatti al lavoro effettivo. Allo stesso tempo, il team tecnico progetta l'architettura del sistema. Il modello richiede che questi due flussi avvengano in parallelo. Prima di procedere, un altro cancello controlla se il design è sicuro, etico e affidabile per le persone che lo useranno. Se i lavoratori non sono pronti o non si fidano del sistema, il progetto non può procedere, indipendentemente da quanto sia buono il codice.
La terza fase, Realizzare, è dove il sistema viene costruito e testato. Il modello riconosce che il software può essere aggiornato molto rapidamente, ma le persone impiegano più tempo per imparare e adattarsi. Per evitare che la tecnologia si muova troppo avanti rispetto al personale, l'azienda crea spazi sicuri per la sperimentazione. I lavoratori possono provare il sistema in un ambiente a basso rischio prima che venga utilizzato per il lavoro reale. Questo aiuta loro a familiarizzare con i nuovi strumenti senza il timore di commettere errori. Il modello richiede inoltre che il sistema sia testato non solo per la velocità, ma anche per l'equità e la sicurezza. Un ultimo cancello controlla se il sistema è pronto per il lancio. Pone una domanda semplice: il valore che il sistema fornisce giustifica il costo della sua implementazione? Se la risposta è no, il progetto viene messo in pausa.
La fase finale, Gestire, riguarda il mantenimento del sistema operativo nel lungo termine. I sistemi di intelligenza artificiale possono subire una deriva nel tempo, il che significa che diventano meno accurati man mano che il mondo cambia. Il modello richiede un monitoraggio continuo per rilevare questi cambiamenti. Ma richiede anche una cura continua per le persone. L'azienda deve continuare a comunicare con il personale, affrontare le paure e aggiornare le loro competenze. Il modello include un gruppo di supervisione specifico per garantire che il sistema rimanga etico e che i lavoratori umani non siano sopraffatti dalla tecnologia. Questa fase assicura che la relazione tra la macchina e l'organizzazione rimanga sana mentre entrambe evolvono.
I ricercatori hanno testato il loro nuovo modello attraverso diversi scenari ipotetici. In un caso, hanno immaginato un'azienda che cercava di lanciare un bot per il servizio clienti senza verificare se i suoi dati fossero pronti. Il primo cancello del modello ha fermato il progetto, salvando l'azienda da un fallimento costoso. In un altro scenario, hanno immaginato un team che ha costruito un sistema altamente accurato ma ha saltato la formazione per i lavoratori. L'ultimo cancello del modello ha bloccato il lancio, costringendo il team a tornare indietro per formare prima il personale. Questi test hanno dimostrato che il modello funziona come un meccanismo di sicurezza, intercettando i problemi prima che diventino disastri.
Per vedere se il modello avrebbe funzionato nel mondo reale, i ricercatori hanno intervistato tre esperti che gestiscono progetti di intelligenza artificiale in diversi tipi di aziende. Questi esperti hanno confermato che l'idea di far procedere i binari tecnico e umano fianco a fianco è necessaria. Hanno sottolineato che in molti progetti attuali, il lavoro di gestione delle persone e della cultura è spesso invisibile e viene tagliato dai budget. Il modello rende questo lavoro visibile e obbligatorio. Tuttavia, gli esperti hanno anche evidenziato che il modello deve essere flessibile. Nelle startup in rapida evoluzione, il processo potrebbe dover tornare indietro e avanzare più velocemente di quanto suggeriscano i passaggi standard. I ricercatori hanno adattato il modello per includere questi cicli di feedback, assicurando che potesse essere utilizzato sia da grandi e stabili corporazioni che da team più piccoli e agili.
Lo studio conclude che la barriera principale all'intelligenza artificiale non è la tecnologia in sé, ma il processo di gestione della stessa. Il successo dipende dalla capacità di un'azienda di sincronizzare la velocità della sua ingegneria con la velocità di adattamento delle sue persone. Il nuovo modello fornisce un modo strutturato per farlo, trasformando idee astratte su etica e cultura in passaggi concreti che possono essere controllati e verificati. Suggerisce che il futuro dell'intelligenza artificiale nel business non sarà definito da quanto siano intelligenti gli algoritmi, ma da quanto bene le organizzazioni riescano ad allineare la loro tecnologia con la forza lavoro umana. Seguendo questo percorso integrato, le aziende possono evitare l'errore comune di costruire strumenti potenti che nessuno è pronto a usare, garantendo che il loro investimento nell'intelligenza artificiale porti effettivamente valore.
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.