Le imprese stanno accelerando sui progetti in intelligenza artificiale (Ai) e analytics, ma rimangono indietro sulla capacità di trasformare gli investimenti in risultati misurabili. Il motivo? Modelli operativi sui dati poco chiari, governance frammentata e decision making a silos, secondo un’analisi Info-Tech Research Group, società globale di ricerca e consulenza.
Secondo gli esperti, un modello operativo poco efficiente è uno dei principali ostacoli alla creazione di valore dall’Ai: anche quando la strategia è definita, manca l’allineamento su responsabilità e gestione dei rischi e il risultato è una corsa all’intelligenza artificiale che non arriva ai risultati sperati.
Indice degli argomenti
AI, investimenti in crescita ma i risultati tardano
Nel suo framework, “Establish the Target Operating Model Needed to Execute Your Data Strategy”, Info-Tech mette in evidenza un paradosso: le organizzazioni aumentano gli investimenti in intelligenza artificiale, analytics e automazione, ma non riescono a trasformare queste iniziative in risultati misurabili. Il tallone d’Achille sta nel modello operativo, spesso definito in modo superficiale.
Le conseguenze sono note: qualità dei dati incoerente, iniziative bloccate, esecuzione a compartimenti stagni e costi operativi in crescita.
“Le organizzazioni spesso credono che la loro strategia sui dati sia solida, ma la maggior parte fallisce a livello di modello operativo, dove l’ambiguità su proprietà, diritti decisionali e partnership mina i progressi”, osserva Nysa Zaran, direttore della ricerca di Info-Tech.
La sfida: estrarre valore dai dati
Non basta agire sulla dimensione tecnica: il successo di una strategia dati richiede il bilanciamento di dinamiche fondamentali nell’intero ecosistema data-driven. Qui emergono le difficoltà, con cinque criticità, in particolare, che rallentano i progressi verso il modello data-driven e, quindi, l’adozione efficace dell’Ai.
Nel dettaglio: i modelli operativi vengono progettati senza integrarsi con la strategia dati; i servizi dati — dove si genera valore — risultano sottodimensionati; non c’è una chiara divisione dei compiti tra team tecnici e team funzionali; gli stakeholder non dialogano, con conseguente disallineamento; e gli investimenti tecnologici vengono effettuati senza comprendere le implicazioni operative.
Non stupisce quindi che, secondo la ricerca, il 94% dei leader aziendali ritenga di non ottenere abbastanza valore dai propri dati.
AI, quattro passi per un modello operativo efficace
Per colmare il divario tra intenzioni strategiche e risultati sull’intelligenza artificiale, Info-Tech propone una metodologia strutturata in quattro fasi, che accompagna le organizzazioni verso un modello operativo unificato e orientato al risultato.
1. Valutare le capacità rispetto ai risultati: Definire i target, visualizzare il modello operativo esistente, mappare le capacità e individuare le lacune da colmare.
2. Costruire la roadmap e pianificare la strategia di coinvolgimento. Si definiscono gli elementi critici del modello, si chiarisce l’ambito di controllo sui dati, si identificano gli stakeholder e si analizzano rischi e requisiti di partnership.
3. Co-progettare i cambiamenti. Conversazioni strutturate tra It, data team e funzioni business permettono di allinearsi su responsabilità, rischi e cambiamenti necessari su persone, processi e tecnologie. Questo è un passo fondamentale per il successo dei progetti sull’intelligenza artificiale.
4. Comunicare e ottenere il sostegno di tutti gli stakeholder. Il modello operativo e la roadmap vengono forniti ai leader aziendali che indicano le decisioni necessarie, i finanziamenti e gli impatti strategici.
Valore enterprise dall’intelligenza artificiale
“Le strategie sui dati hanno successo solo quando i modelli operativi consentono prossimità, chiarezza e disciplina dei costi”, sottolinea Zaran. “Bilanciando questi principi, i leader It possono costruire un modello in grado di ottenere investimenti, accelerare l’implementazione e restare resilienti man mano che le esigenze dei progetti di intelligenza artificiale evolvono”.
Solo un modello operativo strutturato, conclude l’analisi, può garantire l’erogazione del valore, migliorare la collaborazione e accompagnare la crescita dell’Ai a livello enterprise.
