Negli ultimi sei mesi, in quasi tutte le riunioni con i clienti, la conversazione prende sempre la stessa piega. A un certo punto compare una slide con un titolo rassicurante: AI Adoption.
Per me che fatico a spiegare in parole più semplici “digital transformation”, “change management” e “data driven “ torna subito alla memoria la scena di “The wolf of wall street” in cui festeggiano non si sa bene cosa facendo entrare una banda musicale in abiti succinti e cominciando il tiro al bersaglio usando esseri umani.
Divertente quanto volete, ma siamo sicuri che stiamo usando la freccetta giusta?
Ll’AI si ritrova nei piani industriali, nelle presentazioni dei vendor, nei documenti strategici, nelle relazioni annuali e da oggi anche nelle mission. È diventata un indicatore di modernità: se un’organizzazione investe nell’intelligenza artificiale, significa che guarda al futuro; se non lo fa, rischia di essere percepita come dinosauro in attesa del meteorite.
È per questo che ogni volta che sento parlare di AI Adoption, il mio senso di ragno comincia a vibrare, perché so che sicuramente il centro della discussione si sposterà sull’utilizzo della tecnologia, invece dei problemi che dovrebbe contribuire a risolvere.
Può sembrare una distinzione puramente dialettica. In realtà cambia completamente il modo in cui vengono prese le decisioni.
Immaginiamo un’azienda che dichiari come obiettivo strategico “aumentare l’utilizzo dei database relazionali”. Oppure una startup che decida di misurare il proprio successo contando quante API REST produce ogni trimestre. Magari aumenterebbero l’ego del team, ma il management avrebbe qualcosa da ridire. Nessuno considera un database un prodotto che debba essere misurato. Nessuno costruisce API per il semplice piacere di costruire API. Qualcuno potrebbe farvi notare dei paradossi, anche abbastanza costosi.
Con l’intelligenza artificiale, invece, sembra essersi verificato un curioso ribaltamento. Lo strumento è diventato il risultato o se preferite , il mezzo diventa il fine, e senza nessuna giustificazione.
La domanda non è più “come possiamo migliorare questo processo?”, bensì “come possiamo introdurre l’AI in questo processo?”. La differenza è sottile dal punto di vista linguistico, ma enorme da quello progettuale. Nel primo caso si parte da un’esigenza e si cercano gli strumenti migliori per soddisfarla. Nel secondo si parte da uno strumento e gli si cerca un problema da risolvere.
Ma questa non è una novità, è un meccanismo che la storia dell’innovazione conosce molto bene. Il classico gatto déjà vu di matrix, che, come tutti sanno, non annuncia niente di buono.
Ogni rivoluzione tecnologica attraversa una fase di entusiasmo alimentata da ‘evangelist’ sempre attenti alle novità. All’inizio non ci limitiamo a usare la nuova tecnologia: cerchiamo di applicarla ovunque.
Ho visto più di un progetto scegliere Cassandra, Neo4j o MongoDB non perché fossero la soluzione migliore, ma perché sembravano la soluzione più moderna.
È accaduto con il cloud, presentato inizialmente come la soluzione universale a qualsiasi problema informatico. Poi il deploy di un crud con quattro form ti portava via mezza giornata. Lo abbiamo visto con i Big Data, quando sembrava che accumulare enormi quantità di informazioni fosse automaticamente sinonimo di intelligenza decisionale. Infine è toccato alla blockchain, che per qualche anno è stata proposta come risposta a domande che nessuno si stava ancora ponendo.
Personalmente ci trovo un pattern abbastanza evidente:La tecnologia diventa una promessa.La promessa diventa una moda. La moda genera aspettative sproporzionate.
Poi arriva una fase più matura, nella quale il mercato inizia lentamente a distinguere ciò che crea davvero valore da ciò che rappresentava soltanto una suggestione.
Non c’è nulla di scandaloso in questo processo. Fa parte del modo in cui gli esseri umani metabolizzano le innovazioni. Jared Diamond nel suo “Armi, acciaio e malattie” racconta che le prime comunità agricole impararono a distinguere le mandorle commestibili da quelle velenose attraverso generazioni di tentativi, non sempre fortunati.
Gli LLM sono strumenti straordinari è naturale volerli utilizzare.
Ma è proprio questa naturalezza a renderli pericolosi quando smettiamo di porci una domanda fondamentale: qual è il modo più semplice per risolvere questo problema?
La semplicità è una virtù poco spettacolare. Non finisce sulle brochure aziendali. Non impressiona durante una conferenza. Anzi se sei un team che lavora per il cloud e te ne esci che salvando file pesantissimi in locale hai risparmiato, molti si incavolano e ti danno del cavernicolo.
La classica battuta nel mondo dell’industria è che “il consulente è quello che usa il tuo orologio per dirti che ora è”. Ma a parte il senso pecuniario io questa frase l’ho sempre trovata illuminante per il fatto che forse molte aziende non riescono a leggere il proprio orologio. Probabilmente da un semplice meccanismo con due lancette è diventato una dashboard con una miriade di dati spesso inutili, ridondanti o peggio confusionari.
La storia dell’informatica è piena di innovazioni che hanno avuto successo proprio perché eliminavano complessità, non perché ne aggiungevano. Prima di chiederci se un processo possa essere migliorato con un agente intelligente, dovremmo forse domandarci se quel processo abbia ancora senso nella forma attuale. Per esperienza, la risposta è sorprendentemente spesso negativa.
Molte organizzazioni convivono con procedure costruite nel corso degli anni come antichi centri storici: ogni nuova esigenza ha aggiunto un vicolo, una scorciatoia, una deviazione. Nessuno ha mai avuto il tempo o il coraggio di ripensare l’intero impianto. Così, quando arriva una nuova tecnologia, la utilizziamo per velocizzare un percorso che forse avremmo dovuto ridisegnare da zero.
L’intelligenza artificiale rischia così di diventare il modo più sofisticato per conservare processi obsoleti aggiungendo complessità.
Misurare quante persone utilizzano un assistente AI, quante licenze sono state distribuite o quanti prompt vengono inviati ogni giorno può essere utile dal punto di vista operativo. Ma confondere questi numeri con il valore generato è un errore concettuale. Nessun amministratore delegato si è mai vantato del numero di query SQL eseguite dai propri sistemi. Ci si preoccupa dei tempi di risposta, della qualità delle decisioni, della soddisfazione dei clienti, dei costi operativi, dei ricavi. Le tecnologie scompaiono dietro ai risultati che producono.
Il giorno in cui smetteremo di contare licenze, prompt e chatbot e torneremo a contare tempo risparmiato, errori evitati, clienti soddisfatti e problemi risolti, probabilmente avremo smesso anche di parlare di AI Adoption.
E sarà una splendida notizia, perché significherà che, finalmente, lo strumento sarà tornato a fare quello che ha sempre dovuto fare: restare un mezzo. Mai il fine.
