Le opportunità dell’IA in Europa stanno diventando sempre più chiare a livello aziendale, dove l’adozione dipende meno dal potere del modello astratto e più dalla risoluzione dei problemi pratici che decidono se l’IA può effettivamente essere utilizzata.
L’intelligenza artificiale aziendale sta entrando nelle parti più difficili
La versione semplice dell’AI aziendale è una demo. La versione difficile è tutto ciò che accade dopo il funzionamento della demo.
È qui che le aziende si imbattono in autorizzazioni, software legacy, dati incompleti, interfacce utente, requisiti di conformità, costi di integrazione, rischi per la sicurezza e flussi di lavoro che sembrano semplici dall’esterno ma sono pieni di eccezioni. Questo è anche il luogo in cui si stanno posizionando molte delle aziende di intelligenza artificiale più interessanti.
Su HumanX, uno dei segnali più chiari legati all’intelligenza artificiale aziendale è arrivato dalle aziende che si basavano su colli di bottiglia pratici piuttosto che su aspettative astratte. Per le aziende e i fondatori europei con cui Elena ha parlato, lo schema era chiaro: non stavano cercando di copiare i più grandi laboratori statunitensi. Stavano costruendo attorno a problemi aziendali specifici.
H Company focalizzata sugli agenti che utilizzano computer per flussi di lavoro legacy. Malt ha esaminato talento, autorizzazioni e supervisione umana. Neuralk AI si è concentrato su modelli di base tabulari per i dati aziendali. Twelve Labs si è concentrato sull’intelligenza video come livello mancante dell’intelligenza artificiale aziendale.
Insieme, indicano una versione più radicata del mercato dell’IA. La prossima ondata di imprese non sarà vinta solo dal modello generale più grande. La vinceranno le aziende che capiranno dove effettivamente il lavoro si blocca.
La mappa aziendale
Il problema del software legacy
L’azienda H ha offerto forse l’esempio più chiaro di questo approccio pratico.
La sua tesi è che gran parte del mondo aziendale utilizza ancora software che non è stato progettato per agenti, API o automazione pulita. Le aziende dispongono di sistemi obsoleti, strumenti disconnessi, processi manuali e flussi di lavoro che si estendono a Salesforce, SAP, e-mail, PDF, portali interni e interfacce specifiche del settore.
Gautier Cloix ha descritto il problema senza mezzi termini: l’umanità sta ancora lavorando su software legacy che non dispone di API e non dispone di dati puliti. La risposta tradizionale è stata la migrazione. Ma la migrazione è lenta, costosa e spesso superata nel momento in cui viene completata.
La risposta della H Company è l’uso del computer: agenti che gestiscono il software attraverso le stesse interfacce umane già utilizzate dai dipendenti. Cloix ha descritto i flussi di lavoro in cui un venditore, un agente del servizio clienti, un acquirente, un infermiere o un addetto al back office completa 40 passaggi attraverso cinque o 10 strumenti diversi. Invece di ricostruire tutti i sistemi sottostanti, l’agente impara a utilizzare l’interfaccia sopra di essi.
Ecco perché l’uso del computer è importante. Non è una ricerca affascinante. È il problema pratico di fare clic, digitare, scorrere, leggere schermate e spostarsi tra sistemi che non sono mai stati pensati per comunicare tra loro.
Nelle parole di Cloix, il profilo comune del cliente non è un settore specifico. Si tratta del fatto che un’azienda disponga di “uno stack software con più di cinque strumenti” e che almeno uno di questi strumenti sia privo di API.
Il recente rilascio di Holo3.1 rafforza questa direzione, con H Company che posiziona la famiglia modello attorno all’automazione del flusso di lavoro web, desktop, mobile e aziendale. Il segnale più ampio è che gli agenti che utilizzano il computer stanno diventando una categoria aziendale seria, non solo una demo di un modello che gestisce un browser.
Lo strato umano del lavoro degli agenti
Se H Company si concentra sull’interfaccia software, Malt si concentra sull’interfaccia umana e organizzativa.
Claire Lebarz, CTO di Malt, ha descritto l’azienda come la più grande piattaforma europea per esperti indipendenti e liberi professionisti. Ciò fornisce a Malt una visione specifica di come cambia il lavoro perché i liberi professionisti spesso reagiscono alle nuove tecnologie più velocemente di quanto facciano le grandi aziende.
Secondo Lebarz, il talento parlava già di agenti prima che la domanda fosse completamente raggiunta. Ora Malt sta registrando un aumento del 600% nella domanda di competenze di agente in soli tre o quattro mesi.
Ciò è importante perché l’adozione dell’IA aziendale non riguarda solo l’acquisto di strumenti. Si tratta di stabilire se le aziende dispongono di persone in grado di tradurre le complesse esigenze aziendali in flussi di lavoro, supervisionare gli agenti e adattare l’automazione al contesto aziendale.
La frase più interessante di Lebarz è stata “gli esseri umani sono al comando”. A suo avviso, il lavoro di domani coinvolgerà gli agenti che svolgono più compiti, ma gli esseri umani saranno ancora necessari al di sopra del processo: formazione, supervisione, orchestrazione e adattamento degli agenti agli ambienti aziendali reali.
Questa è un’utile correzione alla solita storia dell’automazione. La questione non è se gli agenti sostituiscano le persone in un semplice scambio uno a uno. La domanda è come viene impacchettato il lavoro: quali parti vanno agli agenti, quali parti necessitano di esperti e quali parti richiedono esseri umani che comprendano il contesto abbastanza bene da supervisionare più sistemi contemporaneamente.
La prospettiva di Malt mostra anche perché l’Europa potrebbe avere diverse opportunità di intelligenza artificiale. La regione ha una vasta clientela aziendale, mercati di talenti, consapevolezza normativa e un problema di transizione della forza lavoro che non può essere risolto solo con la pubblicità. Se il lavoro degli agenti necessita di fiducia, permessi, identità, valutazione e contesto, allora il livello umano diventa parte del prodotto.
I dati effettivamente utilizzati dalle aziende
Neuralk AI ha portato la conversazione su una delle forme di dati aziendali più comuni ma poco discusse: le tabelle.
La proposta dell’azienda è semplice e ambiziosa. Il suo fondatore descrisse Neuralk come se facesse per i dati tabulari ciò che i modelli di fondazione facevano per il testo. Invece di richiedere a ogni cliente di creare una pipeline di machine learning separata, l’azienda sta costruendo modelli di base in grado di effettuare previsioni da righe e colonne tramite un endpoint API.
Ciò è importante perché la maggior parte delle aziende non opera su testo pulito e su scala Internet. Funzionano su dati strutturati: clienti, transazioni, inventario, record finanziari, metriche operative, punteggi di rischio e storie interne. Queste tabelle sono spesso il fulcro del business, ma non sono dati che possono essere semplicemente recuperati dal web.
Il fondatore ha spiegato che i dati tabellari sono i dati fondamentali di ogni azienda, motivo per cui le aziende non li cederanno liberamente. L’approccio di Neuralk utilizza tabelle sintetiche durante l’addestramento in modo che il modello possa apprendere modelli statistici e quindi utilizzare campioni di contesto etichettati al momento dell’inferenza per fare previsioni sui dati del cliente.
Questo è un problema di intelligenza artificiale aziendale molto diverso dalla chat. Si tratta di inferenza statistica, previsione, qualità dei dati e implementazione senza chiedere a ogni azienda di mantenere l’intero meccanismo delle classiche operazioni di ML.
Se funziona, indica una tendenza aziendale: lo stack di intelligenza artificiale si sta avvicinando alle strutture dati da cui già dipendono le aziende.
Il livello video mancante
Twelve Labs ha aggiunto un altro livello mancante: il video.
L’azienda è partita dal presupposto che comprendere il video non è la stessa cosa che trascrivere il dialogo o rilevare oggetti nei fotogrammi. Il video richiede comprensione temporale, suono, dialogo, contesto della scena, movimento e la capacità di decidere cosa conta e cosa no.
Il suo modello Marengo alimenta la ricerca semantica tra video, immagini, audio e linguaggio. Pegasus è un modello di linguaggio video in grado di analizzare scene, riassumere video, generare metadati e supportare output strutturati.
Questo è importante perché le aziende già utilizzano enormi archivi video: studi cinematografici, leghe sportive, emittenti di notizie, società di produzione, organizzazioni del settore pubblico, team di sicurezza e fornitori di dati. Gran parte di questi video sono preziosi, ma difficili da cercare, curare, monetizzare o trasformare in flussi di lavoro.
La conversazione sui Dodici Laboratori ha anche collegato il video a una storia più ampia di intelligenza artificiale fisica. Un rappresentante ha descritto il video come fondamentale per la robotica e i sistemi automobilistici perché le macchine devono dare un senso al mondo reale. Hanno descritto l’ambizione di diventare una sorta di “corteccia visiva per le macchine”.
Questa frase aiuta a collegare l’azienda al tema più ampio di HumanX. L’intelligenza artificiale aziendale non è solo testo, codice o database. È anche visivo, temporale, multimodale e infine spaziale.
L’opportunità dell’Europa è la specificità
Il modello condiviso tra queste aziende è la specificità.
La H Company non sta cercando di costruire un chatbot universale. Sta cercando di utilizzare software legacy. Malt non parla solo di lavori legati all’intelligenza artificiale in astratto. Sta esaminando il modo in cui talento, agenti e supervisione vengono confezionati per le imprese. Neuralk non sta cercando di creare un altro modello linguistico generico. Si basa su dati tabulari. Twelve Labs non tratta i video come una caratteristica secondaria. Tratta la comprensione del video come uno strato fondamentale.
Questa specificità potrebbe rappresentare il luogo in cui l’Europa può competere. Il mercato dell’intelligenza artificiale aziendale non ha bisogno solo di modelli più grandi. Ha bisogno di aziende che comprendano i flussi di lavoro, i vincoli del settore, i dati sensibili, i mercati del lavoro e l’ultimo miglio tra capacità e adozione.
Questo è stato il segnale più interessante di HumanX. La storia dell’intelligenza artificiale europea non riguarda solo la capacità dell’Europa di produrre un laboratorio di frontiera in grado di rivaleggiare con gli Stati Uniti. Si tratta anche della capacità delle aziende europee di trasformare l’intelligenza artificiale in sistemi implementabili per il mondo operativo, disordinato e regolamentato in cui vivono effettivamente le imprese.
La risposta potrebbe provenire meno dallo spettacolo e più dai luoghi noiosi in cui si svolge realmente il lavoro: vecchi software, dati privati, flussi di lavoro di reclutamento, archivi video e gli esseri umani che supervisionano gli agenti dall’alto.
