AS5_2025

Automazione e Strumentazione Giugno-Luglio 2025 Tecnica 83 CONTROLLO dio Rand ha anche rilevato, altresì, che le organiz- zazioni spesso non dispongono di un’infrastrut- tura adeguata a gestire i propri dati e implemen- tare modelli di IA completi. Inoltre, solo circa 1 intervistato Deloitte su 5 ha indicato di essere pre- parato nelle aree di “talento” e “rischio e gover- nance” e di conseguenza molte organizzazioni stanno cercando di attuare programmi di reskil- ling ed upskilling del personale o assumere i pro- fessionisti mancanti. Ancora, in termini di prepa- razione, la qualità dei dati rappresenta un ulteriore ostacolo per il completamento dei progetti IAGen. Lo studio di Deloitte ha rilevato, altresì, che il 55% delle aziende ha evitato determinati casi d’uso di IAGen a causa di problemi relativi ai dati, quali: la sensibilità dei dati o le preoccupazioni per la loro privacy e sicurezza. La ricerca Rand ha anche sottolineato che molte organizzazioni non dispongono dei dati neces- sari per addestrare un modello efficace. Attra- verso interviste con 65 data scientist e ingegneri, gli analisti della Rand hanno scoperto che la causa principale del fallimento del progetto di IA riguarda la mancanza di chiarezza sul problema che promette di risolvere. Gli stakeholder del set- tore spesso fraintendono o comunicano male que- sto problema, o ne scelgono uno troppo compli- cato da risolvere con la tecnologia. Altre preoccupazioni che possono contribuire al fallimento del progetto IAGen citate da Deloitte includono il rischio intrinseco dell’IA - i.e. allu- cinazioni, pregiudizi, problemi di privacy - e la necessità di tenere il passo con le nuove normative come l’AI Act dell’UE. Cosa devono fare le aziende per evitare il fallimento dei propri progetti di IA? Innanzitutto, devono oltre a conoscere la tecno- logia, avere una solida strategia di IA. Ciò è fon- damentale per ottenere un vantaggio competitivo e risultati che aggiungano davvero valore all’a- zienda. Pertanto, la progettazione di un progetto di IA comporta evitare: 1. Obiettivi commerciali non sufficientemente chiari Per avere successo con l’IA, è fondamentale defi- nire chiaramente i problemi aziendali e gli obiet- tivi. Determinare prima i problemi e poi valutare come l’IA possa risolverli è essenziale per evitare sprechi di tempo e costi. 2. Capacità dell’IA sopravvalutata La tecnologia è un potente alleato, ma è essen- ziale riconoscerne i limiti per evitare aspettative irrealistiche. Inoltre, i modelli devono essere con- tinuamente adattati e perfezionati, poiché non si può pretendere che funzionino perfettamente fin dalla loro prima implementazione. 3. Scarsa qualità dei dati I dati sono fondamentali per il successo dei pro- getti di IA, richiedendo una strategia di gover- nance per garantirne qualità e sicurezza. Dati obsoleti o insufficienti portano al fallimento. Il principio ‘Garbage in, garbage out’ (Gigo) illu- stra che la qualità dell’output di un sistema di IA dipende dalla qualità dei dati di input. Di fatto, come l’alimentazione influisce sulla salute umana -come affermava il filosofo positivista austriaco Feuerbach “L’uomo è ciò che mangia” - così la qualità dei dati influisce sull’efficacia e affidabi- lità dei sistemi di IA. Inoltre, senza dati, non c’è IA e, trascurare la strategia dei dati aziendali, può privare i sistemi di IA delle informazioni cru- ciali di cui hanno bisogno per funzionare corret- tamente. Pertanto, le aziende devono pianificare molto bene il modo in cui raccolgono e archiviano i dati e il modo in cui garantiranno che i loro dati siano organizzati, accessibili e di alta qualità. 4. Mancanza di collaborazione tra team Il lavoro in silos dei team di data science porta al fallimento. È essenziale la collaborazione tra data scientist, ingegneri, professionisti IT, progettisti e specialisti delle linee di business per ottenere risultati positivi. 5. Carenza di talenti La mancanza di professionisti qualificati nella scienza dei dati è una sfida significativa. Senza un team esperto, le probabilità di successo diminui- scono. Pertanto, collaborare con partner tecnolo- gici esperti può essere una soluzione efficace per supportare i progetti di IA. Recenti report hanno rivelato che la maggior parte dei leader aziendali ha identificato la mancanza di talenti come il più grande ostacolo all’adozione dell’IA in azienda. 6. Mancata adozione di una strategia di change management L’adozione dell’IA va oltre l’integrazione di nuove tecnologie nei processi esistenti; richiede infatti una trasformazione completa della cultura e delle