AI E BUSINESS IMPACT: RIFLESSIONI

L'«hype» sul mercato ha raggiunto livelli massimi e le previsioni di impatto su praticamente tutti i settori industriali sono molto profonde. Ad esempio il Mckinsey Global Institute stima un potenziale di creazione di valore annuale da 3,5 a 5,8 trilloni di $ su una base analizzata di 400 casi d’uso in 19 settori industriali differenti, partendo dai dati di bilancio di fine 2016, ed i tassi di crescita degli investimenti AI drivern sono altissimi superiori al 50%.

Ma è vera gloria? Il quadro è variegato

Possiamo suddividere la tecnologie AI in 3 macro categorie:

1. Soluzioni Robot Process Automation (RPA), che riguardano l’automatizzazione dei processi aziendali: sono oramai ben radicate e sviluppate in Europa e nelle varie industries e consentono potenziali di efficientamento oramai consolidati, con risparmio di costi del fino del 30% e riduzione dei tempi di ciclo dei processi dell’ordine del 50%

2. Soluzioni relative a tecnologie di interfaccia human machine , come ad esempio i chatbot, in grande sviluppo soprattutto nei segmenti retail con impatto di business potenzialmente rilevante ma ancora non maturo.

3. Soluzioni connesse alla algoritmica e modellistica in grado di sviluppare veri “decision engines” aziendali. E’ questo il settore dove vi è ancora, secondo varie fonti, il divario più grande tra l’Europa e gli altri paesi più avanzati (Stati Uniti e Cina) e dove risiede il massimo potenziale, non tanto per la riduzione dei costi, quanto per lo sviluppo della relazione con i mercati/clienti e per la compressione dei rischi. I casi di insuccesso, però, sono ancora molti, infatti, vi è troppa enfasi commerciale: Tanti progetti e start up “etichettate” AI in realtà hanno ben poco di contenuto AI. A fronte di aspettative molto alte la realtà si sta rivelando ostica e rischia di creare un effetto boomerang: gli investimenti sono elevati, i tempi dei progetti lunghi, i risultati poco prevedibili , il problema dell’acquisizione e strutturazione dei dati indispensabili per alimentare i modelli si sta rilevando complesso e dispendioso, le tecnologie necessarie sono molteplici ed ancora in piena fase di assestamento e c’è ancora un grande gap sia a livello delle skill tecniche necessarie, sia nella nella comprensione strategica e quindi nelle priorità del management. Una riflessione sulla natura profonda di questo nuovo “modus operandi” basato sulla modellistica può aiutare. Il vantaggio competitivo deriva qui dalla creazione di modelli algoritmici in grado di fornire previsioni attendibili sul futuro e quindi di influenzare rilevanti decisioni di business, e perciò garantire azioni competitive conseguenti.

Il nuovo core process

Esso implica sul piano organizzativo una forte integrazione nella catena del valore aziendale che deve collegare robustamente, in un continuo loop adattativo, tutti i componenti, trasmettendo efficacemente le decisioni derivate dai modelli ai prodotti e servizi ed ai canali distributivi e raccogliendo tempestivamente le “risposte” nel comportamento dei clienti. E’ evidente che questo circuito è tanto più efficace e rapido quando più prodotti/servizi e canali sono digitali o si stanno digitalizzando e quanto più l’azienda ha controllo e visibilità sui canali a valle. Nel circuito virtuoso così descritto, l’interazione uomo-macchina è continua, sia nella fase di alimentazione e strutturazione dei dati del modello, sia nella fase di apprendimento e miglioramento continuo del modello, sia nella fase finale, a valle delle previsioni dell’algoritmo, di judgment ed assunzione delle decisioni ed azioni conseguenti. La messa a punto ed il miglioramento continuo di questo core process , fa sì che il valore dell’AI continui a crescere nel tempo e sia difficilmente replicabile e, in definitiva, rappresenti il nuovo vantaggio competitivo.

GLI IMPATTI DELL’AI NEI FINANCIAL & INSURANCE SERVICES

Nel settore delle Financial Institutions gli impatti della modellistica/algoritmica sono potenzialmente molto rilevanti: esempi sono le previsioni sul grado di fidelizzazione della clientela, la stima della domanda potenziale di specifici servizi finanziari, il calcolo delle probabilità di default della clientela nelle varie forme tecniche del credito (privati e imprese), le previsioni di performance di specifici asset class nei mercati finanziari, molti modelli e strumenti complessi di analisi nelle funzioni di Treasury Capital Markets ed Assets Management. Nel settore assicurativo, pensando alla natura stessa dell’AI, l’impatto può essere sconvolgente nel medio-lungo periodo, poiché qui il core business è la previsione ed il corretto pricing delle coperture sui rischi futuri a cui sono soggetti i clienti, e quindi lo sviluppo di potenti modelli previsionali dei rischi può garantire vantaggi competitivi chiave. Interi “mestieri“ come quelli degli assuntori e dei liquidatori potrebbero cambiare radicalmente.

Evidentemente alla base di questo nuovo ciclo virtuoso di business ci deve essere una disponibilità adeguata di dati e una conseguente data strategy precisa, che sia anche in grado di “prezzare” economicamente il valore dei dati stessi (anche se non esistono ancora modelli accettabili di “prezzatura” dei dati). Nel settore bancario le banche dispongono “nativamente” di una base dati unica sulla clientela (sia come ampiezza che come profondità: una grande banca retail ha in realtà una potenziale conoscenza a 360° dei bisogni della clientela che nessuna altra grande industry possiede, grazie alla informazioni contenute nei pagamenti).In uno scenario competitivo più aperto ed accessibile, permesso dalla nuova normativa PSD2 e dai nuovi modelli di open banking, API based, diventa ancora più fondamentale per la banca sviluppare un’opportuna data strategy, dipendente dal proprio punto di partenza, che consenta di mantenere ed aumentare la disponibilità, il controllo ed il valore della propria base dati. Nel mondo assicurativo la problematica è differente: l’assicurazione non dispone di un patrimonio dati della clientela con la stessa ampiezza e profondità della banca, però può ampliare significativamente la propria base dati rilevanti estendendo la gamma di offerte ai servizi accessori, erogati attraverso potenti piattaforme IOT attive nei vari comparti (motori, casa, salute). Ovviamente, il controllo di tali ecosistemi sarà un elemento competitivo chiave per l’industria assicurativa ed in grado di generare la necessaria base analitica di dati.

UN GRANDE POTENZIALE, CON GRANDI PROBLEMATICHE

Esiste un grande potenziale e siamo solo all’inizio di un lungo viaggio di sperimentazione ed apprendimento. Sul mercato si sta rapidamente sviluppando un’offerta sia nel mondo della consulenza/system integration, sia nella disponibilità di un ecosistema delle Fintech in grado di fornire tutta una gamma di tools, piattaforme e semi lavorati intermedi.

I gap principali non sono più tanto di natura tecnologica, quanto nelle componenti soft quali:

• scarsità del talent pool, sarà il leit motiv degli anni a venire; il problema maggiore non è a livello esclusivamente tecnico, ma sarà concentrato soprattutto sulle figure di business data scientist e business data manager in grado di coniugare competenze tecniche e conoscenza profonda dei processi di business;
• disponibilità dei dati, molte data infrastructure attuali sono obsolete, la creazione di data lakes adeguati è complessa, le tecnologie cambiano con grande rapidità e occorre un lungo e pesante lavoro di identificazione e codificazione dei dati necessari per alimentare specifici algoritmi;
• tempi lunghi, l’approccio algoritmico richiede dei tempi lunghi per la fase di apprendimento e test dei modelli;
• regulation, in particolare nel settore delle Financial Institutions, la regulation ha giocato da freno perché il regolatore, soprattutto nel passato, ha mantenuto un approccio molto prudente nel “certificare” i vari algoritmi e modelli, certificando solo modelli noti e largamente testati. Del resto, come testimoniano molti top manager, c’è ancora molta cautela all’interno delle aziende nel validare un modello di cui è difficile comprendere il processo logico;
• leadership, è insieme alla scarsità del talent pool, la barriera più grande. Senza una leadership illuminata, con la visione ed il respiro di lungo periodo necessario per sostenere gli investimenti e realizzare i necessari cambiamenti, che sono anche culturali ed organizzativi, è difficile conseguire i benefici possibili. In questo senso con una leadership adeguata l’AI nella sua più ampia eccezione dovrebbe entrare di diritto nei grandi temi dei prossimi piani industriali.