La Fondazione Mancante dell'AI Aziendale: Perché la Governance dei Contenuti Potrebbe Essere Più Importante del Prossimo Avanzamento dell'AI

      TL;DRRob Hanna di Precision Content afferma che l'IA aziendale non rende come dovrebbe perché le organizzazioni trattano il linguaggio come dati strutturati. Il vero collo di bottiglia è la documentazione non governata, e i team di pubblicazioni tecniche hanno già le competenze per risolverlo. Rob Hanna osserva che molte iniziative di IA aziendale potrebbero perdere slancio perché le organizzazioni continuano a trattare il linguaggio come dati strutturati, trascurando i sistemi che rendono la conoscenza affidabile. Il co-fondatore e CEO di Precision Content, una consulenza di comunicazione tecnica, afferma: “I team di pubblicazioni tecniche di lunga data possiedono già molte delle capacità necessarie per stabilire una catena di approvvigionamento di contenuti scalabile che supporti l'IA, anche se quei team non sono sempre inclusi nelle discussioni strategiche sull'IA.” Le conversazioni riguardanti l'IA aziendale spesso si concentrano su modelli sempre più sofisticati, infrastrutture in espansione e nuove capacità delle piattaforme. Hanna osserva un modello diverso emergere all'interno delle organizzazioni. “Ho visto i co-piloti IA produrre risposte inconsistenti, i programmi di ricerca aziendale faticare a soddisfare le aspettative e gli assistenti del servizio clienti fornire esperienze che lasciano gli utenti desiderosi di maggiore fiducia nelle informazioni che ricevono,” condivide. Dal suo punto di vista, questi risultati invitano a una discussione più ampia sulla qualità della conoscenza che supporta l'IA invece di concentrarsi esclusivamente sulla tecnologia stessa. Quella prospettiva può essere vista insieme a un ciclo tecnologico precedente. Durante l'ondata di chatbot che Hanna ha osservato tra il 2016 e il 2018, le aspettative sono aumentate rapidamente. Nel 2018, si prevedeva che il 25% delle operazioni di servizio clienti avrebbe integrato assistenti virtuali entro il 2020, riflettendo una fiducia diffusa nelle tecnologie conversazionali. “La tecnologia stessa mostrava notevoli promesse, ma molte organizzazioni hanno scoperto che la documentazione esistente non poteva supportare in modo coerente interazioni significative con i clienti,” afferma Hanna. Crede che il panorama dell'IA aziendale di oggi rispecchi molte di quelle lezioni precedenti perché l'ambiente di conoscenza sottostante è spesso cambiato molto più lentamente della tecnologia progettata per utilizzarlo. Diversi studi rafforzano questo modello più ampio. Un documento del 2019 ha notato che mentre sono stati sviluppati centinaia di migliaia di chatbot focalizzati su compiti, i dispiegamenti di successo al di là di scenari relativamente semplici si sono rivelati notevolmente più impegnativi di quanto molti avessero previsto. Uno studio del 2021 che esaminava 103 chatbot del mondo reale ha identificato allo stesso modo conoscenze obsolete, incomplete e mal mantenute come contributori ricorrenti alle difficoltà di implementazione. Secondo Hanna, questi risultati suggeriscono che le tecnologie conversazionali dipendono spesso tanto da materiali di origine fidati quanto dai progressi nel software. Crede che questa storia evidenzi anche una distinzione importante tra il semplice possesso di documentazione e il possesso di conoscenza utilizzabile. Hanna osserva che molte organizzazioni mantengono ampie collezioni di manuali, politiche, basi di conoscenza, materiali di formazione e risorse di supporto. Tuttavia, quegli asset possono esistere in sistemi disconnessi, seguire standard incoerenti o contenere versioni sovrapposte delle stesse informazioni. I sistemi di IA che attingono da quegli ambienti possono quindi ereditare l'incertezza che già esisteva all'interno dell'ecosistema di contenuti dell'organizzazione. “Le allucinazioni raramente iniziano all'interno del modello,” spiega Hanna. “Spesso iniziano molto prima, quando nessuno ha stabilito quale informazione rappresenti la fonte di verità fidata.” Un esempio dall'era precedente dei chatbot illustra questo principio. Hanna fa riferimento a un marchio alimentare il cui assistente virtuale stagionale ha avuto successo concentrandosi su un argomento definito in modo ristretto supportato da decenni di esperienza mantenuta con cura. Invece di tentare di rispondere a ogni possibile domanda, l'esperienza si è concentrata su indicazioni autorevoli per un bisogno specifico del cliente. Hanna riflette: “È notevolmente ironico che il chatbot di Butterball debba ancora essere considerato il gold standard per un'IA conversazionale di successo, quando così tante organizzazioni più grandi hanno investito e non hanno avuto successo. Questo dimostra come il successo inizi con una conoscenza attentamente governata che riflette una vera esperienza all'interno di un dominio chiaramente definito.” Questo porta Hanna a un'altra preoccupazione che sostiene meriti maggiore attenzione da parte dei dirigenti. Le iniziative di IA originano frequentemente all'interno di organizzazioni IT o team di data science la cui esperienza enfatizza set di dati strutturati, analisi e modelli computazionali. Sebbene quelle capacità rimangano essenziali, suggerisce che a volte incoraggiano le organizzazioni a trattare la conoscenza scritta come un altro esercizio di gestione dei dati. Hanna fa una distinzione tra i due. “I dati sono tipicamente organizzati in campi strutturati per il calcolo, mentre i contenuti consistono in linguaggio, documentazione, procedure, politiche e istruzioni progettate per comunicare significato,” spiega. Poiché i modelli di linguaggio di grandi dimensioni apprendono schemi dal linguaggio scritto, sottolinea che funzionano efficacemente quando le organizzazioni preparano contenuti in modi che riflettono come il linguaggio viene creato, governato e mantenuto. Precision Content ha costruito il suo lavoro attorno a quella filosofia aiutando le organizzazioni a trasformare la documentazione frammentata in contenuti strutturati e riutilizzabili che servono sia le persone che i sistemi di IA. Attraverso la scrittura strutturata, i metadati, i componenti di contenuto riutilizzabili, i framework di governance e le strategie di gestione dei contenuti dei componenti, l'azienda mira ad aiutare le imprese a stabilire una catena di approvvigionamento di contenuti affidabile in grado di supportare iniziative di IA in evoluzione. Hanna vede questo come un'opportunità per elevare le operazioni di contenuto da una funzione di pubblicazione a un elemento importante dell'infrastruttura della conoscenza aziendale. “Il contenuto merita la stessa disciplina che le organizzazioni già applicano allo sviluppo software e alla gestione dei dati,” afferma. “La conoscenza dovrebbe essere mantenuta come infrastruttura, affinché l'IA possa ottenere una base molto più solida.” Per Hanna, questa conversazione punta anche a una risorsa che molte organizzazioni già possiedono. I team di pubblicazioni tecniche gestiscono regolarmente il controllo delle versioni, la scrittura strutturata, la tassonomia, i metadati, i componenti riutilizzabili, i flussi di lavoro di revisione e la gestione del ciclo di vita dei contenuti. Quelle capacità, nota, si allineano con ciò che l'IA aziendale richiede sempre di più per recuperare informazioni affidabili su larga scala. Invece di cercare esclusivamente ulteriore tecnologia, Hanna sottolinea che le organizzazioni potrebbero iniziare riconoscendo l'esperienza già disponibile all'interno dei propri team di documentazione. Alla fine, Hanna incoraggia i team di leadership ad ampliare le domande che guidano le loro strategie mentre l'IA aziendale continua a maturare. Dice: “Dovremmo chiedere: Quale contenuto è autorevole? Chi possiede la conoscenza aziendale? Dove risiede la verità organizzativa? La documentazione può essere interpretata in modo coerente sia dalle persone che dall'IA? E i team di pubblicazioni tecniche partecipano alle conversazioni sulla strategia dell'IA fin dall'inizio?” Secondo Hanna, risposte ponderate a quelle domande possono contribuire tanto al successo a lungo termine dell'IA quanto ai continui progressi nei modelli stessi.