AI, le aziende sono a metà strada: l’importanza dell’adattamento

Per comprendere meglio le sfide che le organizzazioni affrontano nell’adozione dell’AI, MongoDB e Capgemini hanno collaborato con la società di ricerca TDWI per valutare lo stato di preparazione all’AI in diversi settori. Sono state identificate cinque aree fondamentali per il successo dell’AI: prontezza organizzativa, prontezza dei dati, disponibilità di competenze e strumenti, prontezza operativa e prontezza di governance.

Molti stanno ancora lavorando alla definizione di una strategia per l’AI

La ricerca di TDWI “The State of Data and Operational Readiness for AI” è basata su un sondaggio su un mix eterogeneo di settori e dimensioni aziendali. Uno dei dati più rilevanti riguarda la percentuale di aziende con applicazioni AI già in produzione: molte imprese ne riconoscono il potenziale, ma solo l’11% degli intervistati le ha implementate. Il punteggio mediano complessivo della prontezza all’AI si attesta a 56 su 100, quindi a metà del percorso verso una piena adozione. In media, molte organizzazioni stanno ancora lavorando alla definizione di una strategia chiara per l’integrazione dell’AI.

Tra le principali sfide relative alla prontezza dei dati, il report evidenzia la gestione di formati eterogenei, la garanzia di accessibilità e la disponibilità di risorse computazionali adeguate. Meno della metà delle aziende intervistate (39%) gestisce i nuovi formati di dati, e solo il 41% ritiene di disporre di una potenza di calcolo sufficiente.

Il report mostra anche quanto l’AI abbia cambiato la definizione stessa di software e il modo in cui viene sviluppato e gestito.

Le applicazioni AI si adattano continuamente, apprendono e rispondono in tempo reale al comportamento degli utenti finali, e possono prendere decisioni ed eseguire vari task in autonomia.

Tutto ciò dipende da una base software solida e flessibile. Poiché agilità e adattabilità del software sono intrinsecamente legate all’infrastruttura dati su cui è costruito, i sistemi legacy rigidi non sono in grado di tenere il passo con le esigenze del cambiamento AI-driven. Le soluzioni di database moderne, progettate per supportare l’evoluzione continua, diventano quindi una parte essenziale di uno stack tecnologico efficace per l’intelligenza artificiale.

I cambiamenti dello stack tecnologico

Lo stack tecnologico può essere suddiviso in tre livelli: il livello dell’interfaccia o dell’esperienza utente; il livello della logica di business, e alla base le fondamenta dei dati. Con l’AI, questi livelli si sono evoluti: a differenza delle applicazioni software tradizionali, quelle basate sull’AI sono dinamiche. Poiché il software potenziato da AI è in grado di ragionare e apprendere, le richieste poste allo stack tecnologico sono cambiate.

Ad esempio, le esperienze AI-powered includono interfacce in linguaggio naturale, realtà aumentata e funzionalità predittive in grado di anticipare le esigenze dell’utente imparando da interazioni precedenti (e dai dati). Al contrario, il software tradizionale è in gran parte statico: richiede input o eventi per eseguire operazioni, e la sua logica è limitata da regole predefinite.

Per questo motivo, un database che supporta applicazioni AI deve essere flessibile e adattabile, capace di gestire ogni tipo di dato; deve permettere un recupero dei dati di alta qualità, reagire in tempo reale alle nuove informazioni e soddisfare i requisiti fondamentali di tutte le soluzioni di dati: sicurezza, resilienza, scalabilità e performance.

In sintesi, il software alimentato dall’AI deve aver accesso a dati aggiornati e ricchi di contesto. Senza la giusta base dati, anche la strategia di AI più solida resta destinata a fallire.

Esecuzione, esecuzione, esecuzione

Restare al passo con l’intelligenza artificiale può far girare la testa, sia per l’elevato numero di attori presenti nel settore, sia per il ritmo sempre più rapido con cui si evolvono le capacità dell’AI.

Per di più il successo nell’ambito dell’AI non dipende solo dalla tecnologia giusta: ciò che conta è l’esecuzione esperta. In altre parole, la differenza tra successo e fallimento nell’adattarsi a un cambiamento di paradigma non sta solo nell’avere gli strumenti giusti, ma nel saperli usare.

Mentre altri sperimentano, MongoDB è già impegnata nella realizzazione di progetti concreti, aiutando le organizzazioni a modernizzare le proprie architetture per l’era dell’AI e a sviluppare applicazioni AI con velocità e sicurezza.

Ad esempio, MongoDB ha collaborato con la banca svizzera Lombard Odier per modernizzare i suoi sistemi tecnologici. Il codice è stato migrato da 50 a 60 volte più velocemente rispetto alle precedenti migrazioni e molte attività ripetitive sono state automatizzate per velocizzare il ritmo dell’innovazione, riducendo i tempi di progetto da giorni a poche ore.

Per ottenere questi risultati, MongoDB ha lavorato con la banca per creare strumenti personalizzabili basati su GenAI, inclusi script e prompt progettati su misura per lo stack tecnologico, accelerando la modernizzazione grazie all’automazione dei test di integrazione e alla generazione del codice per un deployment fluido.

Anche Victoria’s Secret, dopo aver trasformato la propria architettura dati con MongoDB Atlas, ha utilizzato MongoDB Atlas Vector Search per alimentare un sistema di ricerca visuale basato su AI che genera raccomandazioni mirate e aiuta i clienti a trovare i prodotti desiderati.

Un altro modo in cui MongoDB supporta le organizzazioni nel successo con l’AI è offrendo accesso sia a partner tecnologici che a competenze professionali, avendo integrato le proprie soluzioni con hyperscaler (AWS, Google Cloud, Microsoft), system integrator (Capgemini) e innovatori come Anthropic, LangChain e Together AI.