Come l’IA può aiutare i leader a prendere decisioni migliori sotto pressione

I LEADER E I MANAGER aziendali devono affrontare una pressione crescente per riuscire a prendere le decisioni giuste sul posto di lavoro. Secondo una ricerca condotta da Oracle e Seth Stephens-Davidowitz, l’85% dei dirigenti ha sperimentato uno stress decisionale e tre quarti di questi hanno visto, negli ultimi tre anni, decuplicare il volume giornaliero di decisioni da prendere.

Si stima che un processo decisionale inadeguato costi alle aziende in media almeno il 3% dei profitti, che per un’azienda da 5 miliardi di dollari equivale a una perdita di circa 150 milioni di dollari ogni anno. I costi di un processo decisionale inadeguato, tuttavia, non sono solo finanziari: una spedizione ritardata a un fornitore importante, un guasto ai sistemi informatici o una singola interazione mal gestita con un cliente insoddisfatto sui social media possono rapidamente andare fuori controllo e infliggere alle aziende costi significativi in termini di reputazione e regolamentazione.

In questo contesto, un numero sempre maggiore di aziende si rivolge alle tecnologie basate sull’intelligenza artificiale per colmare il divario di dati e migliorare le capacità decisionali in situazioni critiche e ad alta pressione. Queste tecnologie comprendono un’ampia gamma di strumenti, tra cui assistenti virtuali, realtà virtuale e aumentata, strumenti di process discovery ed estrazione delle attività, e una serie di piattaforme di analisi dei dati e di business intelligence. Di recente, si è registrato un enorme interesse per l’IA generativa o per i modelli linguistici di grandi dimensioni (LLM), un’intera classe di algoritmi in grado di includere vasti insiemi di dati – testi, numeri, codici software, immagini, video, formule e così via – di comprenderne la struttura probabilistica e di creare sintesi, risposte, simulazioni e scenari alternativi basati su questi dati. I modelli di IA generativa più noti sono ChatGPT di OpenAI, Bard di Google, Llama 2 di Meta e Anthropic, ma ce ne sono molti altri.

Questo articolo affronta tre questioni cruciali che i decisori devono affrontare nell’utilizzo di queste tecnologie: 1) In quali contesti le tecnologie decisionali dell’IA possono essere utili? 2) Quali sono le sfide e i rischi legati all’utilizzo di queste tecnologie? 3) Come possono i leader aziendali trarre efficacemente vantaggio da queste tecnologie, mitigandone al contempo i rischi?

Come i sistemi di intelligenza artificiale possono migliorare il processo decisionale

Le tecnologie basate sull’IA possono favorire un processo decisionale più rapido e migliore in almeno tre modi principali: monitoraggio in tempo reale e migliore previsione degli sviluppi aziendali sul campo; giochi di ruolo virtuali per addestrare i lavoratori in scenari aziendali reali; e strumenti emergenti di IA generativa che possono rispondere a domande e agire come consulenti e “casse di risonanza” virtuali per i responsabili delle decisioni.

Tracciamento e previsione migliorati

Grazie ai dati sempre più precisi provenienti dalla tracciabilità tecnologica delle catene di fornitura, le aziende possono ora capire da dove provengono le loro materie prime e i loro input, chi li ha prodotti o forniti e se questi sono stati prodotti e reperiti in modo ecologico ed etico.

Consideriamo il caso di Unilever, il gigante dei beni di consumo. L’azienda ha impiegato una serie di tecnologie di nuova generazione per individuare i segni emergenti di deforestazione nella sua vasta catena di approvvigionamento di olio di palma, soprattutto nel “primo miglio” critico tra l’azienda agricola e il mulino, dove tendono a concentrarsi i rischi di produzione non autorizzata e di deforestazione. Per gli utilizzatori industriali dell’olio di palma – un ingrediente fondamentale per la produzione di alimenti, cosmetici e carburanti – la deforestazione nelle catene di approvvigionamento più lontane è un rischio ambientale sempre presente. Per conoscere meglio le condizioni sul campo, l’azienda utilizza l’analisi anonima dei segnali dei telefoni cellulari per tracciare il flusso dell’olio di palma lungo le sue varie ramificazioni, aiutando a identificare eventuali fonti di approvvigionamento non autorizzate o anomale. L’analisi IA delle immagini satellitari può anche individuare cambiamenti improvvisi o inaspettati nelle chiome delle foreste, fornendo avvisi in tempo reale ai gestori di potenziali rischi di deforestazione, in modo che possano intraprendere azioni preventive.

Anche i porti marittimi si stanno rivolgendo alle tecnologie basate sull’intelligenza artificiale per orchestrare e ottimizzare le decisioni, migliorare le prestazioni operative e l’impatto ambientale. La gestione di un porto marittimo comporta migliaia di decisioni al giorno: programmare gli arrivi delle navi just-in-time, determinare i livelli di sicurezza dell’acqua, gestire i volumi e i flussi del traffico di container, garantire una sufficiente capacità di carico e scarico nei terminal, effettuare chiamate di sicurezza e così via. Il margine consentito di errore è ridotto e l’intelligenza artificiale può aiutare a tenere a bada gli errori.

Il porto di Rotterdam, ad esempio, ha sperimentato PortXchange Synchronizer, una piattaforma che assembla dati provenienti da diverse fonti (navi, operatori marittimi, dati pubblici e applicazioni di previsione dell’IA) per fornire una visione “dashboard” in tempo reale di ogni aspetto dello scalo di una nave. La piattaforma viene utilizzata dai porti marittimi di tutto il mondo, da Felixstowe nel Regno Unito a Houston negli Stati Uniti, per ottimizzare il processo decisionale e la pianificazione a lungo termine delle operazioni e delle infrastrutture portuali.

Giochi di ruolo virtuali in condizioni reali

Molti settori industriali utilizzano oggi tecnologie basate sull’intelligenza artificiale per dotare lavoratori e manager di capacità decisionali in una varietà di scenari aziendali, sia di routine che inaspettati. Per i nuovi dipendenti dei call center, forse l’esperienza più impegnativa è quella di avere a che fare con clienti difficili, emotivi o frustrati. Il colosso americano delle telecomunicazioni Verizon ha utilizzato la tecnologia VR di Strivr per immergere, nel corso della formazione, gli operatori addetti alla clientela in ambienti virtuali in cui è possibile scambiare i ruoli con i clienti e vedere i problemi dalla loro prospettiva. Questa esperienza immersiva ha permesso ai tirocinanti di prendere decisioni che hanno contribuito a stemperare le tensioni e a sviluppare la loro fluidità verbale nelle interazioni, un fattore chiave per migliorare i risultati delle interazioni con i clienti.

Sono possibili molte altre applicazioni della VR per formare le persone al processo decisionale, dalla polizia all’assistenza sanitaria, dalla progettazione ingegneristica alla manutenzione delle infrastrutture di servizio. La polizia di Fort Meyers in Florida, ad esempio, utilizza tecnologie immersive per aiutare gli agenti ad apprendere come prendere decisioni critiche in situazioni sotto alta pressione o di emergenza, ad esempio adottando misure per ridurre le interazioni con individui affetti da malattie mentali. Altre forze di polizia stanno utilizzando la tecnologia per aiutare gli agenti a seguire i giusti protocolli nel gestire gli incidenti stradali. Allo stesso modo, il SOCOM, il Comando per le Operazioni Speciali degli Stati Uniti, sta utilizzando la VR per allenare le capacità decisionali in scenari di combattimento realistici, mentre nel settore sanitario i medici utilizzano sistemi di intelligenza artificiale per aiutarli a diagnosticare patologie come il cancro al seno, eliminare gli errori di dosaggio e condurre interventi chirurgici più sicuri.

Suggeritori, copiloti e casse di risonanza virtuali

Una terza area in cui le tecnologie di IA – in particolare l’IA generativa – possono svolgere un ruolo importante nel processo decisionale è quella dei consulenti virtuali e delle casse di risonanza. Abbiamo intervistato Konstantinos Mitsopoulos, ricercatore presso l’Institute for Human and Machine Cognition (IHMC) in Florida, che ci ha raccontato:

In linea di principio, i sistemi di intelligenza artificiale generativa possono aiutare a superare alcuni dei problemi che affliggono il processo decisionale umano, come una memoria di lavoro limitata, tempi di attenzione ridotti e fatica di decidere, soprattutto quando si tratta di prendere decisioni sotto pressione. Gli strumenti di IA generativa possono potenzialmente aiutare chi deve prendere decisioni a risparmiare tempo ed energia e a concentrarsi sui problemi o sulle questioni più importanti.

Nel settore sanitario, ad esempio, i sistemi di IA possono limitare il carico cognitivo dei medici vagliando e sintetizzando automaticamente i dati chiave necessari per un processo decisionale efficace, riducendo i volumi di avvisi di farmaci non necessari e attivando automaticamente le azioni e le comunicazioni di follow-up dei pazienti. Sono possibili molte altre applicazioni, dalla gestione della continuità aziendale e della risposta alle crisi alla valutazione del rischio in diversi tipi di investimenti finanziari.

Un’applicazione emergente dell’IA generativa è lo sviluppo di “copiloti” decisionali in grado di valutare le informazioni in situazioni dinamiche, suggerire opzioni e passi successivi e portare a termine i compiti. Fusion Risk Management, un’azienda di Chicago che fornisce software per la gestione del rischio operativo, sta sviluppando un assistente generativo alimentato dall’IA chiamato Resilience Copilot che utilizza l’IA per vagliare grandi volumi di dati sul rischio operativo, identificare gli elementi rilevanti per i responsabili delle decisioni e generare sintesi esecutive, approfondimenti immediati, raccomandazioni intelligenti e miglioramenti delle best practice. Nello sviluppo del software, GitHub Copilot utilizza l’intelligenza artificiale generativa per fornire agli sviluppatori suggerimenti per la codifica, aiutando le organizzazioni a immettere il loro software sul mercato molto più rapidamente.

L’intelligenza artificiale generativa viene utilizzata anche per aiutare le organizzazioni nella gestione della reputazione, ad esempio attraverso strumenti di ascolto (social listening) che aiutano i responsabili del marketing e dei social media a monitorare i feedback e le recensioni online in tempo reale e a prendere decisioni efficaci su come rispondere. Reputation, una società di software per la gestione della reputazione con sede in California, fornisce un monitoraggio in tempo reale delle recensioni online sull’azienda in più canali di social media, con avvisi in tempo reale per segnalare i punteggi di sentiment negativo, il monitoraggio degli eventi di crisi e raccomandazioni prescrittive per i social media manager che si occupano dei commenti negativi.

Una delle maggiori applicazioni potenziali dell’IA generativa è la verifica e il collaudo delle idee, fornendo una sorta di “cassa di risonanza” virtuale. Abbiamo intervistato Matt Johnson, scienziato senior dell’Institute for Human & Machine Cognition (IHMC) ed ex pilota della Marina degli Stati Uniti, che ha osservato:

“Se usata correttamente, l’intelligenza artificiale generativa potrebbe funzionare come un ottimo compagno di squadra, nello stesso modo in cui io potrei voler discutere di un problema con i miei colleghi anche se penso di avere già la soluzione. Potenzialmente ha anche una lunga memoria organizzativa, utile per chi è relativamente nuovo in un’organizzazione e vuole scoprire come sono stati gestiti i problemi in precedenza”.

In realtà, è probabile che in futuro il “lato creativo” dell’IA generativa diventi ancora più importante per i responsabili delle decisioni in molti campi e settori diversi. Uno dei motivi è la sua capacità di creare grandi volumi di “dati sintetici” che possono imitare la struttura probabilistica dei processi e degli eventi del mondo reale, spesso partendo da campioni molto piccoli. I dati sintetici possono essere utilizzati per creare modelli decisionali e scenari per eventi ad alto impatto che si verificano raramente, ad esempio frodi molto sofisticate nel settore assicurativo che potrebbero non essere notate dai revisori umani. L’IA generativa può anche creare versioni conformi alla privacy di serie di dati dei clienti molto ampie, che possono essere condivise in modo sicuro sia per l’IA che per il processo decisionale guidato dall’uomo. Mostly AI, un’azienda austriaca di IA fondata nel 2017, ha utilizzato modelli di dati sintetici per migliorare il processo decisionale in settori diversi come l’analisi della sanità, il digital banking, la determinazione dei prezzi delle assicurazioni e l’analisi delle risorse umane.

Costruire fiducia tra uomo e macchina

Sebbene i sistemi di IA siano sempre più utilizzati per supportare, e in alcuni casi sostituire, il processo decisionale umano, le sfide e i rischi abbondano. Questi rischi includono questioni di potenziale parzialità, violazioni dell’etica, problemi di prova dei dati e accuratezza, solo per citarne alcuni. Inoltre, sollevano alcune questioni importanti per le aziende che investono in questa tecnologia. Come decisore, quando fidarsi della macchina piuttosto che dell’uomo? Quali sono le condizioni per una collaborazione efficace tra uomo e macchina? In che modo l’esperienza e il giudizio umano esistenti entrano nell’equazione?

La nostra ricerca e la nostra esperienza suggeriscono quattro imperativi per i leader aziendali:

Essere specifici

Sebbene i modelli di IA generativa possano essere applicati in linea di principio a una vasta gamma di situazioni decisionali, è probabile che siano molto più efficaci se applicati a problemi discreti utilizzando dati organizzativi o di mercato ben definiti. Come spiega Matt Johnson, “l’IA generativa funziona generalmente meglio quanto più specifica o ben definita è l’area di conoscenza o di competenza umana, dove c’è un qualche tipo di modello sottostante a cui possiamo puntare – quindi, ad esempio, in aree di nicchia del marketing o nel processo decisionale dei mercati finanziari, o nello sviluppo di codice software dove sono disponibili grandi quantità di codice software open-source”.

Attenzione alla curva di esperienza

Le ricerche indicano che le competenze e i profili di esperienza dei lavoratori – che siano esperti o principianti, o una via di mezzo – fanno una grande differenza nel modo in cui interagiscono con la tecnologia IA e negli impatti previsti. In generale, gli esperti tendono a fare molto affidamento sull’esperienza e sull’intuizione, utilizzando le macchine per verificare o suggerire opzioni alternative. Gli esperti possono anche essere meno abili con le nuove tecnologie se operano in un settore da molto tempo. I novizi possono utilizzare l’IA per imparare ed essere esposti più rapidamente a una serie di scenari diversi, ma devono fare pratica nel mondo reale per evitare di affidarsi troppo alle macchine. I livelli di competenza, l’esperienza, la conoscenza dell’organizzazione e l’abilità con la tecnologia sono tutti fattori che i leader aziendali dovranno calibrare con attenzione nel progettare strategie e applicazioni per le competenze di IA.

Mantenere aggiornate le competenze

Sebbene le aziende possano essere tentate di considerare l’IA generativa come una via a breve termine per l’automazione e la riduzione dei costi, i rischi a lungo termine di dequalificazione dei lavoratori e dell’organizzazione sono reali. Come dice Matt Johnson, “Mantenere il livello di competenza è fondamentale per utilizzare l’IA in modo efficace ed evitare i pericoli della dequalificazione dei lavoratori”. Rifacendosi alla sua esperienza di pilota della Marina statunitense, osserva che: “Anche i piloti a volte hanno bisogno di disattivare il pilota automatico e far atterrare manualmente l’aereo. I simulatori sono ottimi per esercitarsi a fare cose che non si vogliono fare nel volo vero e proprio, ma non si possono mantenere le proprie capacità solo su un simulatore. È necessario fare la cosa in prima persona... e lo stesso vale per l’utilizzo dell’IA in contesti aziendali e gestionali per prendere decisioni”.

Porre le domande giuste... nel modo giusto

L’IA generativa sta dando vita a una nuova disciplina chiamata “ingegneria dei prompt”: in sostanza, come strutturare le domande e le richieste ai sistemi di IA per ottenere le migliori risposte possibili. I ricercatori hanno dimostrato che gli esperti in domini specifici tendono in genere a essere molto più bravi dei principianti o di coloro che si occupano di altri settori nel formulare le domande per ottenere input utili, ad esempio definendo i fattori rilevanti da considerare, i parametri chiave, gli elementi da tralasciare e il formato degli output desiderati. Poiché molte organizzazioni hanno avviato programmi per democratizzare l’uso dell’intelligenza artificiale tra le funzioni aziendali e gli utenti in generale, i leader dovranno investire in modo significativo nelle competenze di prompt engineering delle loro aziende.

OGGI I LEADER E I MANAGER aziendali dispongono di più dati, provenienti da più fonti, che mai. Paradossalmente, però, il diluvio di dati non ha fatto altro che intensificare la pressione sui dirigenti affinché prendano le decisioni più importanti. Gli strumenti di intelligenza artificiale possono alleggerire il carico cognitivo e migliorare l’efficacia del processo decisionale in molti modi: monitoraggio e simulazione migliorati, pratiche realistiche in ambienti virtuali e consigli decisionali in tempo reale basati sull’intelligenza artificiale. Tuttavia, per ottenere questi vantaggi, le organizzazioni devono affrontare la collaborazione uomo-macchina con gli occhi bene aperti, prestando attenzione ai punti di forza, alle debolezze e ai limiti dei sistemi di IA. Soprattutto, i decisori umani devono continuare a sviluppare le proprie capacità, competenze e capacità di giudizio, in modo da poter utilizzare l’IA nel modo giusto, mitigandone i rischi.

Mark Purdy è consulente su questioni all’intersezione tra economia, tecnologia e business. È amministratore delegato di Purdy & Associates. A. Mark Williams è ricercatore senior presso l’Institute of Human and Machine Cognition in Florida.