Chiudere il divario di valore della Gen-AI

Trascrizione completa

Conor Doherty: Questo è Supply Chain Breakdown, e per i prossimi 30 minuti esamineremo il divario di valore della Gen-AI. Ora, mi chiamo Conor. Sono il Direttore della Comunicazione qui a Lokad, e alla mia destra, come sempre, il fondatore di Lokad, Joannes Vermorel.

Ora, per essere chiari, quando diciamo “divario di valore della Gen-AI” intendiamo, e cito, “la mancanza complessiva di dati chiari a supporto di un ritorno sull’investimento (ROI) positivo per molti progetti di AI aziendale.” Prima di addentrarci nell’argomento, commenta qui sotto quali supply chain problemi speri che GenAI risolva, e invia le tue domande il prima possibile. Joannes e io ne discuteremo tra circa 20 minuti. Andiamo avanti.

Joannes, l’ispirazione per questa conversazione è nata quando ho trovato alcuni sondaggi di grandi società di consulenza e di alcune istituzioni pubbliche che parlavano fondamentalmente del discutibile ritorno sull’investimento di questi progetti di AI di cui stiamo parlando. Per chi se lo fosse perso, un breve riassunto. Secondo BCG, ovvero il Boston Consulting Group, circa il 75% delle aziende non riesce a scalare o monetizzare i propri progetti di AI. Secondo McKinsey, circa l’80% non registra alcun impatto sull’EBIT. Secondo PwC, almeno la metà delle aziende non ha nemmeno effettuato controlli sui rischi dell’AI. E, secondo KPMG, circa uno su dieci dirigenti di grandi aziende da miliardi di dollari è, cito, fortemente convinto di poter mai vedere un ROI positivo per i loro progetti.

Io sento, e vi sollevo: Harvard, che ha affermato che tra lo 0,5% e il 3,5% delle ore lavorative utilizza effettivamente la Gen-AI, e ciò si traduce in un incremento della produttività di circa lo 0,5%. Il National Bureau of Economic Research nel 2025 ha dichiarato che i chatbot AI non hanno avuto un impatto significativo sui guadagni. E infine, secondo Reuters, oltre il 50% delle grandi organizzazioni non monitora nemmeno il ROI di questi progetti. Ora, Joannes, potrei continuare, sinceramente, per tutti i 30 minuti, ma mi rivolgo a te e dico: ti sorprende qualcuno di questi dati?

Joannes Vermorel: No. Sono esattamente gli stessi schemi che l’industria osserva con tutte le tecnologie trasformative. Vedi, il web di 25 anni fa era esattamente lo stesso. Se torni indietro di 45 anni, fu l’introduzione dell’informatica nelle aziende—la stessa cosa. Più recentemente, diciamo il cloud computing—ancora, la stessa cosa.

Quindi, in definitiva, quando si hanno tecnologie trasformative, è molto interessante. Molte aziende vedono la tecnologia, riconoscono correttamente che è massiccia, che è trasformativa, e fanno qualcosa—e poi fallisce miseramente. Questo accade ripetutamente.

Può sembrare che un insuccesso al 90% sia assolutamente terribile, ma in realtà il 10% che avrà successo cambierà per sempre il settore. Quindi, è possibile avere entrambe le cose contemporaneamente: qualcosa in cui il 90% fallisce e il restante 10% cambia l’industria. Se torniamo al web, la realtà è che quasi la totalità degli investimenti fatti per il web negli anni 2000 sono andati estremamente male, eppure eccoci qui 25 anni dopo, e il web è ovunque. L’e-commerce è estremamente massiccio; oltre l’80% delle persone trova il proprio partner online, ecc. L’impatto è assolutamente enorme. Video e film ora vengono venduti tramite il web—Netflix. L’impatto è enorme. Ma i portali web che erano di moda negli anni 2000? Sono spariti. Quella fu una delle tante cattive idee dell’epoca. E penso che la GenAI stia seguendo una traiettoria molto simile. Ci sono un sacco di soluzioni gadget che falliranno.

La mia opinione non è tanto che vediamo una mancanza di ritorni perché, ripeto, siamo alla fase iniziale delle tecnologie trasformative—non dobbiamo farci ingannare dalla mancanza di metriche. La questione è piuttosto la mancanza di sostanza: stai facendo qualcosa che ha davvero significato? In Lokad abbiamo più di una mezza dozzina di progetti, e in alcuni segmenti in cui utilizziamo queste tecnologie, hanno completamente rivoluzionato le nostre pratiche. Non torneremo indietro. C’era un mondo prima e un mondo dopo. È profondamente diverso—in meglio.

Conor Doherty: Va bene, non voglio certo travisare la questione. Alcune persone, me compreso, hanno sottolineato che c’è una spesa enorme. Di nuovo, Gartner—se ricordo bene—ha detto qualcosa come che per il 2025 si prevede una spesa di circa 644 miliardi di dollari per quest’anno. Ovviamente non tutti possono essere nel top 10%. Quindi, si tratta di una grande quantità di denaro e di una notevole ristrutturazione organizzativa intorno a questa tecnologia. Esistono parallelismi da tracciare, ad esempio, tra l’isteria dei tulipani in Olanda nel XVII secolo, la bolla dot-com, la crisi finanziaria globale? È un’isteria, o c’è della sostanza?

Joannes Vermorel: Le basi sono genuine. Voglio dire, chiunque passi 30 minuti a sperimentare con ChatGPT—lo stupore è semplicemente incredibile. Quegli LLM stanno facendo qualcosa di sbalorditivo. Lo stesso vale per la generazione di immagini; lo stesso per tutte quelle classi di tecnologie generative. Lo stupore è reale. C’è davvero qualcosa qui. Non stiamo parlando di pura speculazione; la tecnologia è reale.

Ora, possiamo discutere se la valutazione delle aziende che sono alla genesi di queste tecnologie sia giustificata. Questa è un’altra questione che dipende dal fatto se la tecnologia rimarrà limitata a un piccolo numero di aziende fornitrici, oppure diventerà ampiamente commoditizzata. Ma l’innovazione tecnica è reale.

Tuttavia, il problema è che molte aziende si avvicinano a queste tecnologie trasformative nel modo sbagliato. Riconoscono correttamente il potenziale, e poi allocano semplicemente un budget a tal fine. È stato lo stesso per il web: “Il web sta decollando—ok, lanciamo un progetto web da 50 milioni di dollari. Sarà un portale web, e raccoglieremo le idee di tutti e vedremo cosa funziona.” E indovinate un po’? All’epoca si trattava di denaro sprecato. La GenAI viene molto frequentemente affrontata nello stesso modo, e ora sarà denaro sprecato.

Il problema non è qualcosa che si risolve investendo semplicemente più denaro. Bisogna guardarsi dentro, nella propria azienda, e capire cosa deve cambiare per sfruttare queste tecnologie—che, in effetti, sono abbastanza economiche. Di nuovo, è stato lo stesso per il web: il web è economico; la GenAI è economica; l’adozione del cloud computing è economica. Se la usi su larga scala, sì, diventerà costosa. Ma quando vuoi iniziare, non c’è motivo di pensare che sfruttare la GenAI parta da milioni di dollari. Parte da 20 dollari al mese con un abbonamento a Google Gemini o a GPT.

Per me, il vero problema è che manca la sostanza, perché, molto spesso, le persone che si lanciano in queste iniziative non possiedono una vera empatia per il business. Manca loro empatia verso la propria azienda su come intendono usarla—un’empatia verso il caso d’uso: “Come farò a…”—che sarebbe empatia verso il cliente; e poi c’è la simpatia meccanica per comprendere il potenziale e i limiti della tecnologia, in modo che ciò che provi abbia una probabilità del 90% di avere successo. Voglio dire, in Lokad—siamo pochi—ma la mia serie di tentativi con la GenAI per vari progetti ha superato il 90% di successo, perché credo di avere una buona idea di quali cose abbiano buone possibilità di funzionare, e non provo nemmeno quelle in cui penso che non funzioneranno.

Conor Doherty: Ancora, questo è un punto chiave, perché ciò che hai appena detto—quando lo usi—sono cifre approssimative, una percentuale di successo di circa il 90%. Quando ho scritto a riguardo su LinkedIn, ho ricevuto molti feedback privati di persone che dicevano, “Sì, per me, a livello individuale, è trasformativo. Sono passato da un livello di prestazioni a un altro. Posso parallelizzare molti compiti differenti. La mia produttività individuale è schizzata alle stelle.” Quindi la domanda diventa: cosa manca? A livello individuale, le persone possono essere incredibilmente produttive, ma quando hai un’azienda, che è una raccolta di individui, improvvisamente, secondo una vasta gamma di fonti dati, quella produttività collassa completamente dall’interno.

Joannes Vermorel: Sì. Perché, ripeto, se avvii un progetto GenAI—per la stragrande maggioranza delle aziende—affrontare la tecnologia trasformativa concentrandoti esclusivamente su di essa è sbagliato. Devi pensare: cosa farò per i miei clienti che renderà la mia azienda migliore, più efficiente, che servirà meglio i miei clienti? E poi si scopre che cose che prima erano impossibili ora sono diventate possibili grazie alla GenAI. Non tutto; molte cose che erano impossibili continuano ad esserlo. Ma abbiamo una gamma di opzioni leggermente più ampia, ed è qui che risiede un’enorme opportunità.

Non puoi semplicemente allocare denaro alla GenAI e aspettarti che risulti qualcosa. È esattamente l’atteggiamento che le aziende avevano rispetto ai loro portali web 25 anni fa: “Oh, il web è fantastico—investiamo decine di milioni in qualcosa di web.” No. Ma se hai l’idea, “Aprirò un negozio di e-commerce,” allora molto bene, e lo esegui in modo brillante. È molto diverso dal dire, “Investo 10 milioni di dollari nel web,” o “Costruisco un negozio di e-commerce e un’esperienza e-commerce per la mia clientela.” È una proposta molto diversa.

Conor Doherty: Poi, ancora, questo ci riporta a un punto chiave. Se, beh, sto parafrasando—correggimi se sbaglio—sembra che tu abbia detto di non essere sorpreso dal fatto che non ci sia ancora un ROI elevato perché è troppo presto per dirlo. Ok, possiamo giocare con quell’ipotesi, ma devi comunque mostrare qualche impatto. Quindi, se non stai misurando il ritorno sull’investimento, quali sono, in generale, i segni che indicano che le persone stanno facendo le cose giuste o stanno ottenendo un buon impatto?

Joannes Vermorel: Se provi a utilizzare quelle tecnologie e non ti ritrovi in una posizione in cui dici, “Ok, il mondo in cui vivo oggi è radicalmente diverso da quello di prima,” allora ti sei perso il cambiamento. Per fare qualche esempio: qualche anno fa, abbiamo deciso di optare per la traduzione automatica. Il nostro sito web viene tradotto automaticamente; ormai lo è da anni. Siamo passati dalla gestione di più di una mezza dozzina di traduttori professionisti a zero, ed è completamente automatizzato. Ora, ogni volta che pubblichiamo una pagina in inglese, nel giro di poche ore avremo la pagina tradotta in più di sei lingue.

Vedi, prima e dopo sono mondi completamente diversi. In un caso, gestivamo un team—avevamo persino un’app per gestire il workflow di quei traduttori. Oggi è tutto completamente automatizzato. Un altro esempio: le RFP—Richieste di Proposta. Alcune aziende ci inviano centinaia di domande, e ora le rispondiamo automaticamente. Ancora, si tratta di situazioni in cui siamo passati da centinaia di domande a “dedichiamo 20 minuti per avere risposta a quelle stesse 400 domande,” per poi dedicare qualche ora alle più importanti per aggiungere il tocco umano e migliorare le risposte chiave.

Tieni presente che nelle RFP ci sono centinaia di domande molto banali come “Accetterete di sottoscrivere un NDA per i nostri dati?” e così via. Un’infinità di domande banali che devono essere risposte ma che non meritano necessariamente l’attenzione di un essere umano in questo processo. Quindi sto parlando di qualcosa in cui, con o senza GenAI, l’impatto non è dell'1%. No—è giorno e notte. L’impatto è assolutamente enorme. Il nuovo processo è completamente diverso dal precedente, ed è percepibilmente molto migliore, anche se non si può misurare con precisione.

Sarebbe molto difficile per un’azienda come Lokad dire qual è il ROI esatto dell’automatizzazione del problema estremamente noioso di rispondere alle RFP. Puoi misurare in ore lavorative quanto tempo ci impiegava prima—sì—ma ciò sottostimerebbe di gran lunga il caso, perché la realtà è che non hai necessariamente in squadra tante persone capaci di farlo, e le pochissime persone in grado lo trovano estremamente noioso. Non vogliono farlo; è una punizione per loro. Grazie a questo nuovo processo, puoi mantenere per più tempo le tue migliori risorse nel team di vendita. È estremamente difficile da valutare, ma l’impatto è enorme.

Conor Doherty: Ancora, questo è un ottimo punto perché ci porta al prossimo tema, ovvero: hai delineato molto bene le applicazioni di marketing, quelle amministrative. Quando parliamo in modo specifico del settore della supply chain e dell’ottimizzazione della supply chain, conosci casi d’uso specifici di GenAI che sono in produzione? Il motivo per cui lo chiedo è che uno studio IDC di quest’anno ha rilevato che l'88%—diciamo nove su dieci—dei progetti pilota di GenAI in questo settore, relativi ai processi di decision-making della supply chain, non raggiungono mai la produzione. Li definiscono come una zona morta dei proof-of-concept. Quindi, conosci casi d’uso specifici della supply chain che hanno effettivamente fatto il salto?

Joannes Vermorel: Sì. Ma la supply chain è molto quantitativa—almeno nel modo in cui lo fa Lokad. Si tratta di allocare le risorse. Vuoi allocare le tue risorse—inventario, capacità produttiva, capacità di trasporto, capacità di scaffale, ecc. Se investo 1$ in capacità in qualcosa—capacità di inventario, ecc.—qual è l’opzione che mi dà il ritorno più elevato una volta presi in considerazione tutti i possible futures, per ottenere una decisione ottimizzata con aggiustamento per il rischio?

Ora, questo è un problema ad alta valenza quantitativa, e qui gli LLM non sono adatti ad affrontarlo direttamente. Gli LLM possono avvicinarsi ad esso in modo indiretto, potenzialmente per aiutarti a generare la ricetta numerica che governa le tue decisioni—se le tue decisioni sono governate da una ricetta numerica. In Lokad questo vale per i clienti, ma per la maggior parte delle aziende non è così, quindi l’LLM è impotente.

Poi hai alcuni casi d’uso accessori—un complemento. Per esempio, la pulizia dei dati del catalogo: vuoi migliorare le etichette dei tuoi prodotti; vuoi arricchire il tuo catalogo con categorie che non esistevano. È il tipo di cosa in cui gli LLM possono davvero aiutarti, ma non risolvono il problema centrale della supply chain. Serve solo a renderti la vita molto più facile nella risoluzione di alcuni sottoproblemi della supply chain. Quindi è buono; è utile—molto utile—ma se inizi in prima linea dicendo, “Farò un progetto GenAI,” non risolverà i tuoi problemi di supply chain. Per quanto riguarda la supply chain, la GenAI è più come una tecnologia opzionale che, per i sottoproblemi, renderà la tua vita molto più semplice.

Conor Doherty: Ma ancora, aggiungiamo—“Oh, mi limiterò a collegare questo e andrà tutto bene”—contro, “Ecco dei sottosistemi utili.” Non sono eleganti quanto una trasformazione completa, ma aiutano.

Joannes Vermorel: Sì. E quando hai tecnologie trasformazionali, devi ripensare anche il tuo business. Pensa al web: hai un sito web, ma da solo è in qualche modo inutile. Quelli portali web erano per lo più inutili. Ciò che è, ad esempio, molto utile è avere l’e-commerce. Ma poi, nell’e-commerce, ciò significa che devi avere un centro di distribuzione in grado di eseguire il fulfillment. Quindi non si tratta solo della tecnologia web. Ti rendi conto che se vuoi guadagnare sul web, devi riorganizzare l’intera attività in modo da poter gestire questo segmento di e-commerce. È una trasformazione molto più impegnativa rispetto a semplicemente “investi e prendi un sito web.”

È qui che dico che quegli investimenti sono tipicamente fuorvianti, perché investono in portali web—and GenAI is the same—basandosi sulla tecnologia nuda anziché considerare la trasformazione aziendale che accompagna il tutto. L’investimento guidato dai buzzword non decolla mai, ed è stato così per gli ultimi, probabilmente, 50 anni di innovazione guidata dal software.

Conor Doherty: Ci sono segni sottili che le persone possono internamente riconoscere—tipo, ok, non posso ancora misurare il ROI, ma ci sono alcuni indizi che forse dovremmo rallentare un po’ le spese, o al contrario aumentare gli investimenti?

Joannes Vermorel: La realtà è: non considerarlo come un investimento. È troppo presto. L’investimento è un problema di allocazione del capitale una volta che conosco il terreno—una volta che so dove dovrei investire. Qui, ancora, si tratta di una tecnologia molto economica. La domanda è più: hai persone che hanno identificato qualcosa che avrebbe molto senso e che può essere prototipato—anche a livello di un singolo dipendente? Hai qualcosa che funziona, e poi dici, “Ok, ho questa cosa; ha davvero senso. Vedo che ha senso; risuona. Non ho nemmeno bisogno di metriche sofisticate—so che è buono.”

Pensa a quando sono passato dalla gestione di sei traduttori a una traduzione completamente automatizzata, end-to-end. Non ho fatto un case study. Era molto ovvio. Inoltre, abbiamo ottenuto traduzioni migliori. Potresti pensare, “Se si tratta di una macchina, andrà peggio.” Si è scoperto che era di qualità superiore. Perché? Perché Lokad ha tanto da tradurre che, al prezzo che stavamo negoziando, i nostri traduttori non potevano dedicare tempo infinito a ogni pagina. Doveva essere fatto rapidamente, e la qualità a volte ne risentiva. GenAI ha risolto questo problema.

Puoi iniziare a farlo su scala limitata: “Uso un cambiamento per tradurre—funziona? Posso fornire istruzioni contestuali extra per migliorare la traduzione?” Sì—and it works. Una volta validato, posso entrare nella fase di investimento in cui lo robotizzo—non per una pagina, quella è una demo, ma per mille pagine—e installare un’infrastruttura IT per renderlo conveniente. Quando mi sono impegnato nella robotizzazione dell’iniziativa, ero già convinto al 100% che avrebbe funzionato. Avevo già sottoposto il sistema a un test stressando manualmente alcune pagine.

È lo stesso con il web. Se fai un primo esperimento—ha davvero senso? E-commerce: se inizio a vendere qualche prodotto online, ha senso? C’è qualcuno disposto a farlo? Se non riesco a fare un primo esperimento in cui risuoni con ciò che sto cercando di offrire ai miei clienti, probabilmente è insensato e dovresti fermare il progetto prima di investire ulteriori soldi.

Conor Doherty: Stai descrivendo applicazioni basate principalmente sul testo, e queste sono certamente trasformative—we know that because we do that in-house. Ci sono anche altre applicazioni, anche nelle fasi iniziali delle previsioni, dove puoi impiegare GenAI—and we do that as well, using embeddings come parte delle previsioni iniziali, ecc. Ci sono applicazioni degli LLM in questo ambito.

Joannes Vermorel: Sì, ma ancora una volta, è un’aggiunta. La sostanza è fare previsioni probabilistiche, e se usi gli embeddings, puoi ottenere probabilità leggermente migliori in alcune circostanze. Ma questo è un elemento—e qui è molto incrementale. Credo che probabilmente non sia ciò che le persone cercano quando pensano a GenAI. Non stanno pensando a qualcosa che renda solo un sottoprocesso leggermente migliore. Vogliono qualcosa di super trasformativo e immediatamente visibile.

Hai situazioni simili. Ad esempio, puoi automatizzare il rapporto con i tuoi fornitori? Loro scrivono email; tu rispondi via email. Può essere ampiamente automatizzato? Non hai bisogno di un’azienda IT e di diversi milioni per capirlo. Puoi fare un primo esperimento: posso comporre un prompt che dia una risposta ragionevole a una domanda posta da un fornitore? Posso comporre un prompt che componga l’email che voglio inviare a questo fornitore? Funziona? Riuscirò ad avere il prototipo funzionante? Una volta ottenuto ciò, le aziende possono iniziare a pensare ad automatizzare grandi porzioni di ciò che fanno con questo tipo di tecnologia.

Conor Doherty: Questo argomento è così interessante perché ci sono molteplici sfaccettature. Abbiamo coperto le potenziali applicazioni, ma il vero processo di applicazione è un grande problema. Permettimi di aggiungere un po’ di contesto: molti—troppi per elencarli; li raggrupperò semplicemente come “molti studi” quest’anno—dice che c’è una mancanza di un robusto change management per questi progetti GenAI. Leggi tra le righe: stanno semplicemente venendo forzati in atto. Pensi che un migliore change management potrebbe contribuire ad aumentare i numeri in termini di ROI—formazione, sviluppo delle competenze?

Joannes Vermorel: Esattamente, era di questo che parlavo: allocazione del capitale. La buzzword potrebbe essere cloud computing, big data, blockchain, e ora è GenAI. “Investiamo così tanti milioni in questo.” Questo è semplicemente sbagliato. Poi ti chiedi sul change management—no. Inizia con “C’è qualcosa che ho capito su come posso servire meglio i miei clienti,” e comporta una trasformazione. Questa trasformazione diventa possibile alla fine solo perché c’è GenAI, ma tu la stai pensando in maniera completamente diversa.

Inizi concentrandoti sul definire il problema giusto. Il novanta per cento dello sforzo consiste nel definire il problema giusto, non nell’esecuzione tecnica. Tornando al web: il portale web pensava di creare un sito web e tecnologie web—quello era il problema. Si scopre che non è affatto così. Il web è semplice dal punto di vista tecnologico. Avere un sito web attivo è la parte facile. Avere un’attività di e-commerce redditizia è la parte difficile.

Quindi, primo esperimento: “Voglio un segmento di e-commerce molto prospero.” Forse capisci che la parte web di questo investimento non è realmente legata alle tecnologie web. Hai molti altri problemi che vuoi risolvere se vuoi un’attività di e-commerce sostenibile. Lo stesso vale per GenAI: se pensi prima alla tecnologia, investi in quella, ma per la trasformazione che cerchi, il 95% dello sforzo non avrà nulla a che fare con GenAI. GenAI sarà il componente che renderà possibile questa trasformazione complessiva; prima di ciò sarebbe stato impossibile. Rende qualcosa possibile, ma il resto della trasformazione è il tuo obiettivo. Questo è il punto di partenza. GenAI è semplicemente collegato al posto giusto—critico, ma fondamentalmente una formalità.

Conor Doherty: Beh, dal modo in cui lo stai descrivendo—non so, perché ora ti conosco bene. Non sono nemmeno sicuro che tu ci creda—no, lasciami riformulare. Quando dici che ciò che le grandi aziende devono fare è ripensare il problema, e poi, una volta ripensato il problema, possono lavorare a ritroso e identificare i nodi sulla mappa in cui poter inserire l’AI—quanto è probabile ciò, nella scala di cui parliamo, quando si tratta di mezzo trilione di dollari?

Joannes Vermorel: Sarà abbastanza raro. Per la storia, quante aziende 15 anni fa investivano massicciamente nei data center? Tanti. Chi ha avuto il coraggio di fare quello che ha fatto Jeff Bezos—“Investiamo così tanto nei nostri data center che li apriremo al mondo”? La gente avrebbe detto, “Amazon?” Pensa a quante banche avevano data center super-grandi; avrebbero potuto fare questa mossa dieci anni prima. Amazon non aveva i data center più grandi del mondo all’epoca. C’erano grandi corporazioni bancarie con data center molto più grandi. Ma il coraggio era questo: questa tecnologia emergente che abbiamo iniziato a chiamare cloud computing. Bezos decise, “Sai una cosa? Vendiamo libri, ma affittiamo anche server.” È questo il tipo di trasformazione di cui parlo.

Questo è molto impegnativo perché richiede una trasformazione molto profonda del tuo business. Statistiche dimostrano che, osservando l’ultimo secolo di attività, pochissime grandi aziende sono riuscite a farlo veramente. Ovviamente, moltissimi team di gestione brillanti riusciranno a essere gli outlier che sovraperformano il mercato e fanno il salto dove i loro pari hanno fallito. Ma saranno degli outlier.

Conor Doherty: Poi torniamo al punto originale riguardante essenzialmente una bolla. Se molte persone investono molti soldi in qualcosa in cui non sono attrezzate per affrontare o eseguire correttamente, non significa che a un certo punto si raggiungerà una massa critica e—

Joannes Vermorel: Una bolla è se fosse davvero eccezionale. Quello che vedo in GenAI è che abbiamo valutazioni molto alte per una serie di aziende—potrebbe trattarsi di una bolla, sì. Ma per le aziende che spendono soldi, secondo me la base è che probabilmente l'80% dei soldi spesi in enterprise software è sprecato. Questa è la base. Forse in GenAI è il 90%, ma la base è che l'80% è sprecato.

Quindi, per me, non c’è una bolla molto specifica in GenAI. È più come la buzzword del giorno. Qualche anno fa si parlava di blockchain; prima ancora, di qualche iniziativa casuale sul big data; prima ancora, di qualche iniziativa random legata al Web 2.0, ecc. Gran parte dei soldi spesi dalle grandi aziende sui progetti software è sprecata—l'80% sarebbe la mia base. Qui non è molto fuori dalla norma; è solo un po’ superiore. Non vedrei una bolla così significativa su questo fronte rispetto alle valutazioni davvero sorprendenti che hai per le aziende GenAI, in senso lato.

Conor Doherty: C’è un’altra dimensione in questa considerazione, tuttavia, ovvero: molte aziende—prendiamo una, non uno dei nostri clienti—Shopify, e loro che introducono competenze GenAI come requisito effettivo per l’assunzione e per scopi di valutazione perché stanno puntando tutto su questa tecnologia. C’è un’altra considerazione, ovvero l’effetto reale della ristrutturazione dell’occupazione di questa tecnologia, che a breve termine potrebbe in realtà risultare inutile.

Joannes Vermorel: Ancora una volta, ecco dove metterei in discussione questo aspetto. La mia opinione è che Shopify abbia un modello di business molto specifico che non è eccessivamente complesso. Se parliamo dei nostri clienti—l’aviazione, per esempio—ci sono mille mestieri diversi, super arcani, estremamente difficili. Ci vogliono mesi per capire esattamente cosa sta succedendo in questo segmento del business perché è tecnicamente molto impegnativo e complicato.

Conor Doherty: Ma sono solo un esempio della tendenza.

Joannes Vermorel: Sì, e il mio punto è che per qualcosa come Shopify—sì, è molto positivo se la cultura aziendale si sta orientando verso queste tendenze emergenti—ma penso che la responsabilità principale cadrà sulle spalle del top management nell’identificare le cose chiave in cui GenAI trasformerà veramente l’esperienza per i clienti e i partner di Shopify. Non vedo questo business come così diffuso da rappresentare una trasformazione dal basso verso l’alto.

Direi lo stesso per Apple. Quando hai un business super-massiccio costruito attorno a un prodotto iper-di successo—l’iPhone—non è davvero l’avere 100.000 dipendenti familiari con GPT a trasformare la tua azienda. È più la leadership, in cima, che comprende molto chiaramente cosa significa per Apple, per l’iPhone, e poi lancia qualcosa che ha veramente senso—facendo le scelte giuste. È lì che direi, sì, c’è uno shift culturale, ma la sfida per la maggior parte delle aziende risiederà nella gestione piuttosto che sul fondo della piramide.

Conor Doherty: Voglio approfondire un po’ e porti una domanda—perché è qualcosa che mi è stato mandato privatamente su LinkedIn. Siamo su YouTube in questo momento a causa di difficoltà tecniche con LinkedIn, ma questo dà adito alla prossima domanda. Gartner—qualunque cosa tu pensi—a seguito della loro Top 10 Strategic Technology Trends del 2025, che è la fonte, hanno messo l’agentic AI—agenti software autonomi che agiscono come lavoratori virtuali—in cima alla loro lista. Quindi la domanda è: chatbot, agenti AI—vedi questi come il fattore di cambiamento che Gartner—

Joannes Vermorel: Quello che Lokad ha fatto per un decennio—sì, è assolutamente rivoluzionario. Ma metterei da parte i buzzword. Quello che vogliamo è un decision-making non supervisionato. Questo è rivoluzionario. Poi quali sono le tecnologie per rendere ciò possibile? Direi che gli LLM sono una piccola parte opzionale per farlo accadere.

Se con “agentic AI” intendi il risultato—il decision-making non supervisionato—così decidiamo cosa acquistare, cosa costruire, dove stoccare, il prezzo che mostriamo; tutto questo cambia quotidianamente, automaticamente, in modo non supervisionato—sì, è assolutamente enorme. Quindi se Gartner con “agentic AI” intende questo risultato, allora sono d’accordo. Se invece con “agentic AI” intendono mettere un LLM all’interno del processo, allora non sono d’accordo.

Conor Doherty: Ho finito le mie domande. Passerò alle domande che ci sono state sottoposte. Alcune di queste sono arrivate tramite LinkedIn, anche se in realtà siamo su YouTube, quindi grazie per questo—grazie per aver effettuato la transizione. Quindi, Joannes—sì, Joannes—leggerò questo alla lettera; è piuttosto lungo: “Quali metriche pubblicamente disponibili possiamo utilizzare per misurare il progresso a livello industriale nell’adozione della generative AI e nell’estrazione di valore finanziario da essa? Dovremmo guardare alla spesa API per GenAI, ai licenziamenti su larga scala, o ad altri segnali?” Posso ripeterlo.

Joannes Vermorel: No, va bene. È una lunga domanda. Il mio suggerimento è: non basarti sulle metriche. Le metriche saranno in ritardo, e quando saranno visibili, sarà troppo tardi. Ancora, pensa ad Amazon con l’e-commerce. Amazon era nulla, nulla, nulla—era insignificante per aziende come Walmart—finché improvvisamente non è diventata inarrestabile e troppo grande. Lo stesso è successo per le fotocamere digitali rispetto alle vecchie fotocamere chimiche: le fotocamere digitali erano nulle per molto tempo, e poi sono diventate improvvisamente dominanti. Questo è ciò che accade con la maggior parte delle trasformazioni tecnologiche.

La stessa cosa è accaduta in molte industrie—per esempio, il fly-by-wire per aviazione. Non era nulla, e poi l’Airbus l’ha fatto, e poi è diventata la norma, e tutto ciò che non era fly-by-wire era praticamente spacciato. Il problema è che le metriche saranno in ritardo. Sì, vedrai dei licenziamenti, ma quei licenziamenti avverranno anni dopo. Le aziende possono automatizzare e ottenere enormi risparmi in produttività, ma non innescheranno necessariamente licenziamenti immediatamente—vogliono preservare il morale, essere gentili, dare alle persone l’opportunità di spostarsi altrove—e poi ci sarà una recessione economica, possibilmente un decennio dopo, e allora ci saranno licenziamenti. Quindi, gli effetti possono essere estremamente ritardati.

Per la spesa in API—sì, ma sarà molto difficile perché avrai specialisti di IA o aziende come Lokad che possono distorcere completamente il mercato a causa degli ingenti investimenti. Quando vedi che molte persone stanno spendendo denaro, si tratta della tua azienda media o il 90% della spesa è fatto da aziende molto specifiche—diciamo, l’industria dei videogiochi? Sarà difficile.

La mia opinione: non dare troppa importanza alle metriche. Sono irrilevanti in casi di trasformazione tecnologica. Sei tornato al 2000; non hai mai fatto acquisti online; prova a proiettarti: “Cambierà la vita dei miei clienti se potranno acquistare online?” Questo è un esempio di qualcosa di trasformativo. Pensa: posso fare qualcosa di veramente trasformativo per i miei clienti con quelle tecnologie? Se sì, allora fallo. Non aspettare. Se aspetti, ti troverai a dover affrontare giganti che sono apparsi dal nulla quando finalmente deciderai di intraprendere questa direzione.

Conor Doherty: Forse questo è qualcosa—basato su quanto hai detto—ovviamente Lokad adotta una prospettiva ROI-first quando si tratta di decisioni. Quindi, ai CFO che ci stanno guardando—e sappiamo entrambi che ce ne sono molti nelle nostre reti—ai CFO che stanno seguendo e che ci hanno contattato privatamente per dire, “Sì, sai…” di tanto in tanto: qual è il ritorno, in qualunque modo lo si voglia esprimere? Qual è il ritorno? Qual è l’impatto? Che consiglio daresti a loro in particolare—ai CFO—in merito alla gestione di questi progetti e al loro ruolo in tutto questo?

Joannes Vermorel: Per i CFO, la domanda chiave è: qual è il valore aggiunto della tua forza lavoro impiegatizia? Se dobbiamo effettuare una valutazione seria, allora bisogna porre domande molto difficili e magari usare ChatGPT per riflettere: questa cosa verrà automatizzata, o è davvero al di là di ciò che la tecnologia può fare? Non hai bisogno di consulenti costosi, di aziende IT costose, per rispondere a queste domande. Puoi usare GPT e fare piccoli esperimenti per trovare una risposta.

Facendo così, puoi cogliere l’essenza del messaggio: pensiamo che quelle tecnologie automatizzino il 10% della nostra forza lavoro, il 20% o il 90%? Per Lokad esistono intere classi di compiti che sono stati automatizzati al 100%—si passa da una mezza dozzina di persone coinvolte a zero—per quel compito.

Quindi direi: inizia a costruire una valutazione approfondita della tua forza lavoro impiegatizia e di ciò che è esattamente in gioco, e poi definisci una traiettoria. Ovviamente, questo serve solo per valutare il tipo di ritorno sull’investimento, ma implica una trasformazione molto profonda. Non sarà guidata dai CFO. Queste trasformazioni sono così profonde. Ripensa ad Amazon: sei un rivenditore di libri online e vuoi diventare un fornitore di cloud computing. È ovvio che le decisioni saranno prese ai massimi livelli—probabilmente a livello di CEO; il CEO dovrà convincere il consiglio, considerando la portata delle trasformazioni di cui stiamo parlando.

Conor Doherty: Bene, Joannes, siamo a corto di domande e decisamente a corto di tempo. Alle persone che hanno partecipato su YouTube, e a coloro che guarderanno questo in seguito, grazie per l’attenzione. A proposito, se non sei già connesso con Joannes e me su LinkedIn—perché no? Siamo simpatici. Mettiti in contatto; ne parleremo. Ma con questo, Joannes, ti ringrazio moltissimo per esserti unito a me e per le tue risposte. E a tutti gli altri, dico: tornate al lavoro.