Nonostante un entusiasmo mondiale per la GenAI, uno studio recente di IDC, sponsorizzato da Qlik, leader nelle soluzioni di integrazione dei dati, di analisi e IA/ML, mette in luce un divario significativo tra l'ambizione delle aziende e la loro effettiva preparazione a queste tecnologie. Mentre l'89% delle organizzazioni ha rivisto la propria strategia di gestione dei dati in risposta all'emergere dell'IA generativa, solo il 26% ha implementato soluzioni GenAI su larga scala e solo il 12% ritiene di disporre di un'infrastruttura adatta ai flussi di lavoro di IA agentica.
Secondo il rapporto "The Global Impact of Artificial Intelligence on the Economy and Jobs: AI will Steer 3.5% of GDP in 2030" pubblicato da Qlik nell'agosto 2024, l'IA dovrebbe contribuire con 19.900 miliardi di dollari all'economia mondiale entro il 2030, rappresentando il 3,5% del PIL globale. 
Di fronte a questa opportunità senza precedenti, le aziende stanno accelerando i loro investimenti per integrare l'IA nelle loro operazioni: il 41% di essi è dedicato alla Gen AI, il 16% all'IA agentica. Tuttavia, nonostante questi sforzi, i risultati dell'indagine IDC mettono in luce le loro lacune, sottolineando la loro mancanza di preparazione.

Un'adozione rallentata da sfide strutturali

Una delle principali difficoltà identificate dallo studio è la gestione e la governance dei dati.
Come sottolinea Stewart Bond, Research VP for Data Integration and Intelligence presso IDC :
"Per assicurarsi di sfruttare flussi di lavoro di IA che offrano un valore duraturo e scalabile, le aziende devono affrontare sfide fondamentali come quelle legate all'accuratezza e alla governance dei dati."
Le organizzazioni che adottano il modello del "Data as a Product" sono sette volte più propense a implementare l'IA su larga scala, il che dimostra l'importanza di una rigorosa strutturazione dei dati. Questo modello, che consiste nel gestire i dati come un prodotto a sé stante, implica standard elevati di qualità e accessibilità. Tuttavia, sebbene il 94% delle organizzazioni integrino o prevedano di integrare funzionalità di analisi nelle loro applicazioni, solo il 23% di esse vi riesce effettivamente.
Governance dei dati e infrastruttura: il nerbo della guerra
Per colmare questo divario, le aziende devono andare oltre la sperimentazione e concentrarsi sulla messa in atto di basi solide:
  • Una governance dei dati rigorosa : garantire la qualità, l'accuratezza e la sicurezza delle informazioni sfruttate dall'IA.
  • Un'infrastruttura adatta e scalabile : le organizzazioni devono investire in sistemi in grado di supportare processi decisionali autonomi.
  • Un'integrazione efficace dell'analisi : trasformare i dati in insight utilizzabili per creare valore e favorire decisioni informate.
James Fisher, Chief Strategy Officer presso Qlik, insiste sull'importanza di questa trasformazione: 
"Il potenziale dell'IA dipende dall'efficacia con cui le organizzazioni gestiscono e integrano la loro catena del valore dell'IA. Le aziende che non riescono a sviluppare sistemi che permettano di ottenere insegnamenti affidabili e utilizzabili saranno rapidamente distanziate."
Il rapporto IDC mette in evidenza una realtà semplice: l'entusiasmo non basta, tanto più quando fatica a tradursi in azioni concrete. L'adozione riuscita della GenAI si basa sulla capacità delle aziende di strutturare e sfruttare efficacemente i propri dati, un vantaggio strategico il cui potenziale resterebbe altrimenti sotto-utilizzato.

Tradotto da GenAI : selon Qlik, combler l’écart entre ambition et réalité organisationnelle devient urgent pour les entreprises

Per capire meglio

Che cos'e8 il modello 'Data as a Product' e perche9 e8 importante per l'adozione su larga scala dell'IA?

Il modello 'Data as a Product' tratta i dati come prodotti, assicurando che siano gestiti con standard di alta qualite0. Cif2 e8 cruciale per l'IA perche9 garantisce l'accesso a dati accurati e affidabili, essenziali per decisioni basate sull'IA.

Quali sono le principali sfide regolatorie associate all'adozione dell'IA generativa e agentica?

Le sfide regolatorie includono la protezione dei dati, la trasparenza dei modelli di IA e la responsabilite0 per decisioni automatiche errate. I regolatori cercano di garantire la conformite0 dell'IA con gli standard etici e legali.