La potenza è nulla, senza Contesto

L’intelligenza artificiale sta diventando bravissima in tutto e, se negli ultimi mesi avete partecipato a qualche conversazione a riguardo, probabilmente avete sentito sempre le stesse domande.

Quale modello scegliere? Quanto è affidabile? Quanto possiamo automatizzare? Quanto migliorerà nei prossimi mesi?

Sono domande legittime ma, più osservo quello che succede nei progetti, più ho l’impressione che stiamo concentrando l’attenzione sulla parte meno interessante del problema.

Mettere l’intelligenza nelle condizioni di essere utile

La capacità dei modelli continua a crescere, lo vediamo tutti. La difficoltà, oggi, è un’altra: mettere quell’intelligenza nelle condizioni di essere utile.

Può sembrare una distinzione sottile, ma nella pratica cambia parecchio: chiunque abbia lavorato su progetti complessi sa che raramente il problema è la mancanza di informazioni. Più spesso il problema è riuscire a dare un senso alle informazioni che già esistono.

I dati sono da una parte, i processi da un’altra. Alcune decisioni sono documentate, altre no. Una parte della conoscenza resta nelle persone che da anni lavorano su quel prodotto, su quel cliente o su quel mercato.

Quando introduciamo un sistema di AI dentro un’organizzazione, tutta questa complessità non scompare, anzi: in molti casi diventa ancora più evidente.

Cosa conta davvero e come capirlo

I modelli di oggi sanno moltissime cose: cos’è un customer journey, come si costruisce una campagna, come segmentare un database o analizzare un funnel, e probabilmente anche come preparare una carbonara senza far arrabbiare nessuno. Ma conoscere un argomento non significa conoscere il contesto in cui quell’argomento deve essere applicato.

Se lavori con clienti e stakeholder, questa cosa la vedi spesso: due aziende nello stesso settore, stessi dati sul tavolo, eppure arrivano a decisioni completamente diverse. Non è strano, in realtà. I dati sono solo una parte della storia. Poi ci sono le priorità del business, gli obiettivi commerciali, i vincoli operativi, le scelte fatte negli anni, gli equilibri tra i diversi team.

Tutte cose che pesano parecchio quando devi decidere cosa fare davvero ed è proprio lì che un modello, da solo, si ferma… a meno che qualcuno non gli dia accesso anche a quel pezzo di realtà.

Dove iniziano i problemi veri

Una cosa che mi colpisce nelle conversazioni sull’AI è che spesso la trattiamo come un problema tecnologico, come se il risultato dipendesse solo dalla qualità del modello. Nella pratica, però, vedo un’altra dinamica.

Le aziende che vedo ottenere risultati veri non sono quelle con il modello più avanzato o la feature appena uscita, ma quelle che riescono a far lavorare l’AI con quello che loro stessi già sanno: clienti, processi, cosa ha funzionato e cosa no.

Perché una risposta generica, diciamolo, spesso è anche giusta. Il problema è che poi non sai cosa farci. Quando invece quella risposta tiene conto di come lavori davvero, diventa qualcosa che puoi usare senza doverla riscrivere da capo.

Sembra una sfumatura. Poi ci lavori sopra e capisci che è tutta la differenza tra “interessante” e “utile davvero”.

Nel marketing si vede subito

Il marketing vive di contesto. Nella pratica, le decisioni funzionano quando tengono insieme quello che è successo prima e quello che sta succedendo adesso: relazione con i clienti, storia del brand, campagne già fatte, comportamenti osservati nel tempo.

Prendiamo una newsletter: un modello può scriverne una buona anche partendo da zero. Quando però lavora con le performance delle campagne passate, i segmenti che convertono meglio, i contenuti che hanno funzionato e gli obiettivi commerciali del momento, il risultato cambia.

La stessa dinamica la vedi su un customer journey, sull’analisi delle performance o su qualsiasi attività in cui devi leggere un comportamento e trasformarlo in una decisione.

Tipo: vedi che metà degli utenti abbandona al secondo step. Non ti limiti a osservare il dato, ma chiedi “ok, cosa facciamo lunedì mattina?”. Cambiamo il messaggio? Semplifichiamo il form? Togliamo proprio quello step? È lì che il contesto fa la differenza, perché senza quello rischi di fare una cosa sensata, ma completamente fuori bersaglio.

Per questo gli agenti sono interessanti

Spesso il dibattito sugli agenti AI ruota attorno all’autonomia: cosa possono fare, quanto possono fare e quanto velocemente possono farlo. Secondo me però la domanda più interessante è un’altra: a quali informazioni possono accedere?

Perché è lì che si gioca una parte importante del loro valore. Un agente che lavora solo su conoscenza generica può essere impressionante, un agente che può accedere alla conoscenza dell’organizzazione inizia a essere realmente utile.

Può collegare informazioni che oggi vivono in sistemi diversi, interpretare un risultato alla luce di ciò che è successo in passato o tenere conto di obiettivi, priorità e vincoli. In altre parole, può ragionare dentro il contesto dell’azienda invece che fuori.

Dove si gioca davvero la differenza

Per anni abbiamo dato per scontato che il vantaggio sarebbe arrivato dal modello migliore. Oggi, guardando i progetti, non è quello a fare la differenza.

I modelli stanno migliorando tutti e ormai li usiamo più o meno allo stesso modo. Questo, di per sé, livella parecchio il campo. Quello che non si livella è tutto il resto: i dati che hai (e dove sono finiti), quanto sono aggiornati, chi li capisce davvero; la conoscenza che gira tra persone e sistemi (tipo “questa cosa non farla mai a fine mese”) e i processi con cui decidete cosa fare prima e cosa dopo. Sono tutte cose che non attivi con una licenza.

Forse ci stavamo concentrando sulla parte sbagliata della frase, perché il valore non nasce quando un’intelligenza artificiale sa tutto, ma quando sa ciò che conta. E ciò che conta, per ogni azienda, ha un nome molto semplice: contesto.