TECNOLOGIA

Ampliare l’utilizzo dell’IA

Non tentate di cambiare tutto subito, ma iniziate con qualcosa di importante

Tim Fountaine, Brian McCarthy, Tamim Saleh

Giugno 2021

Ampliare l’utilizzo dell’IA

QUASI TUTTI I CEO RICONOSCONO che l’intelligenza artificiale è potenzialmente in grado di rivoluzionare il modo di lavorare delle organizzazioni. Riescono a immaginare un futuro nel quale, per esempio, i retailer consegneranno prodotti personalizzati prima ancora che li chiedano i clienti, magari il giorno stesso in cui vengono fabbricati. È uno scenario apparentemente fantascientifico, ma l’IA che lo rende possibile esiste già.

L'ostacolo principale alla materializzazione di questo futuro è che le aziende non hanno ancora capito come ristrutturarsi per andargli incontro. Per la verità, molte hanno fatto grossi sforzi per incorporare le tecnologie digitali, in alcuni casi trasformando veramente il modo in cui servono i loro clienti e in cui producono le loro offerte.

Ma per sfruttare appieno le promesse dell’IA, le aziende devono reimmaginare i loro modelli di business e i loro schemi operativi. Non possono inserire semplicemente l’IA in un processo preesistente per automatizzarlo o per arricchirlo. E mentre l’IA si può impiegare localmente in tutte le funzioni con una “lista della spesa” (i c.d. casi di uso), questo approccio non produrrà un cambiamento radicale nelle operations o nella bottom line di un’azienda. E rende molto complicato e molto più costoso ampliare l’utilizzo dell’IA, perché ogni team funzionale deve reinventare la ruota in termini di consenso degli stakeholder, formazione, change management, dati, tecnologia e altro ancora.

Ma ciò non significa che le imprese debbano tentare di ristrutturare in un colpo solo l’intera organizzazione con l’IA. Un tentativo del genere si risolverebbe quasi certamente in un fallimento. La ristrutturazione totale è un processo enormemente complicato che coinvolge troppi componenti, troppi stakeholder e troppi progetti per ottenere un impatto significativo in tempi brevi.

Noi abbiamo scoperto che l’approccio giusto è identificare una fetta cruciale del business e ripensarla totalmente. L’introduzione di cambiamenti in un processo, in un percorso o in una funzione essenziale nella sua totalità – quello che definiamo ambito – produrrà un grosso miglioramento della performance, un miglioramento che applicazioni isolate locali non sono semplicemente in grado di eguagliare. Consentirà a ogni iniziativa incentrata sull’IA di costruire sulla precedente, riutilizzando per esempio i dati o accrescendo le capacità per un insieme specifico di stakeholder. Abbiamo visto questo approccio innescare un ciclo organico di cambiamento all’interno degli ambiti e, alla fine, creare slancio per l’utilizzo dell’IA nell’intera organizzazione man mano che leader e dipendenti lo vedevano funzionare. Questo approccio promuove inoltre una mentalità orientata al miglioramento continuo nella forza lavoro, il che è fondamentale perché la tecnologia IA sta progredendo rapidamente, imponendo alle organizzazioni di vedere le trasformazioni incentrate sull’IA come un work in progress anziché come progetti una tantum.

Alla fine, le aziende che non saranno in grado di sfruttare pienamente l’IA verranno messe ai margini da quelle che lo saranno – come sta già accadendo in vari settori, tra cui l’industria automobilistica e i servizi finanziari. La buona notizia è che negli anni scorsi molte aziende (anche in possesso di capacità analitiche limitate) hanno cominciato a sviluppare le competenze necessarie per cogliere opportunità messe a disposizione dall’IA, anche perché la crisi da Covid-19 le ha obbligate a cambiare le proprie logiche di business quasi da un giorno all’altro. La sfida sarà poi applicare quelle competenze alla realizzazione di iniziative più complesse.

In questo articolo attingeremo all’esperienza che abbiamo maturato lavorando con centinaia di clienti, incluse alcune tra le organizzazioni più grandi del mondo, per spiegare cosa devono fare le imprese se vogliono ampliare efficacemente l’utilizzo dell’IA.

 

Fase 1

Definite la strategia

Può essere complicato stabilire esattamente fin da subito la portata delle iniziative IA. Noi suggeriamo ai CEO di prendere di mira aree di attività in cui l’IA possa fare una grossa differenza in un arco temporale ragionevole; qui è relativamente facile trovare uno sponsor, ottenere l'assenso degli stakeholder e mettere assieme un team; e ci sono più attività, e quindi più opportunità per utilizzare dati e asset tecnologici (Per scoprire se non avete definito correttamente il perimetro delle vostre iniziative, andate al box “Indicatori di una prospettiva troppo ampia o troppo ristretta”).

Impatto potenziale. Gli ambiti selezionati dovrebbero essere abbastanza grandi da migliorare significativamente la bottom line dell’azienda o l’esperienza dei clienti o dei dipendenti. Una compagnia aerea a cui facciamo consulenza ha individuato al suo interno dieci ambiti operativi che corrispondevano a quel profilo: cargo, equipaggi, gestione dei ricavi, e-commerce, customer service, aeroporti, manutenzione, network planning, operations e talent management. Ma ha iniziato dal cargo (trasporto merci), dove aveva identificato una serie di iniziative che si sarebbero potute completare in 18 settimane. La prima avrebbe dovuto generare una trentina di milioni di dollari di profitto addizionale tramite una previsione più accurata dei volumi da trasportare e del relativo peso, e un maggiore sfruttamento della capacità di trasporto.

In un altro caso, un fornitore di servizi di telecomunicazione ha deciso di riprogettare il processo di gestione del customer value (che abbraccia tutte le interazioni tra un’azienda e i suoi clienti), usando l’IA per capire e soddisfare i bisogni unici di ogni singolo cliente. Quel lavoro ha ridotto rapidamente del 75% il tempo che occorreva per portare a termine le campagne di marketing, e ha consentito di abbassare il turnover dei clienti di tre punti percentuali. L’azienda si aspetta che quei miglioramenti aggiungano 70 milioni di dollari all’utile netto entro la fine del 2021.

Attività interconnesse. Gli ambiti promettenti abbracciano una serie ben precisa di attività operative la cui ritaratura può risolvere problemi sistemici come inefficienze croniche (ad esempio tempi lunghissimi per l’approvazione di un prestito), alta variabilità (domanda dei consumatori che fluttua rapidamente) e continua perdita di opportunità (difficoltà nella consegna dei prodotti ai clienti). In molti casi, soluzioni IA potrebbero attaccare le cause profonde di questi problemi, in parte attraverso le indicazioni fornite e in parte attraverso i miglioramenti organizzativi.

La compagnia aerea ha identificato sei attività strettamente interconnesse nell’area cargo: negoziazione delle tariffe, allocazione degli spazi, prenotazione del servizio, documentazione delle spedizioni, gestione delle operazioni a terra e fatturazione. Sia la customer satisfaction sia il pricing dipendevano da fattori come la capacità di mettere a disposizione spazi con un preavviso minimo, la possibilità di rilevare lo status delle spedizioni in tempo reale, e la velocità delle consegne. Quando le sei attività sono state riconfigurate in modo che potessero immettere direttamente i dati in una piattaforma supportata dall’IA, la compagnia ha potuto ridurre sensibilmente gli sprechi migliorando al tempo stesso, e di molto, l’esperienza dei clienti – e rafforzando così i margini e la reputazione.

Sponsor e team. In un ambito promettente, potete identificare immediatamente questi soggetti organizzativi:

- uno sponsor interno che sovraintende all’intera catena del valore coinvolta (nella compagnia aerea, era il vice president responsabile dell’area cargo);
- uno staff dirigenziale dedicato (nella compagnia aerea era composto dal senior director of cargo e da due suoi collaboratori diretti) in grado di ricoprire i ruoli di “product owner” (che cura in prima persona l’applicazione della soluzione), traduttore (che funge da interfaccia tra le analitiche e le funzioni operative) e attuatore del cambiamento (che cura le iniziative di change management);
- un team di gestori dell’IA, come esperti di data science e data engineering, analisti di business e uno scrum master (coordinatore di progetto), che potrebbero anche provenire da un ente della direzione centrale;
- un gruppo di utilizzatori diretti o di knowledge worker che seguono le attività di routine (nella compagnia aerea, questo gruppo comprendeva 250 agenti di vendita e prenotazione distribuiti tra Americhe, Asia-Pacifico ed Europa).
Arruolando dipendenti che operano in tutto il ciclo di vita dell’ambito prescelto (indipendentemente dalla posizione organizzativa che occupavano in precedenza) e responsabilizzandoli sul lavoro da svolgere, si crea interesse intorno all’iniziativa e si inducono eccitazione e slancio. Sono fattori cruciali per spingere i dipendenti a pensare creativamente allo sviluppo di soluzioni e ad aiutare il progetto a superare gli inevitabili ostacoli inaspettati.

Tecnologia e dati riutilizzabili. È importante anche selezionare ambiti in cui i dati e i componenti tecnologici necessari per far funzionare i modelli che si basano sull’IA si possano sovrapporre. Il processo diventa molto più agevole quando i team non devono ripartire tutte le volte da zero e possono riutilizzare dati o frammenti di codice che sono già stati preparati per l’IA. Ci sarà probabilmente un investimento iniziale di una certa entità per i primi uno o due modelli da sviluppare all’interno di un ambito, ma con il tempo si possono costruire nuovi progetti su quelli del passato, riducendo enormemente tempi e costi di sviluppo. La risorse a cui facciamo riferimento includono spesso, sul lato dei dati, librerie comuni e definizioni di metadati, e sul lato della tecnologia, istruzioni per l’apprendimento delle macchine, interfacce per la programmazione delle applicazioni (IPA) che estraggono dati dai sistemi tradizionali, e capacità di visualizzazione dei dati.

I team esecutivi identificheranno tipicamente da otto a dieci ambiti in cui l’IA può trasformare il loro business. A quel punto, noi suggeriamo di ridurre l’elenco dei possibili ambiti a uno o due, sulla base della fattibilità e del valore economico.

Nella compagnia aerea, il CEO e i suoi riporti diretti hanno tenuto una serie di sessioni strategiche nell’arco di dodici settimane. Hanno esaminato casi di aziende di svariati settori che innovavano con l’IA, sviluppato una visione per l’utilizzo dell’IA al fine di ottenere una crescita a due cifre nel profitto operativo nell’arco di 15 mesi, individuato gli ambiti prioritari da cui partire, e impegnato le risorse necessarie per portare avanti il progetto. Ognuno degli executive ha chiesto ai propri esperti funzionali di identificare i compiti che si potevano svolgere diversamente per raggiungere l’obiettivo di profitto, e di valutare il valore potenziale e la fattibilità delle loro raccomandazioni. Nell’ambito trasporto merci, tre senior leader, insieme allo staff dell’IT e della finanza, hanno definito a grandi linee l’opportunità di riempire meglio lo spazio disponibile sugli aerei, i ritorni attesi da questa razionalizzazione e le implicazioni pratiche dell’operazione, in termini di disponibilità dei dati, tecnologia, talenti e così via.

 

Fase 2

Strutturate il team

Il team che cura le iniziative IA all’interno di ogni ambito dovrebbe includere tutte le persone – provenienti dalle funzioni operative, digitali, analitiche e IT – che servono per progettare, costruire e supportare le nuove modalità di lavoro. Quando hanno un obiettivo chiaro e sono dotati di risorse adeguate, i team preposti alla riorganizzazione del rispettivo ambito organizzano autonomamente il proprio lavoro, usando pratiche tipiche del lavoro agile. Il ruolo del management, oltre alla creazione dei team, sarà fare in modo che tutti i dipendenti distaccati da altre parti dell’azienda per prendervi parte vengano pienamente integrati, e rimuovere eventuali barriere organizzative che potrebbero ostacolare il successo dei team.

In molti casi che abbiamo studiato, quasi tutti i membri del team lavoravano già nell’ambito preso di mira, e i leader hanno dovuto solo spostarli sul progetto e poi importare i talenti tecnici necessari da altre aree dell’azienda. Nella compagnia aerea, sono stati coinvolti nella trasformazione dell’ambito cargo addetti alle vendite, al customer service e alle operations, che riportavano quasi tutti alla funzione business fin dall’inizio. Esperti di IA, come data scientist e data engineer, sono stati assegnati al team dall’apposito centro di eccellenza dell’azienda per la durata del progetto e riportavano direttamente al senior director della divisione cargo, che era il product owner della nuova iniziativa IA.

In alcuni casi, le aziende dovranno riallocare esplicitamente al team persone che ricoprono ruoli non tecnici in varie parti dell'organizzazione. Prendete il caso di una utility energetica che ha deciso di usare l’IA per migliorare il customer value management, in particolare la selezione dei clienti-target, delle offerte da sottoporgli e dei canali su cui comunicarle, e il testing delle nuove idee. L’azienda ha dovuto spostare formalmente sotto un unico ombrello esperti di marketing che prima gestivano separatamente le campagne su vari canali e in vari team. Tentare di coordinare il loro lavoro tra silos separati avrebbe creato ritardi e disfunzioni man mano che le richieste di input e di approvazione passavano da un reparto all’altro. E avrebbe comportato per le persone coinvolte un difficile equilibrismo tra due diverse “lealtà”.

Spesso i team di progetto IA possono essere semplicemente squadre autonome, che fanno direttamente tutto il lavoro. Ma quando i compiti da svolgere sono relativamente vasti, nel senso che richiedono l’apporto di più di una decina di persone, un team unitario sarà troppo farraginoso. In quelle situazioni converrà suddividerlo in diverse squadre, una delle quali mette a disposizioni capacità condivise. L’azienda di telecomunicazioni ha suddiviso il nuovo team di gestione del customer value in quattro squadre, focalizzate rispettivamente sui clienti che usavano carte prepagate, sui clienti che pagavano con fattura, sull’acquisizione di nuovi clienti e sulla customer retention. Ha dato a ciascuna la missione di ridurre il turnover o di migliorare del 20% il cross-selling entro la fine dell’anno. È stata poi creata una quinta squadra, data utility, composta da data engineer e sviluppatori, per supportare le altre quattro con la costruzione di tecnologie e asset riutilizzabili da ciascuna di esse, e lo sviluppo di nuovi modelli analitici basati sull’IA.

 

Fase 3

Reimmaginate il business tradizionale

Come abbiamo detto prima, per ottenere il massimo dall’IA bisogna reinventare modelli di business, ruoli e responsabilità, e processi operativi, usando nuovi modi di pensare e di lavorare. Scopriamo quasi sempre che la via migliore per le aziende è applicare principi-base o tecniche di design-thinking e procedere a ritroso partendo da un obiettivo o da un problema-chiave. Per esempio, si potrebbe immaginare un’esperienza a cinque stelle per il cliente e poi studiarne nei minimi dettagli il processo di costruzione.

Nella compagnia aerea, il team che seguiva la ristrutturazione dell’ambito cargo ha iniziato chiedendo agli agenti di vendita e di prenotazione come allocavano lo spazio sugli aerei passeggeri e come decidevano se accettare o rifiutare richieste di trasporto merci. Come verificavano la disponibilità di spazio nella stiva? Su quali altre informazioni si basavano, e come pesavano le diverse informazioni che raccoglievano? Che preoccupazioni avevano quando prendevano decisioni?

Il team ha scoperto che l’approccio tradizionale risentiva di previsioni inaccurate e congetture da parte di agenti che tentavano di stimare possibili cancellazioni. (Nelle prenotazioni cargo, diversamente dalle prenotazioni passeggeri, non ci sono penalizzazioni per le rinunce, perciò non è inusuale che un aereo sia tutto prenotato, ma parta con la stiva mezza vuota perché i clienti non si presentano). Gli agenti che prenotavano il trasporto di merci temevano anche l’impatto negativo sulla soddisfazione dei clienti in caso di overbooking dello spazio. Per evitare conflitti, aspettavano spesso fino al giorno del volo per riservare spazi destinati alle merci dei clienti; le conseguenze erano un uso sub-ottimale della capacità e la perdita di opportunità.

Avendo identificato e compreso i problemi dei processi in essere, il team ha poi tratteggiato le linee essenziali di un processo ideale, incluse le informazioni di cui avrebbero avuto bisogno gli agenti per decidere se prenotare, come fare overbooking restando entro margini di sicurezza e con quale anticipo, e come sarebbero cambiati i ruoli. Poi ha passato alcune settimane a sviluppare il prototipo di un quadro di controllo supportato dall’IA che avrebbe fornito le informazioni necessarie agli agenti, lavorando insieme a loro in sprint iterativi per incorporare l’input dei modelli di previsione, che venivano sviluppati in parallelo. Il team ha testato il quadro di controllo con gli agenti su dodici rotte rappresentative delle 1500 coperte in tutto il mondo dalla compagnia. Ha confrontato modalità di utilizzo del servizio cargo e profitti per gli agenti che seguivano le raccomandazioni del sistema e per un gruppo di controllo che usava processi tradizionali. Per creare fiducia nel nuovo sistema, i dirigenti hanno eliminato le ripercussioni negative che avrebbero subito normalmente gli agenti se un volo non avesse potuto accettare una prenotazione.

Oggi tutti gli agenti possono accedere a quadri di controllo intuitivi che visualizzano i voli che sottoutilizzano lo spazio. Possono vedere immediatamente dati sui ricavi generati dal trasporto merci su voli recenti. Circuiti integrati di feedback consentono ai sistemi IA di apprendere continuamente dagli agenti man mano che decidono se accettare una richiesta di trasporto merci, attingendo alla loro expertise sulla dimensione del carico e sui problemi di bilanciamento del peso, e alla conoscenza dei cambiamenti intervenuti nelle supply chain dei clienti, nelle rotte commerciali e in altri fattori. Questi nuovi strumenti forniscono agli agenti informazioni che li mettono in condizione di prenotare spazi per le merci con largo anticipo sulle date di partenza.

 

Fase 4

Predisponetevi al cambiamento organizzativo e tecnologico

Nella maggior parte dei casi, serviranno cambiamenti organizzativi importanti, come l’adozione della collaborazione interdisciplinare e l’orientamento al lavoro agile, per supportare i nuovi processi e i nuovi modelli che si basano sull’IA. La nostra ricerca dimostra in effetti che le aziende più premiate dall’IA in termini di ritorni economici sono più inclini ad adottare pratiche efficaci di change management, come esemplificare i comportamenti desiderati attraverso i leader, e che questi sforzi funzionano al meglio quando vengono facilitati da CEO e top executive.

Torniamo sul caso della utility energetica: ha investito nel ri-addestramento degli operatori, in modo che potessero lavorare efficacemente insieme nel nuovo contesto e assumere nuove responsabilità di leadership; ha riallineato obiettivi e incentivi dei membri del team di progetto IA con le loro nuove responsabilità; e ha riassegnato i ruoli dipartimentali che i membri del team avevano dovuto abbandonare.

Pur dovendo aggiornare le proprie tecnologie per supportare l’IA, le imprese non dovranno modificare radicalmente la propria infrastruttura informatica o la propria architettura dei dati prima di iniziare. Noi suggeriamo piuttosto di concentrarsi su una tecnologia in grado di favorire e accelerare lo sviluppo dell’IA, e poi di selezionare gli investimenti addizionali in base alle priorità dei team. Piattaforme cloud per l’archiviazione dei dati, e l’uso di API (application program interfaces), micro servizi e altre pratiche avanzate di dev-op (collaborazione integrata tra sviluppatori), per esempio, possono aiutare le imprese a sviluppare nuove capacità di business due o tre volte più rapidamente.

Il fornitore di telecomunicazioni ha creato una piattaforma cloud per l’archiviazione di dati grezzi generati da sistemi preesistenti di gestione delle informazioni e customer service, in modo che possano essere usati più facilmente data engineer e data scientist rispetto ai dati generati dal vecchio sistema interno. L’azienda ha implementato anche una nuova unità di elaborazione delle analitiche, che aiutava i data scientist ad addestrare e a mettere in uso in tempi più brevi nuovi modelli, e strumenti che razionalizzavano la raccolta dei dati, l’analisi e la costruzione di modelli per il suo sistema IA di customer-value-management. Quelle mosse le hanno permesso di cominciare a usare dati destrutturati, applicare approcci più complessi e lavorare più efficientemente.

Quando mettono in ordine di priorità investimenti tecnologici addizionali, i team dovrebbero identificare le capacità, i dati e le risorse (come la robotica, la biometria, sensori e piattaforme per la connettività) di cui avranno bisogno e i tempi in cui ne avranno bisogno, e poi lavorare su ognuno di questi elementi secondo necessità. Nel progettare il sistema di customer-value-management, il team del fornitore di telecomunicazioni si è reso conto di aver bisogno di una nuova tecnologia che automatizzasse la messaggistica diretta in uscita e desse ai venditori indicazioni in tempo reale sulla prossima conversazione da tenere con i clienti.

I team dovrebbero considerare anche l'impatto potenziale che avranno le iniziative IA sui processi a monte e a valle, e implementare misure adeguate. Per esempio, nella compagnia aerea, il team IA ha sviluppato uno strumento di reporting per i manager che sovraintendevano al carico e allo scarico delle merci, in modo che potessero supportare efficacemente i volumi superiori generati dal nuovo processo di vendita e prenotazione.

 

Un effetto domino

Quando l’IA matura all’interno di un ambito iniziale e le organizzazioni raggiungono un certo ritmo di re-immaginazione di parti dell’attività operativa, esse sono pronte per espandere il processo. Le fondamenta tecnologiche che hanno costruito e le competenze che hanno appreso – per esempio, come abbattere i silos funzionali, prendere nel giro di poche ore decisioni che prima richiedevano settimane, e creare più team supportati dai dati – contribuiranno ad accelerarne gli sforzi in nuovi ambiti.

A quel punto le aziende possono perseguire la trasformazione di più ambiti in parallelo. L'idea è sempre quella di costruire sul pregresso. Ciò potrebbe indurle a dare la priorità ad ambiti che hanno dati e competenze in comune, come la supply chain e la logistica. Oppure potrebbero lavorare sullo stesso ambito in altre business unit. La utility energetica stima che l’80% del lavoro svolto per migliorare il customer-value-management in una divisione di prodotto (che ha apportato una crescita record in pochi mesi, facendo registrare un incremento del 12% nel profitto per cliente e un incremento del 20% nella ritenzione dei clienti) si può riutilizzare in diverse altre business unit, accelerando anche la loro crescita.

Le aziende di cui abbiamo parlato in questo articolo sono ancora nelle prime fasi della loro trasformazione imperniata sull’IA, ma stanno anche per entrare in una nuova era. Hanno avuto un assaggio delle possibilità che offre, e le loro scelte audaci hanno generato ritorni significativi negli ambiti che hanno preso di mira, e nuove capacità che casi di uso separati non avrebbero potuto mettere a disposizione. Queste aziende hanno creato un set strutturato di metodologie e protocolli a cui possono accedere nuovamente. Man mano che andranno a operare in altri ambiti, il loro ritmo di lavoro aumenterà, le loro capacità di sfruttamento dell’IA si moltiplicheranno rapidamente, e scopriranno che in realtà il futuro che avevano immaginato è più vicino di quanto non apparisse.

 

Tim Fountaine è senior partner presso l’ufficio di Sydney della McKinsey e dirige QuantumBlack, un’azienda di analitiche avanzate che appartiene a McKinsey. Brian McCarthy è senior partner dell'ufficio di Atlanta e co-dirige la trasformazione basata sulle analitiche e i programmi di knowledge development per McKinsey Digital. Tamim Saleh è senior partner dell’ufficio di Londra e un global analytics leader di McKinsey Digital.

Commenta scrivi/Scopri i commenti

Condividi le tue opinioni su Hbr Italia

Caratteri rimanenti: 400

2 / 3

Free articles left

Abbonati!