Ieri sera mi sono preso del tempo per leggere il rapporto ‘state of the AI’ di McKinsey, e ho notato che sebbene chi ha risposto alla survey dica che l’AI li ha resi più produttivi, solo una frazione esigua di essi ha riportato un contributo misurabile all’EBIT della propria azienda.
E consideravo inoltre che rispetto all’anno scorso (e anche rispetto alla survey AI che abbiamo eseguito a gennaio con Marianna Chillau e Francesco Agostinis) quel numero esiguo è rimasto tale laddove invece ha continuato a crescere la quota di chi usa l’AI su scala aziendale.
Quindi facciamoci due conti, e ci accorgeremo che adesso il problema di adozione dell’AI non è più a livello personale: sappiamo come usarla!
Adesso il problema è organizzativo, ovvero abbiamo reso veloci le persone dentro organizzazioni progettate per funzionare più lentamente di quanto potrebbero adesso.
Pensate a una buyer che con l’AI prepara in venti minuti l’analisi che prima le richiedeva due giorni. Tutto fantastico, però poi quell’analisi entra nel solito giro delle approvazioni e la decisione arriva quando sarebbe arrivata comunque.
Quindi accelerare il primo step non ha portato beneficio diretto, e paradossalmente ha creato un costo aggiuntivo: il risparmio potenziale se l’è mangiato un sistema rimasto identico a se stesso, malgrado tutto.
Direi che a questo punto il problema non sia più quello di adozione, limitato a un perimetro dell’IT. Il problema è dell’organizzazione, che non si è ancora evoluta per cogliere realmente il beneficio che l’adozione dello strumento AI porta a livello individuale.
Se torno alla ricerca, McKinsey chiama high performer circa il 6% del campione, ovvero chi attribuisce all’AI almeno il 5% dell’EBIT.
Nella loro survey quel gruppo si distingue soprattutto perché ha ridisegnato i flussi di lavoro invece di appoggiarci sopra l’AI. È una correlazione e va presa come tale, però indica dove guardare.
Tanto più che le dashboard di adozione dell’AI che vedo in giro contano le solite metriche poco utili (quanti login ai sistemi di AI, quanti token spesi) ma non ne vedo in giro che correlano i giorni che passano tra l’output dell’AI e una decisione, sia al presente verso il passato, sia in impatto della decisione contro token spesi.
E allora, amici miei, mi sa che le aziende italiane che dicono di fare AI parlano ancora di aria fritta, visto che per un CEO un’informazione utile sarebbe proprio quella di sapere quanto più velocemente un insight AI possa essere messo a reddito, e quanto delta margine porta a casa.
Secondo voi, alla luce di questo studio McKinsey, quale è il passaggio che nella vostra azienda si mangia tutto il tempo che sarebbe risparmiato grazie all’AI?
Leggete l’articolo e fatemelo sapere nei commenti 😈