Perché ogni organizzazione dovrebbe investire nell’AI predittiva

David Rice: Le aziende stanno investendo milioni nell’AI generativa. Stanno costruendo agenti, inseguendo il clamore. E spesso ignorano l’altro 50% dello stack di AI, che è la parte che in realtà offre un valore aziendale misurabile. L’AI predittiva non è affascinante. Non scrive poesie o genera immagini. Semplicemente prevede chi cliccherà, chi acquisterà. Mira il tuo marketing. Individua frodi prima che accadano e automatizza decisioni su vasta scala senza l’intervento umano. Se la stai lasciando da parte, spesso è perché non sembra così umana.

L’ospite di oggi è Eric Siegel, autore di “The AI Playbook” e fondatore di Machine Learning Week. Secondo lui, la maggior parte delle organizzazioni dovrebbe investire almeno quanto nell’AI predittiva quanto lo fa nell’AI generativa, ma troppo spesso l’attenzione è tutta sul clamore intorno alla gen AI, e questo è uno svantaggio per tutti. Ecco il problema che continua a notare. Le aziende trattano l’AI predittiva come un progetto di data science.

Mandano i data scientist a costruire un modello, festeggiano quando è pronto e lo dichiarano di valore. Ma il modello non è il valore. Agire sulle previsioni è il valore. L’integrazione operativa è il valore. E ciò richiede una profonda collaborazione con gli stakeholder aziendali attraverso sei fasi che Eric illustrerà, non solo tre tecniche.

La maggior parte delle aziende salta completamente i passaggi aziendali. Saltano la definizione di ciò che viene previsto e di cosa si fa dopo. Trascurano l’integrazione operativa. E poi si chiedono perché i loro investimenti in AI non portano risultati. Oggi tratteremo quindi perché l’AI predittiva è meno affascinante, ma più autonoma dell’AI generativa.

Come l’AI predittiva diventerà lo strato di affidabilità che renderà davvero sostenibile la Gen AI. I sei passaggi del framework biz ML e quali tre i tuoi stakeholder aziendali saltano più facilmente. Perché un tasso di accuratezza del 95% sembra impressionante, ma può rendere il tuo sistema inutile. E cosa i leader aziendali devono capire sulle probabilità. Non ti preoccupare, non serve essere un razzo-scienziato.

Sono David Rice. Questo è “People Managing People”. E se hai inseguito l’AI generativa lasciando l’AI predittiva in disparte, questa conversazione ti mostra esattamente cosa ti stai perdendo. Iniziamo subito.

Eric, benvenuto! È un piacere averti con noi oggi.

Eric Siegel: Grazie David, contento di essere qui.

David Rice: L’AI generativa si prende la scena, ma tu hai definito l’AI predittiva, in un certo senso, il 50% dimenticato dello stack AI, giusto? Eppure è essenziale per il vero valore aziendale. Sono curioso, perché secondo te le organizzazioni sono molto più entusiaste dei modelli generativi e cosa viene trascurato quando questi sistemi predittivi vengono messi ai margini nei processi decisionali?

Eric Siegel: Sì, mi piace come lo hai detto. L’AI predittiva è più anziana, ma non è roba vecchia. La maggior parte del suo valore rimane largamente inesplorato. È quasi l’altra, l’AI originale. In un certo senso, è ciò che la maggior parte delle persone interpretava come AI prima dell’avvento di ChatGPT e di altre soluzioni di AI generativa qualche anno fa. Impara dai dati per prevedere e così mirare e migliorare ogni operazione su larga scala esistente. Quindi prevede chi cliccherà, comprerà, mentirà o morirà, commetterà una frode, qualsiasi esito o comportamento di valore per un’organizzazione che gestisce operazioni su larga scala. La tua domanda è: perché la Gen AI attira così tanta attenzione?

Beh, la risposta è molto semplice. È molto più affascinante ed è molto più facile da usare. Niente di ciò significa che sia necessariamente più preziosa, e ora ti spiego i due punti. Lascio una dichiarazione provocatoria, quasi sovversiva nella cultura attuale focalizzata sulla Gen AI e sul clamore intorno al suo potenziale.

Anche se la tecnologia è estremamente preziosa e non critico la tecnologia, ne sono anzi stupito. Critico solo parte delle storie e del clamore intorno a essa. Però ecco la dichiarazione: la maggior parte delle organizzazioni dovrebbe investire almeno quanto nell’AI predittiva quanto nell’AI generativa; servono a scopi diversi e non dovrebbero competere più di quanto farebbero un parco acquatico e una stazione sciistica.

Purtroppo però competono per attenzione, tempo dei data scientist, risorse. Quindi è sfortunatamente una specie di gioco a somma zero. Con nostro svantaggio, troppo ossigeno viene sottratto dalla stanza dalla Gen AI. È sproporzionato, ed è una perdita per tutti. Così, l’AI predittiva aiuterà a mirare il marketing prevedendo chi comprerà, aiuterà il rilevamento delle frodi prevedendo quali transazioni saranno fraudolente.

Ancora più specificamente, aiuterà a decidere quali transazioni bloccare, sospendere o ispezionare. Ogni volta che hai operazioni su larga scala, ci sono sempre risorse limitate. Il business è un gioco di numeri. Non abbiamo sfere di cristallo magiche, ma possiamo migliorare le probabilità prevedendo meglio del caso. E questo è il nome del gioco che giochi con l’AI predittiva.

Ovvero calcola le probabilità dallo storico. La probabilità non è il tema da salotto più sexy al mondo, ma, se sei interessato al valore, se vuoi migliorare le tue operazioni esistenti su larga scala, qui è dove rivolgersi. Quindi la fascinazione della Gen AI deriva da quanto sembra umana e da come si inserisce bene nel racconto di lungo termine dell’AI.

Fin dagli anni ‘50, con tutti i film di intrattenimento a tema, è sempre stato così umanoide, ed è notevole. E questo non è del tutto scollegato dal suo potenziale di valore in tutti i casi d’uso: può servire come partner di pensiero, per la prima bozza, anche di codice, e per tutto ciò che fa così bene. Ma, nella grande maggioranza dei casi d’uso, serve ancora molto l’intervento umano.

Ironia della sorte, proprio perché sembra più umana, la applichiamo a compiti che normalmente farebbero le persone e dove si è meno tolleranti agli errori. Invece l’AI predittiva sembra meno umana, ma è più autonoma, perché decide automaticamente quali transazioni di carta di credito sono fraudulentissime da bloccare, ad esempio.

Questa era la mia piccola riflessione sulle differenze tra i due campi.

David Rice: Nessun problema. Sai, è curioso perché è come quella persona del gruppo di amici che organizza tutte le migliori cene, ma nessuno la pensa come un intenditore di cucina solo perché il suo Instagram non sembra Food Network.

Ma è interessante perché, come dici tu, esiste da tanto tempo. Penso che molte aziende, soprattutto quelle di livello enterprise, lavorino su questi sistemi da parecchio e proprio di recente ne parlavo con un ospite: se hai già costruito questi sistemi e fatto il lavoro,

La grande rivoluzione degli agenti che sta arrivando, probabilmente, non sarà così rivoluzionaria per te, perché molte di queste cose sono già automatizzate.

Eric Siegel: Ho un certo scetticismo verso la terminologia “agentic AI” e “AI agenti”. Ho scritto diversi articoli su Forbes affermando che il termine è in gran parte fuorviante e poco utile.

È solo un termine di moda. Non si riferisce a nessuna tecnologia realmente nuova. Si riferisce solo all’intenzione, ovvero automatizzare sempre di più. Ed è una intenzione ovvia, no? È per questo che costruiamo macchine: per far fare alle macchine ciò che dovrebbe fare una persona.

Quindi, solo perché aggiungiamo la parola “agentico” non significa che ci sia nulla di nuovo; sono solo casi d’uso ovvi che si vorrebbe tentare con la Gen AI, ma presto si raggiungono limiti di ambizione fuori portata per l’autonomia senza un umano nel ciclo.

Questo mi porta a uno dei punti chiave che sto facendo sempre più spesso: la convergenza dei due mondi – AI predittiva e Gen AI – che in realtà hanno bisogno una dell’altra, e credo che la prossima killer app dell’AI predittiva sarà quella di fungere da strato di affidabilità per l’AI generativa.

Non appena ci facciamo prendere dall’entusiasmo per la Gen AI, che la chiamiamo agente o come vogliamo, immaginiamo che possa fungere da agente cliente, dall’altra parte, direttamente con i consumatori su tanti argomenti o condurre addirittura operazioni, transazioni.

Rendere tutto completamente automatico, però, rapidamente, a seconda dello scopo del sistema, diventa ingestibile. Succede che magari il 5% delle volte compie un errore critico. Dà informazioni che non dovrebbe, compie transazioni indebite. Può succedere qualsiasi cosa e, anche se sbaglia solo il 5% delle volte, è incredibile, è un record, una cosa che qualche anno fa non avremmo immaginato. Ma il valore dell’intero sistema crolla: non è affidabile, non verrà implementato.

Quel 5% di errore è troppo alto. Come si può risolvere? Possiamo aspettare che la tecnologia migliori, ma è molto più complesso di quanto si immagini. La differenza tra ciò che Gen AI e gli umani sanno fare si gioca proprio in quel 5%, a seconda del compito.

Migliorare oltre quel punto porta sempre minori ritorni, ma potremmo comunque realizzare una buona parte della promessa di autonomia se inseriamo uno strato predittivo: usiamo l’AI predittiva, l’analisi predittiva, il machine learning aziendale, comunque la chiami.

Imparando da molti esempi come individuare automaticamente i casi più a rischio, le situazioni più rischiose delle interazioni con i clienti, e deviare automaticamente questi casi più rischiosi a un umano più costoso.

Ad esempio, il 15% delle interazioni più rischiose con un chatbot può essere messo in pausa per l’intervento umano. Che si tratti di un 15% dove si concentra il 5% di errore, non lo sappiamo. Non abbiamo la sfera di cristallo nemmeno qui, ma se sbarchiamo in quel 15% per coprire il famoso 5%, forse riusciamo a intercettarne la maggior parte. Il risultato netto potrebbe essere solo l’1% di errore, che a seconda del contesto aziendale può quindi rendere il sistema finalmente utilizzabile. In questo modo, realizziamo l’85% della promessa di autonomia, molto meglio dello 0% di quando il sistema non è implementabile.

David Rice: Hai appena pubblicato un nuovo libro, “The AI Playbook”, mi incuriosisce il titolo: “Padroneggiare la rara arte del deployment del machine learning”. Perché è così rara questa arte?

Eric Siegel: È una verità scomoda. Deployment vuol dire portare un progetto di AI predittiva o di analytics in produzione, operativamente. Il machine learning apprende dai dati ciò che deve prevedere, incapsulando regole o formule nei modelli. Sia la Gen AI che l’AI predittiva usano il machine learning, ma il risultato sono sistemi molto diversi che servono a scopi diversi.

Nel caso dell’AI predittiva, le previsioni sono per unità organizzative: il cliente, il paziente sanitario, la transazione a rischio frode, il satellite che potrebbe scaricarsi, il giacimento petrolifero promettente, il componente ferroviario che potrebbe rompersi, e così via.

Le applicazioni sono infinite. E anche se questi casi d’uso sono in giro da decenni, dagli anni ‘60 usavamo la regressione per il marketing e la rilevazione delle frodi o lo scoring del credito, è un campo più maturo, ma non ancora cresciuto del tutto, come la Gen AI. Non è ancora maturo professionalmente in un aspetto cruciale, per cui ho scritto il libro e ho fondato la startup Gooder AI, per colmare l’ultimo miglio tra tech e business.

Il gap tra tech e business è famoso: da un lato i tecnici, data scientist, quanti; dall’altro chi conduce il business, lo stakeholder responsabile delle operazioni che il modello dovrebbe migliorare. Questo gap uccide i progetti ripetutamente.

Cosa succede: Il data scientist ti presenta un modello che predice quali clienti abbandoneranno (churn, defection, sono sinonimi) così da proporre promozioni mirate solo ai clienti ad alto rischio; il modello è tecnicamente valido.

Ma il cliente business chiede: “Quanto è buono davvero il modello?” Non abbiamo sfere di cristallo, possiamo solo individuare le probabilità che un individuo clicchi, acquisti, menta o lasci. Dice: “Quanto funziona davvero con i dati a disposizione?” I data scientist rispondono con tecnicismi: “Area sotto la curva ROC 0,837”, e pausa imbarazzante. I data scientist valutano solo metriche tecniche di performance: precision, recall, F-score, lift, area sotto la curva. Anche l’accuracy è tecnica: sono astrazioni che dicono che il modello tecnicamente è meglio del caso, ma non dicono niente sul valore potenziale, quanto denaro si può fare con questo modello per targeting marketing, offerte di retention, rilevamento frodi, manutenzione predittiva, e qualsiasi altro caso d’uso.

Per valutare il rendimento monetario, profitto, risparmi o altri KPI aziendali, questa pratica non è radicata nella data science. E ancora oggi, pur facendo machine learning da 30 anni (ci sono entrato da nerd come fanno molti data scientist, affascinati dalla scoperta di modelli applicabili a casi nuovi e imprevisti), ci meravigliamo più del rocket science che del lancio del razzo.

Quando invece bisogna lanciare il razzo, serve valutarlo secondo i KPI reali, collaudare il razzo. Bisogna anche saperlo guidare: questa è la differenza. Non basta costruirlo: serve usarlo e misurare la performance.

Perciò Gooder AI e una parte essenziale di “The AI Playbook” mirano proprio a questa fase: calcolare le metriche aziendali, monetarie, profitti e risparmi, stimare il valore aziendale effettivo se si usassero le previsioni del modello. Il problema, la cattiva notizia, è che ancora oggi il campo fallisce nella maggior parte dei casi: la maggior parte dei modelli predittivi sviluppati con l’intenzione di essere usati nelle operazioni aziendali non vengono mai davvero implementati. La buona notizia è che abbiamo già percorso i 10.000 km più duri: adesso serve solo la collaborazione tra tech e business, parlare la stessa lingua, soprattutto con le metriche aziendali.

Così si può superare il pessimo tasso di deployment e ottenere valore molto più spesso.

David Rice: Crescere un team globale non dovrebbe significare destreggiarsi tra cinque sistemi diversi per HR, payroll e IT. Deel riunisce tutto, così puoi assumere, inserire, pagare e fornire strumenti alle persone ovunque, senza il solito caos. Che tu stia assumendo dipendenti in 10 Paesi o gestendo collaboratori tra fusi orari diversi, Deel gestisce compliance, benefit e payroll tutto in un unico posto. Meno strumenti, meno mal di testa e più tempo per concentrarsi sulle persone.

Vuoi vedere come funziona l’assunzione senza confini? Visita deel.com/pmp. Questo è deel.com/pmp per prenotare una demo. Deel. Assumi, gestisci e paga chiunque, ovunque.

Per curiosità: qual è la trasformazione più difficile che le aziende devono affrontare per andare oltre le metriche aziendali e concentrarsi sull’impatto organizzativo?

Eric Siegel: Ottima domanda. Ampliare le metriche è una necessità, ma è solo una parte. Quando si definisce un progetto di AI predittiva, si definisce in termini di coppia: cosa si prevede e cosa si fa dopo, su cosa si calcolano le probabilità?

Cosa esattamente si prevede? Come “chi acquista se contattato”, quali transazioni sono fraudolente, ecc.? Poi cosa si fa: l’intervento. Se prevedi chi acquista se contattato, li contatti.

Questa coppia di cosa si prevede e cosa si fa dopo definisce il progetto: ci sono infiniti casi d’uso. Ma questa è solo la prima delle sei fasi formalizzate nel framework “biz ML” del mio libro. L’ingrediente chiave in tutte le fasi è la collaborazione tra tech e business. L’AI predittiva è sempre una consulenza, non un’installazione tecnica. Non è come mettere un nuovo database più veloce senza cambiare le operazioni. Se cambi le operazioni tramite previsioni e probabilità, è un cambiamento fondamentale su larga scala. Diventa soprattutto un’iniziativa business che usa il machine learning.

Quindi serve collaborazione profonda in tutte le fasi: probabilmente la sfida maggiore è che il business deve acquisire una competenza di base; ma solo quel tanto che basta per “guidare la macchina”, non serve sapere la meccanica. La differenza è tra prendere un Uber e guidare: ma se non guidi tu, qui, non arrivi.

Questa crescita di competenza è uno degli scopi principali del mio libro. Non ti serve un corso universitario, basta un libro per acquisire la comprensione fondamentale dei progetti di AI predittiva: cosa si prevede, cosa si fa dopo, come vanno calcolate le metriche.

Le metriche sono solo aritmetica, basta che tutti siano sulla stessa pagina e che i progetti arrivino davvero in produzione. Solo così producono valore: con l’integrazione nelle operazioni, che è il deployment.

David Rice: Prima hai accennato all’incontro tra AI generativa e predittiva. Hai anche parlato di ibridare le due tecnologie, ognuna delle quali compensa le lacune dell’altra. Un esempio pratico di questa combinazione? E quali ostacoli si incontrano nel cercare di integrarle?

Eric Siegel: Sì, grazie per aver ripreso questo tema. Ne ho parlato come “ibrido” in alcune conferenze recenti. Ibrido può voler dire altro, ma qui intendo proprio la fusione tra AI predittiva e generativa. Un modo, già citato, è l’uso dell’AI predittiva come strato di affidabilità sopra un sistema generativo.

Un altro modo è usare l’AI generativa per aiutare nei progetti di AI predittiva. La Generative AI è sexy e più semplice. È un modello di linguaggio per umani e quindi conversi nell’inglese o altra lingua: facilità d’uso totale, zero training, incredibile.

Può così aiutare a colmare il gap tech-business. Ad esempio, nel nostro software Gooder AI funge da console per business nei progetti di AI predittiva: mostra un grafico in due dimensioni, dove la X rappresenta quanti casi individuali targettizzare (per marketing, bloccare transazioni fraudolente, ispezionare macchinari ecc.) secondo il modello, la Y rappresenta il rendimento economico per il progetto.

Il grafico sale e poi scende, perché c’è il punto dolce (Goldilocks zone) in cui si ottiene il massimo ritorno operativo, ed è la visualizzazione principale di Gooder AI, ma è poco usata nel campo, pur essendo fondamentale (due variabili, entrambe business): la didattica qui non sta nel rocket science, ma nel mostrare in modo familiare un concetto nuovo anche per molti tecnici, che non calcolano quasi mai metriche monetarie.

Ecco perché è utile porre milioni di domande senza paura di sembrare sciocchi: abbiamo integrato un chatbot con modello di linguaggio, con prompt specifici su ciò che vedi, così puoi chiedere: perché la curva sale e scende? Spiegalo come faresti a un bambino, e l’AI risponde con esempi accessibili (il chiosco della limonata, quanti clienti puntare…). Questo è un altro esempio pratico di come AI generativa e predittiva si rafforzino a vicenda.

David Rice: Oggi si discute molto sull’uso dei modelli predittivi come “guard-rail” fondamentali quando il generativo allucina o si comporta in modo imprevedibile.

Secondo te, come si può strutturare l’AI predittiva come layer di sicurezza nei flussi operativi?

Eric Siegel: Questi sono i casi classici, già nel mio primo libro del 2013 (“Predictive Analytics”) e nella sua edizione aggiornata del 2016. Shell Oil, ad esempio, prevedeva quali squadre avessero il rischio più alto di incidente sulle piattaforme petrolifere. Safety sul lavoro cioè, caso per caso. Questo, come tanti altri, è il classico utilizzo predittivo.

La differenza tra predizione e previsione è che la seconda fa stime Aggregate: l’economia salirà o scenderà? Quanti gelati venderemo il prossimo trimestre? L’AI predittiva mette previsioni su ogni caso individuale: chi avrà in mano il gelato, quale elettore cambierà idea, chi si convincerà con una visita porta a porta. Applicazioni su milioni di micro-decisioni, e il massimo valore viene proprio dal fatto che sono su larga scala.

La legge dei grandi numeri aiuta: anche se non hai la sfera di cristallo, la probabilità ti basta, purché tu la applichi tante volte. La probabilità sembra un tema arcano, ma il numero prodotto dal sistema stesso non è affatto tecnico: è il numero più ovvio che auspicheresti, da 0 a 100, su ogni singolo caso. Così puoi dare priorità e decidere quali trattare.

Ed è su questo che i responsabili devono essere consapevoli: il passo dopo è partecipare ai progetti, non solo “spedirli” ai tecnici. È questa la debolezza fondamentale. La tecnologia, per quanto avanzata, non porta valore se non integrata davvero nelle operazioni su larga scala, nell’organizzazione. Solo con la collaborazione business-tech si arriva a concretizzare il potenziale e a cambiare l’esito di queste iniziative.

David Rice: Molti framework di AI predittiva enfatizzano la modellazione dei dati, ma il tuo approccio punta anche su altre fasi: definizione del problema, integrazione operativa, iterazione continua. Quali sono i passaggi meno ovvi ma critici, che le aziende spesso saltano iniziando con l’AI predittiva? Come influenza gli esiti?

Eric Siegel: Domanda molto puntuale: spesso le aziende saltano quasi tutti i passaggi dal lato business. I data scientist provano a fare tutto, ma sono formati solo sugli aspetti tecnici e sulla valutazione attraverso metriche tecniche, senza ponti verso il business.

Per questo, anche nelle mie conferenze, provo a spingere i data scientist a colmare il gap, almeno in parte, valutando anche metriche di business e coinvolgendo gli stakeholder nel dettaglio.

Dal lato business, i passaggi chiave sono: cosa si prevede? Come si misura l’accuratezza? Cosa si fa poi? Questo trio – cosa, come, cosa dopo – definisce il progetto e i suoi requisiti, e sono anche i sei passaggi formalizzati nel mio framework Biz ML, descritto nell’AI Playbook. Due terzine di passi: la terzina classica, presente da sempre, è prepara i dati (su ciò che prevedi), addestra il modello (rocket science), deployment (integrazione reale). Queste sono le fasi 4,5,6, come la trilogia di Guerre Stellari partendo dall’episodio IV.

Le prime tre sono pre-produzione, ma tutte e sei richiedono collaborazione business-tech.

Se vuoi partecipare, ho anche scritto un articolo su Harvard Business Review che riepiloga tutto: non serve per forza leggere il libro, ma è il fine ultimo – tramite i sei passaggi, distribuiti nei capitoli, accompagna il business a una comprensione semitecnica e accessibile per poter davvero partecipare.

David Rice: Purtroppo il tempo a disposizione è finito. Eric, ti ringrazio per essere stato con noi, è stato davvero interessante.

Eric Siegel: Grazie a te, David. Un piacere essere qui.

David Rice: Ascoltatori, se non lo avete ancora fatto, visitate peoplemanagingpeople.com/subscribe per iscrivervi alla newsletter. Riceverete podcast come questo, tutti i nostri ultimi articoli direttamente nella vostra casella di posta. Se volete approfondire, vi consiglio caldamente “The AI Playbook”: ne vale davvero la pena.

E fino alla prossima volta, restate curiosi sull’AI predittiva. Non perdetevi nella “nebbia” generativa.