Cosa deve esistere in azienda prima dell'AI

I workshop di envisioning sull’intelligenza artificiale con board e management sono passaggi importanti, perché aiutano un’azienda a immaginare dove vuole andare, e i Post-it che ne escono sono pieni di buone intenzioni. Il problema comincia quando quei piani arrivano sul tavolo di chi deve trasformarli in qualcosa che funziona davvero in produzione, perché a quel punto, con una regolarità che negli ultimi anni ho imparato a prevedere, emergono le stesse tre cose: non sono problemi di AI, esistevano da prima, e l’AI li rende semplicemente impossibili da rimandare.

Negli ultimi mesi ne ho scritto a pezzi su LinkedIn, un post alla volta. Provo qui a metterli in fila, perché letti insieme dicono qualcosa che separatamente non si vede: integrare l’AI in un’azienda non è un progetto tecnologico. È un lavoro di scavo.

La conoscenza sta nella testa delle persone

L’AI è partita assorbendo il patrimonio comune della rete. Dentro un’azienda, però, deve assorbire qualcosa di molto più specifico, cioè il sapere sedimentato nella testa di chi ci lavora: il gergo, la struttura dei dati, cosa vuol dire “quell’aggregazione” per quel reparto. Prendete un villaggio open air: nel database c’è una tabella che tiene i pernottamenti e sembra tutto facile, ma di “pernottamento”, tra tutte le variabili in gioco, esistono quattro o cinque definizioni possibili, e lo schema non dice quale vale in quella struttura perché quello lo sanno solo le persone che ci lavorano. Un’AI a cui chiedete quanti pernottamenti avete fatto a luglio, senza sapere quale definizione applicare, risponde a caso. Con grande sicurezza.

Conoscere la struttura dei dati, insomma, non è conoscere l’azienda, perché in mezzo c’è una traduzione dallo schema al gergo che nessun modello fa da solo. Negli anni Settanta gli hacker del MIT e di Stanford scrissero il Jargon File, il dizionario del gergo della loro tribù, per rendere leggibile a chi arrivava da fuori un linguaggio che altrimenti restava nelle teste di chi lo parlava. Oggi il nuovo arrivato da fuori è l’AI, e la fase più sottovalutata di qualunque progetto è proprio la scrittura del jargon file aziendale: intervistare chi sa, capire cosa intende quando chiede una certa cosa, e depositarlo in prompt, istruzioni e configurazioni degli agenti. Non si compra e non si scarica. E per la prima volta quella conoscenza diventa patrimonio dell’azienda, staccato dalla persona che lo portava.

I dati vanno bene finché c’è un umano in mezzo

Quando apriamo davvero i dati di un’azienda, raccontano quasi sempre anni di compromessi accettabili: parzialmente strutturati, non sempre aggiornati, a volte inconsistenti tra un sistema e l’altro. Finché servivano a produrre report che qualcuno avrebbe comunque letto e interpretato, la cosa funzionava, perché se un conteggio non tornava c’era sempre una persona che tagliava, rivedeva o approfondiva. Nel momento in cui una parte delle decisioni passa a un sistema che ragiona e agisce da solo, quel margine sparisce, e un’AI che decide su dati mediocri prende decisioni mediocri, solo più in fretta: a velocità di AI, gli effetti si propagano prima di poter essere corretti.

Di questo, stranamente, si parla pochissimo. La qualità del dato è diventata la variabile che decide se l’AI produce valore o rumore, ed è forse il tema più trascurato dell’intera conversazione sull’adozione.

Dove vanno i dati, chi accede, quanto costa

La terza cosa è la governance, e vuol dire porsi domande che prima nessuno trovava interessanti. Quando un’azienda dà accesso ai modelli linguistici ai propri dipendenti scopre in fretta che le servono strumenti che non aveva: dove finiscono i dati che entrano nei prompt? Stiamo lavorando con un hyperscaler o con abbonamenti consumer? Chi osserva cosa, e chi accede a quali informazioni quando non stanno più in un database ma si ottengono interrogando un modello? Quanto costa tutto questo, e a chi viene attribuito, con fornitori esterni e prezzi dei token che possono salire fuori da qualsiasi controllo?

Sono domande di governance aziendale, non di intelligenza artificiale, ma senza una risposta l’adozione fatica a uscire dalla sperimentazione, e da qui nasce anche l’interesse, sempre più concreto, a riportare l’AI dentro il confine dell’azienda. In Interlogica le abbiamo incontrate così spesso da averci costruito sopra ProxyPT, che parte dalla governance e arriva all’implementazione di agenti dentro processi reali; ma il prodotto è la conseguenza, la premessa è che il problema esiste da prima di qualunque prodotto.

Cosa succede quando queste tre cose ci sono

Quando conoscenza, dati e regole sono a posto, l’AI fa una cosa diversa dal rendere più veloce un processo esistente. Un esempio che vediamo da vicino: in molte aziende, se a un manager serve un grafico che nella dashboard non c’è, parte un’estrazione a mano o un processo di fornitura con IT, offerta e procurement, e la fatica di ottenere un dato ha abituato le persone a non chiederlo più, fino a non immaginare nemmeno di poterlo chiedere. Uno strumento che conosce i database dell’azienda e il gergo di chi chiede, e che risolve da solo una domanda scritta in chat, non accorcia quella fila: la elimina. Ci stiamo lavorando con AskBI, una piattaforma ancora sperimentale per interrogare in linguaggio naturale i dati del proprio database, e la cosa che ci interessa non è la velocità ma le domande che prima nessuno faceva.

C’è poi un effetto più profondo. La sfida di chi organizza il lavoro è sempre stata costruire un processo complesso con il minimo numero di persone necessario, e quella sfida non è cambiata; quello che è cambiato è il parametro, perché l’effort per ottenere un risultato di buona qualità è diventato una frazione di quello che serviva tre o quattro anni fa, e a questo punto il lavoro cognitivo non si ottimizza, si riorganizza.

Due cose da tenere a mente

La prima: l’AI produce con pochissimo sforzo risultati di buona qualità, non sempre di qualità molto alta. La differenza conta, e chi la ignora passa dall’entusiasmo alla delusione senza fermarsi nel mezzo.

La seconda è una domanda che non ho chiuso. Se il sapere passa dalla testa delle persone a un livello di configurazione che resta all’azienda, cosa resta alla persona? Non credo che la risposta sia “meno”, ma credo che vada cercata, e che nella gran parte dei POC che vedo nessuno se la stia ponendo: ci si inciampa dentro credendo sia un dettaglio, quando è la manovra principale.

Se state partendo con un progetto di AI e vi riconoscete in almeno una delle tre cose qui sopra, il nostro approccio descrive come lavoriamo su questi temi, e la domanda con cui iniziamo è sempre la stessa: chi sta scrivendo il vostro jargon file?