//Assumere un’AI in azienda. Parte 2: non c'è un vestito buono per tutte le stagioni.

( 🇬🇧 English Version Here)

Prosegue il viaggio di analisi sulla selezione ed assunzione di un'AI in azienda. Nel post precedente è stata fatta un po' di analisi sulle tipologie di strumenti basati su AI e sulle aspettative che è bene avere prima di partire.

Infatti, stiamo affrontando un nuovo tipo di risorsa: né umana né puramente tecnologica, ed è importante capire come introdurla tra gli ingranaggi della nostra complessa organizzazione aziendale.

La questione è molto seria in quanto immagino che nessuno di voi abbia mai assunto una persona senza pensare alle sue caratteristiche, alle sue competenze e, quantomeno, al primo reparto in cui introdurla.

Credo che nessuno abbia adottato un software senza valutarne il valore dell'investimento, il ROI, gli Opex e l'effettiva utilità.

In sostanza credo che nessuno abbia assunto una persona senza aver pensato a cosa fargli fare.

Quindi proseguiamo il viaggio in questa fase che, vi avviso, sarà necessariamente un po' didascalica a causa della necessità di comprendere quali AI fanno al caso vostro dopo averne esaminate un po'.

Non c'è un vestito buono per tutte le stagioni.

Detto questo, nella seconda parte, vorrei concentrarmi sul fatto che l’AI, soprattutto quella Generativa, non è un vestito buono per tutte le stagioni: non c'è un'AI che va bene per tutti i compiti e generalizzare in questi casi non aiuta.

Piccolo lamento

Soffro sempre quando sento dire che si vuole assumere "un informatico".

Ma le differenze tra un programmatore Front-end, Back-end o Full Stack con un sistemista, un'analista di sistemi, un data scientist, un project manager, un'UX designer e molti, moltissimi altri ruoli, sono incredibili.

Non sono solo sfumature, sono professioni che variano tra loro, così come in edilizia è diverso il lavoro dell'architetto da quello del muratore.

Per favore, non fatelo più!

Ad esempio, chiedere agli LLM di fare operazioni matematiche è possibile, ma ci portiamo a casa il rischio di errori ed utilizziamo un sacco di risorse inutili per eseguire compiti che un qualunque PC è in grado di fare senza nessuno sforzo. Chiedere ad Advanced Data Analisys di Open AI (Il vecchio Code Interpreter) di scrivere da solo un intero software non porterà ad un grande risultato.

Vediamo quindi come procedere, tenuto conto che, prima di iniziare sul serio, è importante fare uno zoom più preciso.

Un po' di classificazione del mondo AI

Senza perdermi in classificazioni tassonomiche complesse, vorrei fornirvi una mia interpretazione di classificazione molto orientata al risultato con l’intento di capire cosa possiamo fare OGGI con le AI in Azienda. Così da proseguire nel cammino del ruolo da dare all'AI.

Prima di partire ricordiamoci solo che siamo ancora nel mondo delle ANI (Artificial Narrow Intelligence - Intelligenza Artificiale Ristretta). Quando arriverà l'AGI (Artificial General Intelligence) farò scrivere a lei un trattato su come le AI dovranno assumere gli umani.

Ho diviso ciò che secondo me è MEGLIO fare con AI basate su LLM, usando questo simbolo evocativo 🧠 e ciò può essere fatto con tecnologie AI diverse🎓.

Sicuramente non troverò tutti d'accordo: integrate nei commenti il vostro pensiero, soprattutto se ne ho dimenticata qualcuna. La discussione è aperta.

🧠 Processi che utilizzano gli LLM

I sistemi che utilizzano gli LLM sono basati su logiche di Processo del Linguaggio Naturale (NLP) 📘✒️, ovvero la capacità di comprendere e farsi comprendere da parte dei modelli.

L'NLP include due mondi principali: NLU e NLG. Da questi partono tutti i successivi delle AI Generative basate sul testo.

Comprensione del Linguaggio Naturale (NLU) 📘

Si concentra sulla comprensione del significato, del sentimento e dell'intento dietro le parole. (Ogni volta che un “Chat GPT” vi comprende è grazie a questo.)

Generazione del Linguaggio Naturale (NLG) ✒️

Per la produzione, che tanto ci piace, di frasi o paragrafi coerenti e contestualmente rilevanti. (Il grande successo delle AI Generative)

Quindi cosa possono fare?

1. Risposta alle Domande (Question Answering) ❓🅰️ Risponde alle domande basate su informazioni fornite o conoscenze apprese. (Con annesse allucinazioni se vi aspettate che un cattivo prompt fornisca un buon risultato.)

2. Riassunto 📋 Creazione di riassunti concisi da testi più lunghi. (Per permettere agli studenti peggiori di barare a scuola e per i migliori di trarre conclusioni per loro inaspettate su cui elaborare ulteriormente.)

3. Traduzione 🌍🔄 Traduzione di testi da una lingua all'altra. (Si dice che nessuno abbia insegnato le lingue agli LLM ma che le abbiano apprese da sole. Ma è solo una leggenda.)

4. Analisi del Sentimento (Sentiment Analysis) 🙂🙁 Determinazione del sentimento o dell'emozione dietro un pezzo di testo. (Pensate all’interpretazione di alcune email criptiche che ricevete. A onor di cronaca qui si può lavorare anche con tecnologie diverse dagli LLM, ma forse non ne vale più la pena.)

5. Generazione di Codice 💻⌨️ Scrittura o suggerimento di codice basato su istruzioni o prompt. (I programmatori, soprattutto quelli bravi, continueranno a servire sempre. E useranno sempre più queste funzionalità. Ma voi potete iniziare a capirli e a parlare la loro lingua.)

6. Agenti Conversazionali 💬🤖 Partecipazione a conversazioni naturali con gli utenti. (Chat GPT e Claude sono gli esempi più lampanti, "semplicemente" mescolano in una UI dedicata fasi di NLP e NLG mantenendole connesse in una finestra di contesto.)

7. Completamento di Contenuti 📝➡️ Completamento o suggerimento della continuazione di un determinato contenuto. (Tanto va la gatta al lardo... )

8. Didattica / Tutoring 📚 Assistenza in compiti educativi, fornendo spiegazioni o risposte. Sia in ambito scolastico che aziendale. (Qui il tema sarà sempre più importante e intrigante. Vedi anche questo post dedicato all’educazione per saperne di più.)

9. Riconoscimento di Modelli 🔍🔄 Riconoscimento e comprensione di modelli nei dati. (Una delle mie funzionalità preferite. Per semplificare tantissimo: capire come si comportano i dati anche senza vederli rappresentati nei grafici. Compito svolto egregiamente anche da algoritmi che non utilizzano gli LLM.)

10. Simulazione di Personaggi e Ruoli 🎭 Assunzione di specifici personaggi o ruoli in scenari conversazionali. (Agisci come… uno dei primi comandi da mettere in un prompt.)

11. Classificazione del Testo 📂🔖 Categorizzazione del testo in gruppi predefiniti. (Ad esempio stabilire se una mail contiene richieste di informazioni o di risarcimento.)

12. Riconoscimento di Entità (Entity Recognition) 🏷️ Identificazione e classificazione di entità nominate nel testo, come nomi, luoghi e date. (Funzionalità utilissima per strutturazione di dataset che non lo sono. Meglio se accompagnata da software specializzati già esistenti.)

13. Modellazione di Argomenti 🌐📊 Scoperta di argomenti ricorrenti in un insieme di documenti. (Ad esempio una rassegna stampa mirata?)

14. Sintesi Vocale 🗣️🎙️ Generazione di discorsi simili a quelli umani a partire dal testo. (E non parliamo solo di tono di voce ma proprio di timbro, altezza, intensità.)

🎓 Processi che utilizzano tecnologie diverse dagli LLM

1. Previsioni e Analisi 📈

Previsione di risultati e identificazione di insights tramite modelli statistici e di Machine Learning.

2. Visione Artificiale 👀

Elaborazione di immagini e video per il riconoscimento di oggetti, persone, attività. Utile in sorveglianza, guida autonoma, robotica.

3. Rilevamento Anomalie 🚨

Identificazione di comportamenti e dati anomali che differiscono dalla norma. Per individuare frodi e guasti.

4. Simulazione 🕹️

Simulazione realistica di sistemi complessi come epidemie, dinamiche sociali, fisica.

5. Ricerca e Pianificazione 📜

Trovare percorsi e piani di azione ottimali in ambienti come logistica, videogiochi, progettazione.

6. Robotica 🤖

Pianificazione del movimento e manipolazione di oggetti per automazione industriale e assistenza.

Tutto chiaro? Sennò fatemi sapere cosa volete approfondire.

So che questo post sarà uno dei più ostici. Se volete è il momento di fare una pausa prima di riprendere e capire quale tra queste AI ha senso assumere, e per quali compiti.

---

Quale AI ha senso assumere per iniziare?

Assumereste un programmatore per parlare con i clienti? O un venditore in contabilità? E un manager per semplici lavoro di routine?

Ok, il nostro assistente AI è quasi onnipotente come visto nel post precedente ma dobbiamo collocarlo nel posto giusto perché possa funzionare bene. Può fare molte cose, è molto versatile, ma fargli fare troppe cose sarebbe un errore.

Dobbiamo innanzitutto capire in che reparto farlo lavorare.

Cercherò di essere schematico per stimolarvi a pensare alla vostra azienda non volendo, e non potendo dare risposta in questa sede a tutti i dilemmi che già state vivendo: ogni azienda ha un suo contesto di business, la sua cultura, le sue ragioni, e sì, lo so, è diversa da tutte le altre. 🙂

Per semplicità ho analizzato quattro macro-tipologie di aziende ed ho ipotizzato che in queste aziende esistano, quando sensato, alcuni reparti principali che eseguono i loro processi.

Ho ottenuto così una tabella come quella a seguire. Spero vi trovi d'accordo.

Per semplicità di lettura nella tabella ho inserito soltanto un indicazione del macro-tipo di AI suggerita per ogni reparto:

🧠 Large Language Models

e/o

🎓 Altre tipologie di AI.

Ho aggiunto anche un’indicazione di priorità ⭐ in alcuni casi per indicare un possibile inizio di un percorso di assunzione di un’AI proprio in quelle aree.

Vi chiedo di guardare alla tabella seguente non come un limite ma come uno stimolo a pensare alla Vostra Azienda. La decisione finale, mi ripeto, è in funzione delle caratteristiche e delle priorità del vostro business.

TIpologie di AI suggerite per tipo di azienda e reparto

Come vedete ci sono aree nelle quali vale la pena NON lavorare con le Generative AI ed altre che non lasciano dubbi.

Per entrare ancora di più nel merito vi propongo, per ciascuna delle aree prioritarie, alcune idee di processo da sviluppare qualora la vostra fantasia non abbia già iniziato a macinare idee.

Anche qui notate che gli LLM non sono la soluzione migliore per ogni approccio.

Aziende di Produzione

Ricerca e Sviluppo

🧠📋 Analisi delle recensioni dei clienti sui prodotti;

🧠📝➡️ Generazione automatica di prototipi.

Controllo Qualità

🧠🔍🔄 Analisi automatizzata dei risultati dei test;

🧠📘 Reportistica avanzata con testi generati da AI.

Magazzino e Logistica

🎓📜 Ottimizzazione dei percorsi di magazzino;

🎓📈 Analisi delle scorte in tempo reale.

Aziende Commerciali

Vendite e Marketing

🧠💬🤖Personalizzazione della pubblicità basata sul comportamento del cliente;

🧠✒️ Generazione automatica di contenuti promozionali.

Risorse Umane

🧠🎭 Analisi del feedback dei dipendenti;

🧠🎓🌟 Raccomandazioni per la formazione.

Assistenza Clienti

🧠💬🤖 Chatbot per assistenza post-vendita;

🧠🙂🙁 Analisi automatizzata del feedback dei clienti.

Formazione

🧠📘 Corsi e materiali formativi generati automaticamente;

🧠📚 Analisi del bisogno formativo basata sull'IA.

Aziende di Servizi

Vendite e Marketing

🧠🙂🙁 Analisi del sentiment dei clienti;

🧠📘 Raccomandazioni di marketing basate sull'analisi dei dati.

🎓📘 Analisi di mercato, comportamento clienti.

Assistenza Clienti

🧠💬🤖 Chatbot per assistenza nella prenotazione;

🧠📝➡️ Analisi automatizzata dei reclami.

Erogazione del Servizio (Delivery)

🧠✒️ Personalizzazione dei servizi basata sull'analisi del comportamento del cliente;

🧠💬🤖 Generazione automatica di soluzioni e contenuti basati su problemi comuni.

Compliance e Controllo Interno

🎓📜 Audit automatizzato;

🎓🚨 Analisi dei rischi basata sull'IA.

Aziende Finanziarie

Finanza e Contabilità

🎓📈 Analisi automatizzata dei report finanziari;

🎓📈 Predizioni finanziarie basate sui dati storici.

Assistenza Clienti

🧠💬🤖 Chatbot per rispondere a domande sugli investimenti;

🧠📋 Analisi del sentiment degli investitori.

Compliance e Controllo Interno

🧠📈 Analisi dei rischi finanziari;

🧠✒️ Generazione di report di conformità.

Investimenti

🎓🧠📈 Analisi automatizzata degli investimenti;

🧠 Riassunto documenti di analisi;

🎓📈 Predizioni sul rendimento basate sui dati storici.

Quindi…

Riprendendo dal post precedente, abbiamo imparato che:

• i vertici dell’azienda devono comprendere cosa sta accadendo sporcandosi direttamente le mani;

• ha senso dedicare tempo solo a soluzioni che riducano i costi o aumentino i ricavi;

• deve essere chiaro che senza dati puliti e processi definiti si può fare veramente poco;

• si deve essere pronti a partire con approcci nuovi all’implementazione dell’AI;

• vanno identificati piccoli progetti per risolvere piccoli problemi con cui partire,

• deve essere chiara la distinzione tra Interfacce Chat, Soluzioni Specializzate, Utilizzo di API, RAG e Fine Tuning.

Sì, solo questo. 🙂

In questo post, oltre ad aver compreso cosa possono fare gli LLM in azienda spero sia chiara la consapevolezza che abbiamo a che fare con un nuovo tipo di risorse: non umane, non software, non hardware ma tutte queste assieme;

Capire le diverse tipologie di AI disponibili oggi ci permetterà di metterle nel ruolo giusto, nel progetto giusto ed ottenere i migliori risultati.

La maggior parte di chi ne conosce le caratteristiche si sta muovendo molto velocemente in questo modo: sono in contatto con centinaia di imprenditori di tutto il mondo che ogni giorno cercano di far leva sull’AI per migliorare ogni aspetto delle loro aziende, ma spesso vedo che c’è troppa fretta, o ingordigia, che rischia di defocalizzare e portare a risultati deludenti.

Quindi: se avete bisogno di qualcosa “buono abbastanza” ma non PERFETTO allora potete considerare l’idea di usare un’AI generativa tramite LLM. In alternativa potete valutare altre tipologie di AI il cui compito è “lavorare con i numeri” e fornire risultati più precisi.

Il tocco finale dovete darlo voi. Ma prima è necessario dedicare tempo ad imparare questo nuovo mondo.

Non conta molto ciò che sai perché spesso quello che conosci è già superato. È importante quanto sei veloce ad imparare. E’ una capacità che non ha prezzo. Robert T. Kiyosaki

---

Se siete arrivati fino a qui ho bisogno di un feedback importante. Basta un click. Grazie.

I post di questo blog sono:

• Troppo lunghi
• Vanno bene
• Troppo brevi

---

Come sempre, vi invito a riflettere, a commentare, a far girare le idee diffondendo questo post con le persone cui pensate possa interessare.

Per rimanere aggiornato sui miei contenuti:

• Iscriviti al Blog Glimpse

• Seguimi su Linkedin

• Leggi Glimpse, il mio romanzo sull'AI.

• Oppure contattatami qui.

Alla prossima!

Massimiliano Turazzini

Disclaimer: Ho usato Claude e Chat GPT per farmi aiutare in questo post. Il merito per la scelta delle emoji e delle descrizioni delle diverse tipologie di AI è quindi da attribuire a questi due soggetti. Gli errori grammaticali e di sintassi li ho invece fatti tutti io 🙂