Nuova iniziativa AI? Parti dalla cultura AI

Supponiamo che tu abbia deciso di costruire un’azienda AI, definito il tuo vantaggio competitivo e impostato una buona strategia di prodotto e di AI. A quel punto arriva l’esecuzione. Ed è qui che serve attenzione: alcuni aspetti dei sistemi AI sono controintuitivi rispetto alla normale cultura ingegneristica.

Nel suo libro Good Strategy / Bad Strategy, Richard Rumelt, professore alla UCLA Anderson School of Management, racconta un colloquio del 1996 con Jean-Bernard Lévy, allora CEO di Matra Communications. Erano gli anni d’oro delle telecomunicazioni e dell’avvento di Internet. Mentre molti analisti si aspettavano che il mercato degli apparati di rete fosse dominato da giganti come IBM e AT&T, Cisco Systems riuscì a imporsi in un nuovo segmento in modo sorprendente.

Rumelt voleva capire come Cisco fosse riuscita a superare la barriera della scala in un settore dove la dimensione sembrava decisiva. Lévy rispondeva che i principi di base erano noti anche a Matra, ma che il cuore del vantaggio di Cisco stava in un firmware straordinariamente ben scritto, realizzato da un team molto piccolo. Era quel blocco di software, non facilmente replicabile, a dare al prodotto il suo vantaggio.

Da allora l’ingegneria software mainstream è cambiata radicalmente. Il cloud ha reso la potenza di calcolo disponibile on demand, il costo dello storage è crollato e si è diffuso un enorme ecosistema di tool, framework e componenti riutilizzabili. Oggi, salvo poche nicchie, ci aspettiamo che gli ingegneri implementino feature il più rapidamente e a basso costo possibile. Questa cultura ha reso Internet ciò che conosciamo oggi, ma ha anche reso molto più facile replicare una soluzione tecnica.

Costruire un vantaggio competitivo basato sull’AI, però, parte da premesse molto diverse.

1. Implementare i tuoi modelli AI con pochi dati deve essere difficile, e la prima versione deve essere imperfetta.

Un vantaggio competitivo esiste davvero solo se è difficile da replicare. Idealmente, dovrebbe essere impossibile copiarlo senza accesso ai tuoi dati. Anche raccogliere quei dati dovrebbe essere difficile, e idealmente impossibile senza il tuo prodotto o un prodotto molto simile.

Questa premessa porta a una conclusione controintuitiva: anche con un ottimo team di ingegneria, implementare i modelli con una quantità limitata di dati deve essere difficile, e la qualità della prima versione non dovrebbe essere eccellente.

Se sviluppi una feature di prodotto in modo rapido ed economico, è un segnale di buona ingegneria. Se invece costruisci con facilità una soluzione AI convincente con pochi dati e ottieni da subito un prodotto di qualità elevata, quello è un campanello d’allarme: significa che un concorrente può fare qualcosa di simile con la stessa facilità.

2. I tuoi modelli AI non dovrebbero essere facilmente trasferibili tra domini diversi.

In un prodotto software tradizionale, una soluzione facilmente scalabile su più mercati è spesso un segno di eccellenza. Per un vantaggio competitivo fondato sull’AI, invece, è spesso il contrario. Se un modello addestrato sui dati del retail funziona quasi subito anche nei servizi finanziari, un concorrente può fare il percorso inverso e arrivare sul tuo mercato senza dover raccogliere molti dati specifici.

È un segnale migliore quando una soluzione funziona bene in un dominio ma richiede tempo, dati e lavoro per adattarsi a un altro. Questo rallenta l’espansione, certo, ma crea anche una barriera all’ingresso.

3. I miglioramenti futuri devono derivare soprattutto dall’aumento dei dati, non da un algoritmo migliore.

I team di ingegneria sono abituati a cercare algoritmi migliori per rendere il prodotto più veloce, più economico e più semplice da usare. Questo approccio ha senso in moltissimi contesti. Ma quando il tuo vantaggio competitivo dipende dall’AI, la leva principale dovrebbe essere il dato, non l’algoritmo.

Puoi certamente investire in ricerca algoritmica nella tua nicchia. Ma se il valore futuro del prodotto dipende soprattutto dal miglioramento dell’algoritmo e non dall’accumulo di dati rilevanti, è un altro segnale di rischio. Un team AI altrettanto bravo potrebbe replicare il tuo lavoro, a meno che i modelli non dipendano fortemente dalla varietà e dal volume dei dati che possiedi.

4. Nel business AI vince chi impara più velocemente, non semplicemente chi arriva per primo.

In alcuni settori, il first-mover advantage è reale. Nel farmaceutico, per esempio, un brevetto può garantire una posizione dominante per anni. Lì arrivare per primi conta davvero.

Il software AI funziona in modo diverso. Per vincere il mercato, non basta essere i primi: bisogna accumulare rapidamente i dati giusti, quelli che migliorano davvero i modelli. Entrare presto senza aver progettato bene AI, prodotto e go-to-market serve soprattutto a esporre la nicchia alla concorrenza e a lasciare spazio a chi arriva dopo ma costruisce meglio.

Per questo è essenziale che leadership, team prodotto e team ingegneria condividano una comprensione chiara di queste differenze. Applicare a un’iniziativa AI gli stessi schemi della normale product development è spesso il modo più rapido per portarla fuori strada.

Una storia esemplare

Qualche tempo fa ho lavorato con un’azienda enterprise software. Il cofondatore, che chiamerò James, aveva una visione ambiziosa e voleva trasformare la startup in un’azienda AI. Non aveva però esperienza diretta in AI, e nonostante questo assunse il ruolo di chief product officer per un prodotto complesso basato su machine learning, destinato a diventare il nuovo flagship dell’azienda.

James credeva molto nel first-mover advantage e voleva portare il prodotto sul mercato il più rapidamente possibile. Lo sviluppo fu gestito con un livello estremo di segretezza: il team di prodotto non poteva condividere quasi nulla, neppure internamente. Ma proprio questo approccio riduceva le probabilità di progettare bene AI e prodotto, perché mancava la collaborazione cross-funzionale.

Poi James definì una roadmap di sviluppo molto aggressiva, dando per scontato che il team avrebbe consegnato in poco tempo un prodotto di qualità superiore, senza preoccuparsi troppo dei dati realmente disponibili. Anche questa impostazione era incoerente con la logica dell’AI: la qualità, in questi casi, deve emergere soprattutto dai dati.

Quando la data di rilascio si avvicinò, James lanciò anche una campagna marketing molto forte, promettendo qualità eccezionale e ampia applicabilità su più mercati. Ma la prima versione di un prodotto AI raramente è eccellente, e difficilmente è trasferibile su più domini senza dati aggiuntivi. Il divario tra promessa e realtà era inevitabile.

Il team riuscì comunque a rilasciare il prodotto, ma la qualità iniziale del modello era nettamente inferiore a quanto promesso. Alla fine il board sostituì James con un manager professionista. Il prodotto fu chiuso e l’azienda si spostò su un’altra nicchia. Oggi quel mercato è dominato da un concorrente che ha lanciato un prodotto simile dopo aver osservato il fallimento del primo tentativo.

Questo blog è dedicato al vantaggio competitivo costruito con l’AI, e il nostro obiettivo è spiegare come funziona e come puoi crearlo per il tuo prodotto o per la tua azienda. Negli altri articoli approfondiamo che cos’è l’effetto di rete e come l’AI lo rende possibile.

Se ti serve supporto per costruire un vantaggio competitivo AI per la tua azienda, possiamo aiutarti. Il nostro team di esperti di business e consulenti di tecnologia AI lavora da anni con aziende tecnologiche per costruire vantaggi sostenibili attraverso dati, modelli e progettazione strategica. Dalla raccolta dei dati fino allo sviluppo degli algoritmi, possiamo aiutarti a restare davanti alla concorrenza e a difendere la tua quota di mercato nel tempo.