È davvero marcata la continua diffusione dell’AI all’interno delle imprese. Soprattutto attraverso l’utilizzo di quei prodotti software, applicazioni e sistemi di governance, che hanno integrati in sé (embedded) una serie di funzionalità di AI che li rendono sempre più “autonomi” nelle decisioni e proattivi nell’indicare soluzioni e/o miglioramenti all’operatività degli utenti.
Gli esempi sono numerosi. Ad esempio sempre più ambienti di IT governance e process management si basano su tecniche di machine learning per verificare, al variare delle forme organizzative aziendali piuttosto che in rapporto a variabili legate alla domanda o al rilascio di un progetto innovativo, quali cambiamenti di processo siano necessari per raggiungere il risultato ottimale. Fornendo anche indicazioni di quali cambiamenti, sul fronte delle competenze e del disegno organizzativo, sarebbero necessari.
Stessa cosa avviene nell’ambito, delicato, del rapporto impresa-cliente, dove ambienti di Crm si arricchiscono di funzioni di “intelligent” collaboration integrate in rapporto al disegno organizzativo aziendale e agli obiettivi lavorativi, garantendo viste unificate e interfacce in linguaggio naturale (ChatGPT sta rivoluzionando quest’area) ed effettuando un tracking continuo di tutti i canali di interazione azienda-cliente con modelli predittivi sempre aggiornati, finalizzando l’analisi dei leads a indicare le migliori opportunità di business.
Altra area strategica riguarda la cybersecurity. In questa nostra economia digitalizzata, muoversi in un contesto di incertezza da cybercrime è ormai divenuto elemento strutturale.
Per questo l’applicazione di tecniche di Intelligenza Artificiale e Machine Learning nella valutazione del rischio non solo tecnologico e di operatività, ma di diretto impatto sul business, sta avendo grande diffusione.
Viene effettuata un’analisi predittiva per il rilevamento delle minacce e una conseguente attività di risposta realizzata in automatico dai sistemi.
Infine la complessa attività di analisi dei dati relativi al continuo variare delle minacce è possibile grazie a un’Intelligenza Artificiale evoluta in grado di garantire livelli automatici di orchestrazione e governance dei sistemi a protezione dei differenti attacchi.
Infine, ultimo di tanti altri esempi possibili è lo sviluppo di codice. La programmazione strutturata, non integrata con tecniche low-code e/o con sistemi automatizzati e intelligenti di AI rischia, in una condizione di business costantemente variabile, di appesantire la capacità di modernizzazione del patrimonio applicativo aziendale con tempi e costi non sostenibili.
Già oggi molte imprese usano sistemi autonomi a base AI per il testing, la produzione di documentazione del codice, la software quality, il maintenance applicativo, il security testing e in genere a supporto dei team di programmazione nelle varie fasi del ciclo di sviluppo.
Ad esempio nella comprensione tra codice scritto e funzioni correlate nelle fasi di assessment; nell’analisi applicativa per individuare quali porzioni di codice in funzione dell’obiettivo operativo devono essere modernizzate; infine in tutte quelle fasi di check pre-rilascio dell’applicazione in cui vanno effettuati tutti i test primari affinché venga garantita l’operatività aziendale, una fase cruciale se pensiamo alle applicazioni “business critical” di banche, ospedali, aeroporti e di tutto ciò che ormai vive la propria attività su tecnologie digitali sempre più “intelligenti”.