Archivio opinioni

Bruno Antonio Pansera
Ricercatore Università “mediterranea” Di Reggio Calabria
L’AI nelle imprese:
quali prospettive?
L’avvento dell’intelligenza artificiale (AI) e il suo rapido sviluppo nella società attuale pone l’accento sulla necessità di esaminare come queste nuove introduzioni possano garantire una visione innovativa del fare impresa.
Negli ultimi dieci anni, infatti, questa tecnologia ha cambiato il mondo, in una maniera talmente radicale da stravolgere la visione di ogni attività quotidiana. Come tutte le novità anche l’AI pone molti interrogativi di carattere etico e sociale, introduce nuove problematiche ma sicuramente ci permette di gettare le basi verso la definizione di nuove strategie risolutive di problemi aperti, di tracciare nuove strade dove orientare le scelte di ogni giorno e di favorire l’immagine che porta alla realizzazione di un mondo più sostenibile e inclusivo, dove far condividere tradizione e innovazione, in cui il progresso si evolve nel rispetto della biodiversità.
L’AI nasce dalla necessità, da parte dei sistemi informatici, di imitare le abilità umane come il ragionamento, la pianificazione, l’apprendimento e persino la creatività. Il risultato di questa continua e affannosa ricerca ha portato a ciò che oggi riconosciamo con il termine intelligenza artificiale. Tale ricerca nasce con Turing e accompagna la vita dell’uomo da quasi un secolo. Gli strumenti primordiali hanno lasciato spazio a raffinate apparecchiature che seguono l’uomo in qualsiasi attività giornaliera.
Come possiamo facilmente osservare, questo ambito interdisciplinare ha molte applicazioni, come i sistemi di riconoscimento facciale e vocale, gli assistenti virtuali e le automobili a guida autonoma. Le imprese, in particolare, stanno subendo cambiamenti epocali; nuovi visioni aziendali e nuovi processi produttivi stanno nascendo per il tramite dell’AI e delle continue implementazioni della stessa.
In un continuo susseguirsi di elementi nati virtualmente e di quelli reali nasce una nuova società, che demanda molte delle scelte agli strumenti informatrici: dalla finanza alla scelta di un testo da realizzare tutto ormai parla di AI. Il mondo attuale, infatti, vive in una realtà alterata dalla possibilità di condurre un’esistenza in un ambiente virtuale, dove condividere idee, progetti e amicizie; un’agorà che unisce ipoteticamente tutti gli abitanti del mondo. Si realizzano in questo modo nuovi scenari e vengono introdotti nuovi paradigmi tesi a modificare in maniera irreversibile la nostra società.
Il fulcro principale che è alla base dell’IA è sicuramente la capacità dei sistemi di prendere decisioni logiche per raggiungere obiettivi specifici. Il focus è proprio questo: prendere decisioni! Argomento questo che sta incuriosendo i non addetti ai lavori e che sta orientando i tecnici verso confronti sempre più serrati per dare risposte concrete alle sempre più impellenti questioni, siano esse tecniche o morali. L’eticità, infatti, di molte scelte viaggia sulla necessità di fissare regole chiare che possano realizzare un ambiente di lavoro sicuro dove operare con l’AI. Necessita, infatti, una visione più organica e avveniristica per comprendere, apprezzare e valutare le potenzialità di una tecnologia che se ben utilizzata potrebbe migliorare le condizioni di vita e di lavoro di intere generazioni.
Anche Agenda 2030 utilizza l’AI per realizzare percorsi mirati al raggiungimento dei 17 goals, per un mondo più inclusivo, dove debellare odiose piaghe, come quella della fame. È opportuno in questa necessità di rendere il pianeta un posto migliore focalizzarsi sull’aspetto filantropico dell’AI e sulla necessità, che si deve tradurre in azioni concrete, di rendere l’AI fruibile a tutte le popolazioni allo stesso modo, per realizzare uguali condizioni di utilizzo e permettere a un contadino di uno sperduto paese di avere le stesse possibilità di uno che vive in un Paese industrializzato, che permetta a tutti gli studenti del mondo di accedere all’istruzione e alla formazione senza preclusioni o limitazioni. Sono questi alcuni degli obiettivi etici che andrebbero perseguiti e pretesi, con fermezza se si vuole realizzare ciò che le Nazioni Unite immaginano in un futuro prossimo.
Ecco perché occorre approcciarsi all’AI con quella curiosità che porta alla visione disincantata della stessa, scevra da pregiudizi e falsi allarmismi, per poter coniugare la visione soggettiva di una qualsivoglia questione con l’essere razionale della macchina, che si manifesta attraverso la percezione dell’ambiente circostante, la raccolta e l’interpretazione delle informazioni disponibili e l’elaborazione dei dati per scegliere la migliore tra le opzioni disponibili. L’AI cambia anche la razionalità dei computers, facendola mutare; in effetti, i sistemi basati sull’intelligenza artificiale perdono la loro staticità: possono cambiare le proprie regole di ragionamento e metodi decisionali in base all’esperienza accumulata e all’evoluzione dell’ambiente in cui operano.
La capacità di raggiungere una “nuova razionalità” e dunque di implementare e ottimizzare i processi può essere limitata dal tempo di calcolo e dalla capacità computazionale della macchina. Questo limite potrebbe non sempre far scegliere alla macchina la migliore alternativa tra quelle disponibili, soprattutto in scenari complessi o in situazioni emergenti. Per tale ragione la Commissione Europea ha messo l’uomo al centro del ciclo vitale dell’IA, sottolineando quanto sia importante integrare l’elemento umano nella supervisione dei computer e nel processo decisionale. Questo metodo, noto come autonomia supervisionata, richiede che gli operatori umani mantengano un ruolo attivo nel controllo e nella correzione delle azioni dei sistemi di IA per garantire che funzionino correttamente e prevenire comportamenti discriminatori o indesiderati. Questo a supporto della necessità di integrare sistemi, al fine di comprendere come l’AI supporta le decisioni, adatta processi produttivi con un’autonomia controllata dall’uomo.
La possibilità di sostenere le decisioni rappresenta ciò che viene richiesto all’AI, supporto e non sostituzione all’uomo e alla sua libertà di fare scelte consapevoli. Sapere che ci sono degli algoritmi che ci aiutano a prevedere scenari futuri attraverso analisi inferenziali consistenti, supportate da una grande quantità di dati e che la loro implementazione possa facilitare politici e privati nella gestione delle decisioni da prendere apre alla possibilità di una visione più inclusiva e più equa del tempo che verrà.
Cyber Security e AI
Le aziende che operano nel mercato molte volte fanno riferimento alla necessità di lavorare su piattaforme informatiche per implementare il loro fatturato e raggiungere una quantità elevata di possibili clienti. Come in un mondo parallelo, quello virtuale presenta insidie molto simili a quelli del mondo reale. Cresce, dunque, la richiesta delle imprese di possedere delle misure di sicurezza che permettano loro di difendersi dagli attacchi informatrici. Nasce pertanto la necessità di implementare gli strumenti già in essere e questo può avvenire attraverso il connubio con l’AI.
L’intelligenza artificiale applicata alla sicurezza informatica sta diventando gradualmente uno degli strumenti più efficaci e insostituibili verso la lotta alle minacce digitali, in quanto favorisce l’implementazione di pratiche mirate al rafforzamento della protezione mediante l’innovazione dei meccanismi di difesa.
Per sua natura, infatti, l’AI permette di aumentare in maniera esponenziale l’efficacia del rilevamento e della risposta alle minacce informatiche, attraverso l’elaborazione in tempo reale di meccanismi di riconoscimento di una quantità elevatissima di modelli (Verma & Gupta, 2020). Basandosi su banche date con una numerosità molto significativa, l’AI riesce a riconoscere il tipo di minaccia e di esercitare la giusta contromossa, implementando a ogni attacco la numerosità di processi conosciuti e prevedendo le mosse di chi conduce l’attacco.
L’AI permette, dunque, di realizzare misure di sicurezza sempre più imponenti e a introdurre possibili vulnerabilità nello stesso modello, che potrebbero essere utilizzate dagli avversari (Capuano et al., 2022) per realizzare modelli di difesa sempre più performanti. L’esborso economico di molti colossi dell’informatica verso la dotazione di tecnologie che riducano gli attacchi informatici rileva il grande interesse verso tale settore di ricerca (Kshetri, 2021).
Lo sviluppo di soluzioni di sicurezza informatica basate sull’intelligenza artificiale comprende tutte le metodologie a essa collegate come machine learning, deep learning and natural language processing, le quali contribuiscono collettivamente all’automazione delle operazioni di sicurezza informatica (Sarker et al., 2021).
L’intricata relazione tra intelligenza artificiale e sicurezza informatica è ulteriormente complicata dalla necessità di solide misure di sicurezza per proteggere i sistemi di intelligenza artificiale stessi dalle minacce informatiche, evidenziando la crescita intrecciata delle tecnologie di intelligenza artificiale e delle sfide della sicurezza informatica (Donepudi, 2021).
L’intelligenza artificiale (AI) svolge un ruolo multiforme nel miglioramento della sicurezza informatica attraverso una varietà di applicazioni. Le tecnologie di intelligenza artificiale facilitano lo sviluppo di strumenti di sicurezza informatica più intelligenti che migliorano sia i meccanismi di difesa che le capacità di risposta alle minacce.
• Rilevamento e risposta alle minacce: l’intelligenza artificiale è particolarmente efficace nel rilevamento e nella risposta in tempo reale alle minacce informatiche. Analizzando grandi quantità di dati, i sistemi di intelligenza artificiale possono identificare modelli e anomalie che indicano potenziali violazioni della sicurezza, consentendo così un rilevamento e una mitigazione delle minacce più rapido e accurato. Questa applicazione è fondamentale per mantenere l’integrità e la riservatezza dei dati in diversi settori (Akhtar & Feng, 2021).
• Rilevamento di malware e intrusioni: l’uso dell’intelligenza artificiale nella sicurezza informatica si estende ad applicazioni specifiche come la classificazione dei malware e il rilevamento delle intrusioni. Tecniche come l’apprendimento automatico e il deep learning consentono ai sistemi di apprendere dai dati e prendere decisioni intelligenti su ciò che costituisce una minaccia, migliorando significativamente il rilevamento e la prevenzione di tali attacchi (Donepudi, 2021).
• Sicurezza automatizzata: l’intelligenza artificiale migliora la sicurezza informatica automatizzando processi complessi per il rilevamento e la risposta alle minacce (Lazzaro et al., 2024). Ciò riduce la necessità di intervento umano, consente tempi di risposta più rapidi e aumenta l’efficienza delle operazioni di sicurezza (Das & Sandhane, 2021).
• Explainable AI (XAI) nella sicurezza informatica: sebbene i sistemi di intelligenza artificiale siano altamente efficaci, la complessità dei loro processi decisionali può talvolta rappresentare uno svantaggio. XAI mira a rendere questi processi trasparenti, garantendo così che le soluzioni di sicurezza basate sull’intelligenza artificiale siano comprensibili e affidabili per gli esperti di sicurezza umana. Tuttavia, l’apertura di XAI può anche presentare vulnerabilità, rendendola un’area critica di ricerca e sviluppo continui (Capuano et al., 2022).
• Applicazioni della Cyber Kill Chain: l’intelligenza artificiale svolge anche un ruolo strategico nell’analizzare e interrompere le fasi di un attacco informatico, comunemente denominato “Cyber Kill Chain”. Comprendendo ogni fase di un attacco, i sistemi di intelligenza artificiale possono fornire difese più mirate e interrompere gli attacchi prima che raggiungano risorse di rete critiche (Shehu, Umar e Aliyu, 2023).
Queste applicazioni sottolineano l’impatto trasformativo dell’intelligenza artificiale sul panorama della sicurezza informatica, rendendola uno strumento indispensabile nella lotta contro minacce informatiche sempre più sofisticate.
in evidenza
Un modello di business (BM) è “il modo in cui un insieme di variabili decisionali interconnesse nella strategia aziendale, nell’architettura e nell’economia vengono gestite per creare un vantaggio competitivo sostenibile in un mercato definito” (Morris, Schindehutte, Allen, 2005)
AI e Imprese
Introdurre l’AI in un’azienda significa quindi modificare tutti i paradigmi della stessa; il voler applicare queste nuove tecnologie a un’impresa necessita di una visione avveniristica e lungimirante della governance della stessa. Infatti, trasformare un’impresa secondo questi processi significa andare a cambiare in maniera completa l’intera catena di montaggio, reclutare in maniera differente il personale, definire nuove filiere dove approvvigionarsi delle materie prime, progettare nuovi processi di marketing e nuovi mercati nei quali afferire. L’alfabetizzazione nell’AI, soprattutto nel campo della gestione aziendale, è quindi essenziale per ottenere operazioni efficienti e competitive; investire in conoscenza, ricerca diventa l’elemento di riferimento per il raggiungimento del successo aziendale. Introdurre in questo periodo storico una nuova idea imprenditoriale porta a confrontarsi con una nuova realtà in cui le variabili coinvolte sono talmente tante e variegate che per essere conosciute e indirizzate necessitano di personale altamente specializzato, con competenze trasversali significative.
Il mondo sta cambiando e con sé tutto ciò che contiene; per questo la figura di imprenditore tradizionale deve adeguarsi ai tempi per un potenziamento dell’azienda stessa e della società in cui è radicata.
La modifica, infatti, di un processo aziendale secondo i canoni dell’AI, passa attraverso la modifica del business model e dell’operating model, per condurre l’impresa verso un processo industriale talmente automatizzato che contiene al suo interno la possibilità di assumere decisioni in autonomia.
Il BM traccia i confini delle strutture operative e fisiche di un’azienda (Osterwalder, Pigneur e Tucci, 2005), prevede i risultati delle operazioni aziendali nell’architettura di sistema e supporta intenzioni sostenibili attraverso strategie innovative di creazione di valore e facilita le decisioni (Zilahy, 2016). Sebbene il BM sia legato alla strategia aziendale, il primo vede l’azienda come un sistema e ne descrive le funzioni, quindi sono concetti diversi. Al contrario, la strategia implica il processo di implementazione, implementazione e implementazione (Osterwalder et al, 2005)
La teoria dei costi di transazione considera la relazione con il BM e sostiene che gli sviluppi tecnologici in varie applicazioni possono influenzare la gestione aziendale e creare condizioni per ridurre i costi e aumentare il valore combinando profitto e sostenibilità (Dirican, 2015).
Alla luce di quanto asserito, si comprende bene come l’approccio basato sull’AI richiede necessariamente una rivisitazione delle strategie aziendali e dunque dei processi nella loro totalità.
La prima essenziale introduzione riguarda l’evoluzione del concetto di automazione dei processi, intesa come l’automatizzare i processi produttivi tramite la tecnologia. Si passa da una gestione “computerizzata” di una catena di montaggio, fondata su ostruzione predefinite e compiti ripetitivi, dove una macchina può agire senza la presenza costante di un individuo che ne controlla l’attività a una basata sull’AI, più dinamica fondata sui processi di deep learning e dunque sulla possibilità di modificare le azioni in base all’elaborazione dei dati raccolti.
Basata sull’elaborazione del linguaggio naturale (NLP) tale tecnologia sviluppa nuove forme di processi per facilitare lo svolgimento di una qualsiasi attività
(Meroni & Zan, 2024)
Tale nuova visione modifica principalmente il Management Control System (MCS), forza pulsante nel processo della pianificazione e del controllo di una società. Per sua struttura il
MCS permette alle imprese di acquisire dati dalla gestione dell’impresa stessa, normalizzare i dati per renderli più fruibili e catalogarli. Queste sono tre azioni che rientrano con pienezza nell’ambito delle potenzialità espresse dall’AI, con l’aggiunta di poter svolgere questi compiti senza l’ausilio dell’intervento dell’uomo. Infatti, molti algoritmi di deep learning riescono a gestire dati siffatti e implementarli con dati simili presi da librerie opportune. La strategia aziendale cambia per abbracciare nuove sfide tecnologiche, finalizzare all’ottimizzazione della filiera produttiva, spinte talune volte dalla volontà di primeggiare e dunque battere la concorrenza. L’utilizzo massiccio degli MCS arriva sul panorama aziendale in un periodo storico caratterizzato da imprese che realizzavano beni e non erogavano servizi (Strauss & Zecher, 2013). Gli MCS si evolvono con il mercato e mutano per soddisfare richieste sempre crescenti per una migliore gestione d’impresa. In tale ambito l‘intelligenza artificiale si sta accingendo a svolgere un ruolo chiave nella trasformazione dei processi aziendali, nell’ottimizzazione delle operazioni e nel fornire informazioni strategiche.
Appare essenziale come per implementare l’AI negli MCS occorre investire in conoscenza e capitale umano; infatti, per poter comprendere in maniera completa come l’utilizzo dell’AI sia vantaggioso per la singola azienda e quali fasi del processo produttivo attenzionare con questa tecnologia necessitano tecnici altamente specializzati, con competenze trasversali che possano declinare i criteri cardine dell’AI nei settori nevralgici in cui opera un’azienda.
Le applicazioni dell’intelligenza artificiale nel settore aziendale possono essere estremamente diverse e interessare tutti i settori, dalla produzione alla finanza, alle risorse umane e al marketing. Esse si possono classificare in:
Ottimizzazione e Automazione: Un’area chiave in cui l’AI sta rivoluzionando le aziende è l’ottimizzazione dei processi (RPA - Robotic Process Automation). Con algoritmi avanzati di machine learning e analisi dei dati, le aziende possono identificare le criticità nella produzione, implementando al contempo i processi e riducendo le uscite. Nelle filiere per l’approvvigionamento di materie prime, incrociare i dati tra domanda e offerta, prevedere con precisione le loro quantità, evitando sprechi e ottimizzando la gestione delle scorte. (Meroni & Zan, 2024).
Gestione delle relazioni con i clienti (CRM) e marketing predittivo: Le imprese possono utilizzare algoritmi di deep learning per analizzare dati sui clienti, identificare modelli comportamentali e prevedere le loro esigenze future. Questo favorisce le aziende nella formulazione di prodotti e servizi sempre più delineati sulle esigenze del cliente, migliorare il coinvolgimento dei clienti e massimizzare la creazione e la cattura del valore (Meroni & Zan, 2024).
R&D: Le aziende possono utilizzare algoritmi di machine learning per analizzare dati scientifici complessi, accelerare la scoperta di nuovi farmaci, materiali o tecnologie e ottimizzare lo sviluppo dei prodotti. L’AI e la sua implementazione permette di ridurre i tempi, si consideri ad esempio i test sui vaccini al tempo del COVID-19, e potenziare l’innovazione (Meroni & Zan, 2024).
Risorse Umane: Dalle piattaforme di reclutamento basate sull’intelligenza artificiale che analizzano in modo efficiente i CV dei candidati alle revisioni delle prestazioni basate sui dati, le risorse umane possono prendere decisioni più informate e mirate (Meroni & Zan, 2024).
Finanza e gestione del rischio: Le banche e gli istituti finanziari utilizzano algoritmi di intelligenza artificiale per analizzare i modelli di rischio, rilevare le frodi e ottimizzare le decisioni di investimento. Ciò consente loro di mitigare i rischi, massimizzare le entrate e migliorare le prestazioni finanziarie complessive (Meroni & Zan, 2024).
Privacy, etica e sicurezza dei dati: Le aziende devono affrontare problemi complessi legati alla raccolta, all’archiviazione e all’utilizzo dei dati dei clienti e dei dipendenti. È importante garantire il rispetto delle normative sulla protezione dei dati e adottare misure rigorose per proteggere le informazioni sensibili da accessi non autorizzati e usi impropri. (Meroni & Zan, 2024).
Un’indagine condotta dall’Osservatorio Artificial Intelligence del Politecnico di Milano (polimi.it) ha evidenziato dei dati molto significativi in merito all’utilizzo dell’AI nelle imprese:
Il mercato dei prodotti e servizi IA è cresciuto del 52% rispetto al 2022
Il 61% delle grandi aziende italiane sta almeno sperimentando progetti di intelligenza artificiale, ma la percentuale scende al 18% se si considerano le PMI
I progetti di IA generativa sono ancora pochi (5%)
L’uso dell’intelligenza artificiale nelle imprese riguarda principalmente l’analisi dei dati e l’estrazione di insight (29%) e l’interpretazione del linguaggio (27%)
La maggior parte delle grandi aziende (34%) ha sede in Germania; quindi, dispone della tecnologia e delle capacità per sviluppare soluzioni AI in modo autonomo.
Altro punto nevralgico è quello che lega l’AI alla sostenibilità aziendale. La sostenibilità aziendale è da sempre un argomento chiave nella gestione imprenditoriale di molte realtà. Questo termine insieme alla responsabilità sociale d’impresa negli ultimi anni hanno visto un maggiore interesse da parte della comunità scientifica, visto l’avanzare dell’AI.
La definizione di una nuova visione del fare impresa porta a voler comprendere come l’AI ha “contaminato” il mercato globale, le infrastrutture (non solo quelle fisiche), il modo di sviluppare un business e come questo si ripercuota nella sostenibilità aziendale.
In uno studio promosso da IBM (ibm.com) viene considerato il concetto di sostenibilità aziendale e come questa sia cambiata per opera dell’AI. In primis, possiamo definire la sostenibilità aziendale come quella strategia e quelle azioni che svolge un’azienda per ridurre i danni che le sue operazioni in un mercato specifico hanno avuto sull’ambiente e sulla società.
Per valutare le politiche di sostenibilità di un’azienda vengono utilizzati i parametri ambientali, sociali e di governance (ESG). Inevitabilmente quando si parla di impatto che un’impresa ha sull’ambiente la mente si sposta verso i problemi climatici, lo sfruttamento delle risorse, la biodiversità. Coniugare i canoni di sviluppo sostenibili con quelli del profitto spesso non portano a situazioni di facile soluzione. Ecco perché necessita la condivisione di intenti, come quelli sintetizzati in Agenda 2030, per riorientare tutte le nostre azioni verso la sostenibilità.
Sono esempi di sostenibilità aziendale:
• Il miglioramento della gestione energetica utilizzando fonti alternative di energia e contabilità del carbonio.
• L’implementazione delle infrastrutture che diminuiscono le emissioni di gas serra (GHG), preservano le risorse idriche ed eliminano i rifiuti.
• La gestione delle catene di approvvigionamento efficienti e dinamiche al fine di promuovere un’economia circolare, incoraggiare il riutilizzo, ridurre i rifiuti, promuovere il consumo sostenibile e salvaguardare le risorse naturali.
Significativo in questa direzione è il lavoro di Di Vaio et al. del 2020 sul Journal of Business Research, dove vengono richiamati alcuni modelli di business sostenibili attraverso l’uso dell’AI. Il loro studio si fonda sul pericolo che deriva dai cambiamenti climatici. Il superamento dei limiti ambientali solleva preoccupazioni sugli effetti domino nei sistemi naturali e nella società globale. Le aziende avvertono sia la pressione che l’opportunità di fissare obiettivi di sostenibilità, se non lo hanno già fatto. Anche durante la pandemia di COVID-19, le aziende hanno continuato ad allinearsi agli Obiettivi di sviluppo sostenibile (SDG) dell’Assemblea generale delle Nazioni Unite (Di vaio et al, 2020).
Gli SDG fissano obiettivi universali che rappresentano una tabella di marcia per il business sostenibile, in aree target come la povertà, la disuguaglianza, il degrado ambientale e il cambiamento climatico (Di vaio et al, 2020).
L’informatica in questo ambito può influenzare i modelli di produzione e consumo per raggiungere una gestione sostenibile delle risorse in conformità con gli SDG fissati nell’Agenda 2030. Per raggiungere questi goals è importante evidenziare il ruolo dei sistemi di gestione della conoscenza (KMS) nell’evoluzione culturale verso l’adozione diffusa dell’IA per la SBM (Sustainable Business Model). Nonostante l’importanza di questo argomento, non esiste una revisione completa della letteratura su AI e SBM relativa agli SDG. (Di Vaio et al., 2020).
L’idea principale è quella di iniziare dal modello di business e rinnovare lo scopo e l’organizzazione della propria azienda attorno a una strategia di innovazione volta a creare valore a lungo termine può guidare un cambiamento sostenibile (Bocken, Short, Rana & Evans, 2014)
Sempre in Di Vaio et al. viene affermato che l’innovazione consente una prospettiva di sensibilizzazione sistematica che include la necessità di collaborazione e formazione sulla SBM (Bocken et al, 2014).
La SBM combina valori economici, sociali e ambientali, seguendo un approccio multi-stakeholder basato sulla massimizzazione dei benefici sociali e ambientali associati alle operazioni di un’azienda (Lenssen et al, 2013). In questo contesto, secondo la teoria della contingenza, è necessario facilitare il coordinamento tra il management aziendale e l’ambiente esterno (Venkatraman & Prescott, 1990), e sono necessari l’apprendimento automatico e grandi quantità di dati per adattare i modelli di business un percorso digitale basato sulla gestione di (Brenner, 2018).
In questo scenario, le aziende devono implementare sistemi di gestione della conoscenza in grado di migliorare le risorse umane per ottenere un vantaggio competitivo attraverso l’intelligenza artificiale (Tsui et al, 2000). Più specificamente, secondo la teoria dell’innovazione, il KMS facilita la raccolta collaborativa di informazioni e la condivisione della conoscenza (Tsui et al, 1999) ed è stato proposto come strumento per la gestione intelligente del lavoro (Johannessen et al, 1999). Il KMS aiuta le aziende ad adattarsi al cambiamento tecnologico e integra elementi umani, organizzativi e tecnologici nel processo di creazione di valore (Hlupic et al, 2002; Thomas et al, 2001). Nel tentativo di sfruttare la conoscenza interna ed esterna dell’organizzazione, l’intelligenza artificiale facilita nuove tecniche di acquisizione e rappresentazione della conoscenza, aumentando la consapevolezza dei manager che il KMS è il fondamento dell’azienda e della cultura aziendale (Liebowitz, 2001).
Pertanto, anziché sostituire le risorse umane, l’intelligenza artificiale cerca di imitare il pensiero razionale migliorando la gestione dei dati e i flussi di elaborazione attraverso sistemi che utilizzano informazioni digitali (Hoeschl & Barcellos, 2006) Inoltre, secondo Miller (2018), “gli esseri umani e le macchine devono coesistere per potenziare e migliorare le reciproche capacità”, portando a un cambiamento culturale verso la visione dell’intelligenza artificiale come uno strumento che integra il pensiero umano e la gestione della conoscenza, portando a pregiudizi (Duan et al, 2019).
I KMS dovrebbero essere principalmente incorporati nei processi organizzativi e strategici aziendali e integrati con l’intelligenza artificiale per migliorare le prestazioni sostenibili e la capacità di risoluzione dei problemi delle imprese (Liao, 2003; Baskerville & Dulipovici, 2006; Strandhagen et al, 2017; Shursalczyk e Hjelmstipulsat, 2019). L’utilizzo dell’intelligenza artificiale nella SBM può supportare i manager nei loro processi decisionali e gestionali utilizzando i dati per creare previsioni e riducendo il costo delle previsioni stesse, migliorando così la cultura e il comportamento organizzativo (Duan et al, 2019).
L’Osservatorio Artificial Intelligence del Politecnico di Milano (polimi.it) ha ottenuto interessanti dati in merito al “mercato dell’AI”, ovvero di come si sta evolvendo l’AI nel mondo industriale. Il mercato italiano dell’intelligenza artificiale è in rapida crescita Nel 2022, infatti, ha già registrato un aumento del 32% rispetto all’anno precedente, e nel 2023 aumenterà del 52% fino a raggiungere i 760 milioni di euro. Mentre la maggior parte degli investimenti è diretta all’analisi del testo e alle soluzioni interpretative per la ricerca semantica, la classificazione, la sintesi e la spiegazione di documenti e agenti conversazionali tradizionali, i progetti di intelligenza artificiale generativa rappresentano ancora il 5% (38 milioni di euro) ed è limitato a sei delle 10 maggiori aziende italiane hanno già avviato progetti di intelligenza artificiale almeno a livello sperimentale, mentre due su tre stanno già discutendo internamente di applicazioni di IA generativa; nel 2016 ha iniziato a sperimentare (classificata 17ª nel 2016). L’impatto sul mondo del lavoro sarà sicuramente molto significativo. Già in Italia l’intelligenza artificiale ha il potenziale per automatizzare il 50% dei “lavori equivalenti” (lavori equivalenti alla somma del tempo dedicato alle singole attività che possono essere svolte dalle macchine).
I dati sono chiari e significativi: l’AI può portare a sublimare ogni ambito di studio e di ricerca economico-sociale per massimizzare profitti e ridurre l’impatto sull’ambiente. È importante sottolineare come le aziende devono scegliere se affidarsi all’AI oppure no, devono valutare tutti gli aspetti e tutte le conseguenze future.
Una cosa è certa, l’impresa tradizionale non esiste più, è stata sostituita da una più confacente ai tempi attuali, dove gli operai sono figure specializzate, sono ricercatori di nuove tecnologie, dove si scambiano saperi e conoscenza.
L’AI ha spostato la lente verso una visione più organica del fare impresa, dove l’azienda non basta più, occorre che la stessa sia integrata in un sistema produttivo innovativo, dove viene distrutta la classica legge economia lineare, dove i prodotti non hanno una fine, dove il riciclo e riutilizzo portano a quella circolarità che si declina in sostenibilità e inclusione.
CONCLUSIONI
L’evoluzione dell’intelligenza artificiale dalle sue prime concettualizzazioni alle sue applicazioni contemporanee rappresenta un viaggio segnato da innovazione continua e collaborazione interdisciplinare. Nonostante siano stati compiuti progressi significativi, sono necessari sforzi di ricerca continui per realizzare il pieno potenziale dell’intelligenza artificiale affrontando al tempo stesso le sue implicazioni etiche e sociali. Le imprese non possono più prescindere dall’AI. Dalla scelta di un processo produttivo alla sicurezza dei siti web, tutto parla ed è orientato alla intelligenza artificiale. La continua evoluzione dell’intelligenza artificiale nella sicurezza informatica sta dando forma a una nuova era in cui i sistemi automatizzati e intelligenti svolgono un ruolo fondamentale nella protezione delle infrastrutture digitali contro minacce informatiche sempre più sofisticate.
Tutto finalizzato alla creazione di un mondo differente dove la tradizione si deve coniugare con l’innovazione in uno scambio reciproco di idee, di buone prassi e di nuovi obiettivi da perseguire. Il futuro ci attende e l’AI è una buona base di partenza sulla quale fondare ogni slancio verso il domani.
BIBLIOGRAFIA
Turing, Alan M. Computing machinery and intelligence. Springer Netherlands, 2009.
Newell, A., & Simon, H. A. (1956). The logic theory machine: A complex information processing system. IRE Transactions on Information Theory, 2(3), 61-79.
Newell, Allen, John C. Shaw, and Herbert A. Simon. “Report on a general problem solving program.” IFIP congress. Vol. 256. 1959.
MacColl, Hugh. “Symbolic reasoning.” Mind 6.24 (1897): 493-510.
Buchanan, Bruce G., and Reid G. Smith. “Fundamentals of expert systems.” Annual review of computer science 3.1 (1988): 23-58.
Buchanan, B. G., & Shortliffe, E. H. (1984). Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. Reading, MA: Addison-Wesley.
Buchanan, Bruce G., and Edward A. Feigenbaum. “DENDRAL and Meta-DENDRAL: Their applications dimension.” Artificial intelligence 11.1-2 (1978): 5-24.
Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533-536.
Vapnik, Vladimir N. “An overview of statistical learning theory.” IEEE transactions on neural networks 10.5 (1999): 988-999.
Steinwart, Ingo, and Andreas Christmann. Support vector machines. Springer Science & Business Media, 2008.
Rigatti, Steven J. “Random forest.” Journal of Insurance Medicine 47.1 (2017): 31-39.
Nadkarni, Prakash M., Lucila Ohno-Machado, and Wendy W. Chapman. “Natural language processing: an introduction.” Journal of the American Medical Informatics Association 18.5 (2011): 544-551.
Stockman, George, and Linda G. Shapiro. Computer vision. Prentice Hall PTR, 2001.
Halperin, Dan, Lydia E. Kavraki, and Kiril Solovey. “Robotics.” Handbook of discrete and computational geometry. Chapman and Hall/CRC, 2017. 1343-1376.
Sengan, Sudhakar, et al. “Security-aware routing on wireless communication for E-health records monitoring using machine learning.” International Journal of Reliable and Quality E-Healthcare (IJRQEH) 11.3 (2022): 1-10.
S. Lazzaro, V. De Angelis, A. M. Mandalari, F. Buccafurri. ”Is Your Kettle Smarter
Than a Hacker? A Scalable Tool for Assessing Replay Attack Vulnerabilities on Consumer IoT Devices.” In 2024 IEEE International Conference on Pervasive Computing and Communications (PerCom), 2024
Candanedo, Inés Sittón, et al. “Machine learning predictive model for industry 4.0.” Knowledge Management in Organizations: 13th International Conference, KMO 2018, Žilina, Slovakia, August 6–10, 2018, Proceedings 13. Springer International Publishing, 2018.
LeCun, Yann, Yoshua Bengio, and Geoffrey Hinton. “Deep learning.” nature 521.7553 (2015): 436-44
Wiering, Marco A., and Martijn Van Otterlo. “Reinforcement learning.” Adaptation, learning, and optimization 12.3 (2012): 729.
Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., van den Driessche, G., ... & Hassabis, D. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), 484-489.
Akhtar, M., & Feng, T. (2021). An overview of the applications of Artificial Intelligence in Cybersecurity. EAI Endorsed Transactions on Creative Technologies, 8, e4. DOI: 10.4108/eai.23-11-2021.172218
Capuano, N., Fenza, G., Loia, V., & Stanzione, C. (2022). Explainable Artificial Intelligence in CyberSecurity: A Survey. IEEE Access, 10, 93575-93600. DOI: 10.1109/ACCESS.2022.3204171
Das, R., & Sandhane, R. (2021). Artificial Intelligence in Cyber Security. Journal of Physics: Conference Series, 1964. DOI: 10.1088/1742-6596/1964/4/042072
Donepudi, P. (2021). Crossing Point of Artificial Intelligence in Cybersecurity. AJTP, 2(3). DOI: 10.18034/ajtp.v2i3.493
Kshetri, N. (2021). Economics of Artificial Intelligence in Cybersecurity. IT Professional, 23, 73-77. DOI: 10.1109/MITP.2021.3100177
S. Lazzaro, V. De Angelis, A. Mandalari and F. Buccafurri, “Is Your Kettle Smarter Than a Hacker? A Scalable Tool for Assessing Replay Attack Vulnerabilities on Consumer IoT Devices,” in 2024 IEEE International Conference on Pervasive Computing and Communications (PerCom), Biarritz, France, 2024 pp. 114-124.
Sarker, I. H., Furhad, M. H., & Nowrozy, R. (2021). AI-Driven Cybersecurity: An Overview, Security Intelligence Modeling and Research Directions. SN Computer Science, 2. DOI: 10.1007/s42979-021-00557-0
Shehu, A., Umar, M., & Aliyu, A. (2023). Cyber Kill Chain Analysis Using Artificial Intelligence. Asian Journal of Research in Computer Science. DOI: 10.9734/ajrcos/2023/v16i3357
Verma, S., & Gupta, N. (2020). Application of Artificial Intelligence in Cybersecurity. In Advances in Communication Systems and Networks (pp. 65-72). Springer, Singapore. DOI: 10.1007/978-981-15-2043-3_9
Di Vaio, A. et al. 2020, Artificial intelligence and business models in the sustainable development goals perspective: A systematic literature review, Journal of Business Research, 121, 283-314
Liebowitz, J. Knowledge management and its link to artificial intelligence, Expert Systems with Applications. 20, 1-6
Hlupic et al, 2020, Towards an integrate approach to knowledge management: ‘hard’, ‘soft’ and ‘abstract’ issues, Knowledge and Process Management
Duan, J. et al, 2019, Artificial intelligence for decision making in the era of Big Data – evolution, challenges and research agenda, International Journal of Information Management, 48, 63-71
Meroni & Zan 2024, https://www.skilla.com/blog/intelligenza-artificiale-e-lavoro-prospettive-per-il-2024/
Bocken et al, 2014, A literature and practice review to develop sustainable business model archetypes, Journal of Cleaner Production, 65, 42-56