Buy vs. Build nell'AI: la scelta giusta
Oggi esistono moltissimi servizi e prodotti AI: ChatGPT e GPT-4 di OpenAI, Claude di Anthropic, AWS Bedrock, Azure OpenAI, Google Cloud Vertex AI, modelli open source su Hugging Face e molto altro. Ha senso usare questi servizi tramite API? Conviene distribuire modelli open source? Oppure addestrare un proprio modello AI? Esploriamo insieme le opzioni.
La decisione buy vs build
Scegliere tra acquistare e costruire una tecnologia è una decisione chiave per il management. Influenza gli sforzi di sviluppo, i costi futuri di supporto, oltre ai rischi e ai limiti potenziali. Acquistare, cioè usare un prodotto pronto o un’API di terze parti, consente di ottenere benefici immediati, a differenza dei vantaggi differiti del costruire internamente. Con le tecnologie acquistate i rischi di sviluppo sono minimi e l’effort di supporto è ridotto. Spesso acquistare è anche meno costoso su larga scala, se si considerano i costi di supporto delle soluzioni interne. Perché allora prendere in considerazione la costruzione di una tecnologia proprietaria?
Costruire un vantaggio competitivo
Le innovazioni tecnologiche possono accelerare i processi, ridurre i costi e migliorare il risultato economico: basti pensare a nuovi database, servizi cloud o persino laptop migliori per il personale. L’AI può fare anche questo. Ma, a differenza di database o tecnologie cloud, può anche creare un vantaggio competitivo rendendo il tuo prodotto più difficile da copiare.
L’AI moderna si basa sul machine learning, cioè sulla combinazione di dati e algoritmi: architettura del modello, setup di training e così via. Addestriamo i modelli di machine learning sui dati per ottenere il modello finale. In questa combinazione, i dati sono l’elemento dominante.
Consider two companies, A and B, both aiming to train their own AI models. Company A invests heavily in in-house research, developing proprietary neural network architectures, using publicly available datasets. Company B invests in generating and acquiring large, high-quality proprietary datasets and plans to train an open-source architecture with this data. Which company will end up with the better model?
La risposta è l’azienda B. Dati di alta qualità contano più del design dell’algoritmo. Addestrare un algoritmo inferiore con dati superiori produce un modello migliore rispetto ad addestrare un algoritmo superiore con dati peggiori.
Considera ora la seguente strategia di prodotto:
- Il tuo prodotto genera dati dalle interazioni degli utenti.
- Usi questi dati per addestrare i tuoi modelli AI.
- I tuoi modelli AI migliorano il prodotto.
- Il prodotto migliorato attrae più utenti e genera più dati.
Questo crea un ciclo di feedback positivo, cioè un effetto di rete. Più utenti hai, migliori diventano i tuoi modelli AI. E più i modelli migliorano, più utenti riesci ad attrarre. È con questa logica che prodotti come Google Search e YouTube hanno conquistato quote di mercato da centinaia di miliardi di dollari.
La scelta buy vs build nell'AI
Quando devi decidere se acquistare o costruire una soluzione AI, il primo passo è chiarire l’obiettivo di business. Vuoi accelerare i processi, ridurre i costi e migliorare i margini? Oppure vuoi rendere il tuo prodotto più difficile da copiare e ottenere un vantaggio competitivo?
Se il tuo obiettivo è migliorare i margini, acquista
Se vuoi ottimizzare costi e time to market, la scelta più sensata è spesso comprare. Usa, dove possibile, prodotti pronti e API come GPT-4 o Claude. Se la sicurezza dei dati è un vincolo, distribuisci modelli open source come Llama 3.2 o Mistral nel tuo cloud privato o su server GPU on-premise. Valuta l’addestramento di un modello proprietario solo se sul mercato non esiste nulla di comparabile, e anche in quel caso privilegia piattaforme di training low-code o no-code.
Se il tuo obiettivo è creare un vantaggio competitivo, costruisci
Se vuoi rendere il tuo prodotto più difficile da imitare, la strada giusta è costruire la tua AI. Attivare il tuo circolo virtuoso richiede una collaborazione stretta tra team prodotto e team AI. Il prodotto deve raccogliere i dati giusti, e i modelli devono migliorare la qualità percepita del prodotto così da attrarre più utenti.
Riaddestrare i modelli con regolarità, magari ogni settimana o ogni mese, è fondamentale. Questo implica costruire pratiche interne per monitoraggio e pulizia dei dati, training dei modelli, quality assurance, osservabilità e supporto operativo.
Poiché i tuoi dati diventano il tuo asset chiave e la base del tuo vantaggio competitivo, non dovresti condividerli con API o prodotti di terze parti. Un vantaggio competitivo, in fondo, non si compra a scaffale.
Articoli correlati
- Vuoi esplorare l’AI per la tua azienda? Da dove iniziare?
- Tutto ciò che ti serve è un effetto di rete
- Strategie AI che costruiscono un vantaggio competitivo sostenibile
Comprare o costruire? La risposta dipende dalla tua strategia.
Analizziamo insieme quali componenti AI conviene sviluppare in house e quali puoi esternalizzare senza perdere il tuo vantaggio competitivo.