Come differiscono IA generativa e analitica – e quando usarle

Da quando OpenAI ha annunciato ChatGPT nel novembre del 2022, molti dirigenti aziendali hanno concentrato la loro attenzione sull’IA generativa. Questa tecnologia relativamente nuova ha scatenato una frenesia intorno all’IA e ha fatto sì che le aziende vi prestassero attenzione per la prima volta. Si tratta di uno sviluppo positivo, poiché la tecnologia è potente e importante e consente molte nuove possibilità di business.

Tuttavia, molte aziende utilizzano l’IA da anni con minore visibilità. Quelle che hanno scoperto di recente l’IA generativa rischiano di trascurarne la forma più antica e consolidata, che chiameremo “IA analitica”. Questa forma di IA non è affatto obsoleta ed è ancora una risorsa importante per la grande maggioranza delle aziende. Sebbene alcune applicazioni dell’IA impieghino sia l’analitica che la generativa, i due approcci all’IA sono in gran parte separati. Le aziende devono decidere quale sia il tipo più adatto per ogni specifico caso d’uso.

Per decidere l’importanza e il valore relativo dell’IA generativa e dell’IA analitica, le aziende devono innanzitutto comprendere le differenze tra le due tecnologie e i diversi vantaggi e rischi associati a ciascuna di esse. Possono quindi decidere a quale dare priorità in quali circostanze, in base alle loro strategie, ai modelli di business, alla tolleranza al rischio e ad altre situazioni.

Le differenze tra IA generativa e analitica

Scopi e capacità diverse

L’IA analitica e l’IA generativa differiscono principalmente per finalità, capacità, metodi e dati. Lo scopo principale dell’IA generativa è quello di utilizzare modelli di reti neurali di apprendimento profondo per generare nuovi contenuti’come immagini, testi, musica, codice di programmazione o persino intere opere d’arte’che imitino la creazione umana. L’IA analitica, invece, si riferisce ai sistemi di IA basati sull’apprendimento automatico statistico che sono progettati per compiti specifici, come la classificazione, la previsione o il decision-making basato su dati strutturati. Ad esempio, in una promozione di marketing ai clienti, l’IA analitica verrebbe utilizzata per decidere quale prodotto promuovere a quale cliente, mentre l’IA generativa creerebbe il linguaggio e l’immagine personalizzati utilizzati nella promozione.

L’intelligenza artificiale generativa può produrre contenuti originali e spesso indistinguibili da quelli creati dall’uomo. L’intelligenza artificiale analitica è progettata per eseguire in modo efficiente compiti specifici di previsione, come prevedere quando una macchina ha bisogno di assistenza, o il prezzo che un cliente pagherà o consigliare prodotti in base alle preferenze degli utenti, il tutto basato su modelli statistici predittivi. GenAI non può fare queste cose perché non tratta questi tipi di dati.

Metodi algoritmici diversi

In termini di metodi algoritmici, l’IA generativa impiega spesso tecniche complesse come i trasformatori (che trasformano gli input sequenziali di testo, ad esempio, in output coerenti), i meccanismi di attenzione (che prevedono la parola successiva in base al contesto delle parole che la precedono), le reti generative avversarie (GAN, che competono l’una contro l’altra per ottenere un risultato desiderato, come vincere a un gioco) e gli autoencoder variazionali (VAE, che sono modelli che generano, rimuovono il rumore e rilevano le anomalie in nuovi dati derivati da dati esistenti) per generare contenuti. Questi modelli imparano a comprendere gli schemi nei dati per crearne di nuovi. I modelli sono in genere creati dai fornitori (e personalizzati dalle aziende utenti) perché sono di grandi dimensioni, richiedono ampie risorse computazionali e necessitano di grandi quantità di dati.

L’intelligenza artificiale analitica utilizza una serie di approcci all’apprendimento automatico generalmente più semplici, tra cui l’apprendimento supervisionato (che utilizza modelli di dati passati con esiti noti per prevedere esiti sconosciuti), l’apprendimento non supervisionato (che identifica modelli nei dati senza esiti noti) e l’apprendimento per rinforzo (che premia un modello per l’ottimizzazione di un obiettivo specifico), oltre a varie architetture di reti neurali adattate a compiti specifici. I modelli sono tipicamente addestrati su dati passati e applicati “per inferenza” per prevedere nuovi dati (cioè applicati a situazioni del mondo reale) dalle aziende stesse utilizzando i loro stessi dati.

Diversi tipi di dati

I due tipi di IA si differenziano anche per i tipi di dati utilizzati. L’IA generativa utilizza testo, immagini e altri formati di dati relativamente non strutturati, tutti in una sequenza che può essere utilizzata per prevederne altre. L’IA analitica utilizza dati strutturati, in genere righe e colonne di numeri. La forma più comune di IA analitica, l’apprendimento supervisionato, richiede che i dati utilizzati per addestrare il modello abbiano un risultato noto ed etichettato. Ad esempio, un modello supervisionato che tenta di prevedere se un paziente si ammalerà di diabete (utilizzando variabili predittive come il peso, i livelli di esercizio fisico o i parenti affetti da diabete) viene addestrato su un set di dati per i quali sappiamo se i pazienti si sono ammalati.

Diversi ritorni sugli investimenti

Le due tecnologie di IA si differenziano anche per il tipo di ritorno che possono offrire alle organizzazioni. In linea di massima, è più probabile che l’IA generativa produca risparmi sui costi grazie all’aumento della produttività nella generazione di contenuti, mentre l’IA analitica può produrre decisioni migliori, risparmi sui costi e aumento delle vendite, anche se ci sono eccezioni a questa generalizzazione.

L’IA generativa può fornire ritorni dalla generazione di contenuti, offrendo costi ridotti rispetto alla creazione di contenuti umani, oltre al potenziale di generare contenuti unici e coinvolgenti che attraggono e fidelizzano i clienti. Può essere sfruttata per creare contenuti personalizzati in base alle preferenze individuali. Questo può portare a un maggiore coinvolgimento dei clienti, a un aumento dei tassi di conversione e a una maggiore soddisfazione dei clienti, con conseguente crescita dei ricavi. In settori come la moda, l’automotive o il design di prodotto, l’intelligenza artificiale generativa può aiutare a generare varianti di design e prototipi in modo rapido ed efficiente. Questo può portare a cicli di innovazione più rapidi, a una riduzione del time-to-market e a un risparmio sui costi di sviluppo del prodotto. Più in generale, gli strumenti di IA generativa possono assistere i professionisti della creatività fornendo ispirazione, generando idee o automatizzando compiti ripetitivi. Ciò può migliorare la produttività, la creatività e la qualità complessiva della produzione, portando a prodotti e servizi migliori.

Nel servizio clienti, i chatbot di IA generativa possono essere impiegati per rispondere alle domande o per risolvere i problemi come prima linea di risposta ai clienti. L’obiettivo è spesso la riduzione dei costi in termini di sostituzione degli operatori dei call center con l’IA. I chatbot basati sull’IA generativa offrono solitamente una migliore capacità di conversazione rispetto ai precedenti chatbot in linguaggio naturale.

Sebbene i vantaggi potenziali dell’IA generativa siano molti, il suo valore economico può essere difficile da misurare: in genere, infatti, ciò richiede esperimenti controllati tra gruppi che utilizzano e non utilizzano la tecnologia e misurazioni dettagliate della produttività. Le prestazioni di alcuni gruppi (ad esempio, i lavoratori meno esperti) possono essere più o meno positive rispetto ad altri. Molti dei vantaggi di cui sopra richiedono anche l’addestramento dei modelli di IA generativa sui contenuti specifici di un’azienda, il che può aumentare i costi.

L’IA analitica spesso offre migliori ritorni economici grazie a modelli predittivi che possono aiutare le aziende a prevedere la domanda, ottimizzare la gestione delle scorte, identificare le tendenze del mercato e prendere decisioni basate sui dati. Questo può portare a una riduzione dei costi, a una migliore allocazione delle risorse e a un aumento dei ricavi grazie a un migliore processo decisionale.

I modelli analitici di intelligenza artificiale possono anche analizzare grandi volumi di dati sui clienti per scoprire intuizioni, preferenze e comportamenti. Le aziende possono utilizzare queste informazioni per personalizzare le campagne di marketing, creare raccomandazioni sui prodotti e offrire esperienze personalizzate ai clienti, con conseguente aumento della soddisfazione e della fedeltà dei clienti. L’intelligenza artificiale analitica può essere utilizzata anche per stabilire dinamicamente i prezzi di prodotti e servizi, spesso migliorando la redditività.

L’intelligenza artificiale analitica è anche ampiamente utilizzata nella gestione del rischio e nel rilevamento delle frodi: gli algoritmi di IA possono analizzare i dati in tempo reale per rilevare le anomalie, identificare i rischi potenziali e prevenire le attività fraudolente. Ciò può tradursi in un risparmio economico, riducendo al minimo le perdite dovute alle frodi, migliorando le misure di sicurezza e mantenendo la conformità normativa.

I vantaggi dell’IA analitica sono spesso più facili da misurare rispetto a quelli dell’IA generativa, perché vengono rilevati dai sistemi transazionali, dagli acquisti dei clienti e dai costi. In definitiva, sia l’IA generativa che quella analitica possono fornire un ROI significativo grazie all’aumento dell’efficienza, della produttività, dell’innovazione e della soddisfazione dei clienti, anche se in modi diversi a seconda del caso d’uso specifico e del settore.

Rischi diversi

I problemi di sicurezza legati all’IA generativa e a quella analitica possono variare in base alle rispettive applicazioni, capacità e rischi potenziali. L’IA generativa, ad esempio, consente di creare “deepfake” convincenti, che possono essere utilizzati per la disinformazione, il furto di identità e le frodi. Poiché i modelli linguistici di grandi dimensioni vengono addestrati su dati esistenti, l’IA generativa può anche potenzialmente violare i diritti di proprietà intellettuale generando contenuti che assomigliano a materiale protetto da copyright, con possibili controversie legali. I modelli di IA generativa possono anche comportare rischi per la privacy a causa delle informazioni sensibili presenti nei dati di addestramento o nei dati specifici dell’azienda utilizzati per personalizzare un modello. Gli aggressori possono anche manipolare i dati di input per indurre i modelli generativi a generare risultati non previsti.

I dati analitici di addestramento dell’IA corrono gli stessi rischi di violazioni della cybersecurity e di hacking che corrono gli altri dati sensibili. Inoltre, i modelli di IA addestrati su set di dati distorti o incompleti possono perpetuare i pregiudizi esistenti o discriminare determinati gruppi. La tecnologia analitica dell’IA può essere sfruttata per scopi dannosi, come il lancio di attacchi informatici automatizzati, la diffusione di informazioni errate o la realizzazione di truffe di ingegneria sociale. È necessario implementare misure di sicurezza per mitigare questi rischi e prevenire le minacce alimentate dall’IA.

Sebbene sia l’IA generativa che l’IA analitica presentino rischi e problemi di sicurezza legati alla privacy dei dati, ai pregiudizi e agli attacchi avversari, la natura di questi problemi può variare in base alle caratteristiche e alle applicazioni specifiche di ciascun tipo di IA. Al momento, l’IA analitica sembra comportare livelli di rischio inferiori, in parte perché viene utilizzata nelle aziende da diversi decenni.

Come le aziende possono trovare il giusto equilibrio tra IA analitica e generativa

Le aziende dovranno stabilire come allocare l’attenzione, gli investimenti e i talenti del management a questi due diversi ambiti dell’IA. Una considerazione primaria è la familiarità degli stakeholder con i due tipi. In generale, l’IA generativa è quella che apre le porte. Riesce a entusiasmare i dirigenti e i professionisti non tecnici sull’uso dell’IA e ha poche barriere di utilizzo. L’IA analitica richiede un orientamento più statistico per essere utilizzata in modo efficace, quindi il suo pubblico principale è costituito da scienziati dei dati o da persone che lavorano in ambito quantitativo. Probabilmente si tratterà sempre di una base di utenti più ristretta rispetto all’IA generativa, anche se le interfacce dell’IA generativa possono facilitare l’esecuzione di semplici modelli analitici da parte di persone non tecniche. Tuttavia, i dirigenti delle aziende che dispongono di una grande quantità di dati strutturati, come i servizi finanziari, la vendita al dettaglio e le telecomunicazioni, probabilmente conosceranno l’IA analitica.

Diverse aziende ci hanno detto che uno dei principali vantaggi dell’IA generativa è stato quello di sensibilizzare i dirigenti all’IA in generale. Sastry Durvasula, responsabile della tecnologia, dei dati e dei servizi ai clienti di TIAA, ha dichiarato: “ChatGPT è stato un importante catalizzatore per il nostro passaggio a una strategia AI-first. Ha elevato le nostre iniziative di IA a pilastro fondamentale della nostra strategia aziendale”. Il consiglio di amministrazione e il comitato esecutivo di TIAA hanno abbracciato l’approccio AI-first, riconoscendo il potenziale dell’IA per migliorare i servizi ai clienti, migliorare l’efficienza operativa e promuovere l’innovazione in tutta l’organizzazione.

Bill Pappas, responsabile della tecnologia e delle operazioni globali di MetLife, ha osservato: “Incoraggiare la collaborazione e l’apprendimento continuo tra i reparti e le funzioni svolge un ruolo fondamentale nell’eliminare i silos e nel promuovere nuove idee e modi di pensare. L’innovazione non è solo compito del reparto IT. Piuttosto, i leader più forti sanno che l’innovazione dipende dall’impegno dell’intera organizzazione per la crescita”.

I fattori che descriviamo di seguito possono fornire una guida all’enfasi relativa dell’IA analitica o generativa all’interno di un’azienda e di un settore.

Considerare la strategia e il modello di business

L’attività principale dell’azienda consiste nel creare, vendere o distribuire contenuti? Se è così, l’IA generativa dovrebbe essere il suo obiettivo principale. Ma il termine “contenuti” comprende una varietà di settori. Greg Meyers, chief digital and technology officer di Bristol Myers Squibb, ha commentato: “L’IA generativa è particolarmente utile nei settori ad alta densità di documenti e per la creazione di contenuti nuovi, come la generazione di nuove proteine nella biologia computazionale”. Questa applicazione aiuta ad accelerare gli studi clinici e a migliorare l’efficienza nello sviluppo dei farmaci. L’azienda utilizza l’intelligenza artificiale analitica per compiti quali la previsione, la pianificazione della domanda e la previsione dell’iscrizione ai siti clinici.

Tuttavia, anche le aziende che operano nel settore della generazione di contenuti possono trovare problematico l’aspetto di predizione probabilistica del testo dell’IA generativa. David Wakeling, responsabile globale del gruppo di consulenza sull’IA del grande studio legale A&O Shearman, ci ha detto in un’intervista che non vede l’IA generativa come una minaccia esistenziale data la tecnologia odierna. Secondo lui, può rendere gli avvocati più produttivi ed efficienti, ma “la natura fondamentale dell’IA generativa è quella di commettere errori. È necessario avere un esperto sempre presente o si otterrà una cattiva legge”, ha affermato.

Considerare il formato degli asset di dati proprietari e unici

Se le risorse di dati dell’azienda sono principalmente contenuti non strutturati come testo, immagini o video, l’IA generativa dovrebbe avere la precedenza. Alla Universal Music, ad esempio, c’è un forte interesse per l’IA generativa, in quanto è in grado di creare musica, scrivere testi e imitare le voci degli artisti. Naras Eechambadi, responsabile globale di dati e analisi dell’azienda, ha dichiarato che l’azienda e i suoi clienti sono molto interessati all’IA generativa. Ha detto di aspettarsi che la tecnologia si diffonda lentamente e che alla fine ci sarà una sorta di punto di svolta. “All’improvviso ci renderemo conto che questa tecnologia ha avuto un impatto enorme” sul settore e sull’azienda.

Se, invece, la maggior parte dei dati aziendali è strutturata e numerica, l’azienda dovrebbe orientarsi verso l’intelligenza artificiale analitica. Katya Andresen, Chief Digital and Analytics Officer di Cigna, ci ha detto che la missione dell’azienda è migliorare i risultati sanitari. “L’IA analitica”, ha commentato, "ci permette di prevedere le esigenze dei pazienti, migliorare la gestione delle cure e aumentare l’efficienza operativa". Questo utilizzo dell’IA è parte integrante del miglioramento dei risultati sanitari e della riduzione dei costi. Cigna sta anche esplorando l’IA generativa per la creazione di contenuti (compresi i dati sintetici per l’addestramento) e di esperienze personalizzate per i clienti.

Esistono altre ragioni per orientarsi in un modo o nell’altro verso l’IA primaria di un’azienda, tra cui l’esperienza dei talenti della scienza dei dati, la tolleranza al rischio dell’azienda (l’IA generativa è considerata una tecnologia più rischiosa dalla maggior parte delle organizzazioni) e la disponibilità a tollerare l’incertezza dei benefici più elevati dell’IA generativa.

In definitiva, riteniamo che molti casi d’uso dell’IA combineranno i due approcci. AT&T, ad esempio, che da diversi anni impiega approcci alla democratizzazione dell’IA, sta utilizzando l’IA generativa per facilitare quella analitica. L’applicazione “Ask Data” consente agli utenti non tecnici di creare analisi e modelli statistici’in altre parole, l’IA analitica’con semplici domande in inglese, utilizzando l’IA generativa. L’IA generativa funge da interfaccia di conversazione front-end per l’IA analitica, scrivendo il codice per eseguire quel tipo di analisi statistica. Prevediamo che molte altre organizzazioni creeranno combinazioni simili.

Democratizzazione dell’IA

Sebbene entrambi i tipi di IA siano importanti per la maggior parte delle organizzazioni, è l’IA generativa che aiuta a democratizzare l’accesso a strumenti avanzati. Durvasula di TIAA osserva: “L’IA generativa consentirà agli utenti non esperti di sfruttare le capacità dell’IA in modo più efficace. Il nostro obiettivo è aiutare tutti i membri dell’azienda a diventare esperti di IA”. La rete di gruppi di lavoro sull’IA della società esemplifica questo approccio, offrendo formazione e risorse ai dipendenti di varie funzioni.

Meyers di Bristol Myers Squibb riconosce il potenziale dell’IA generativa nel rendere più accessibili le tecnologie avanzate. “L’IA generativa sta abbassando la barriera di accesso all’IA analitica. Chiunque sia in grado di leggere e scrivere può interagire con l’IA generativa, il che amplia il bacino di persone che possono utilizzare queste tecnologie”, osserva.

Andresen di CIGNA è d’accordo e aggiunge: “L’IA generativa sta democratizzando l’accesso a strumenti e approfondimenti complessi, consentendo a un maggior numero di dipendenti di impegnarsi con i dati e le tecnologie IA. Questo cambiamento è fondamentale per promuovere l’innovazione e migliorare il processo decisionale in tutta l’organizzazione”.

Pappas di MetLife ha dichiarato che l’azienda ha condotto un’indagine da cui è emerso che i dipendenti che ritengono che il loro datore di lavoro fornisca la giusta quantità di formazione e di informazioni sull’IA hanno maggiori probabilità di essere soddisfatti del loro lavoro e di voler rimanere lì per i successivi 12 mesi. “Con l’aumentare della competitività per i datori di lavoro, sarà fondamentale per le organizzazioni considerare come sfruttare la tecnologia dirompente come strumento per trattenere e attrarre i talenti”, sottolinea l’esperto. “Abbracciare le tecnologie emergenti può dare risultati più positivi per i datori di lavoro”.

Le organizzazioni che abbiamo descritto dimostrano che è importante comprendere sia l’IA analitica che quella generativa e applicare ciascuna di esse ai rispettivi punti di forza all’interno dei casi d’uso. Insieme possono alimentare nuove strategie e modelli di business, creare culture più orientate ai dati, produrre livelli più elevati di produttività e facilitare le decisioni migliori. Senza una comprensione delle loro differenze, tuttavia, le organizzazioni rischiano di sottoutilizzare uno o entrambi i tipi di intelligenza artificiale per trasformare le loro aziende.

Thomas H. Davenport è Professore di Information Technology al Babson College, Professore di Analytics alla UVA’s Darden School of Business, visiting scholar alla MIT Initiative on the Digital Economy e senior advisor del Chief Data and Analytics Officer Program di Deloitte. Peter High è il fondatore e presidente della società di consulenza tecnologica, digitale e di innovazione Metis Strategy e ogni anno fornisce consulenza a decine di responsabili tecnologici e digitali Fortune 500. È anche autore di tre libri, tra cui l’ultimo, Getting to Nimble, e conduce il podcast Technovation.