Negli ultimi dodici mesi, l’intelligenza artificiale ha catalizzato l’attenzione dei leader aziendali, spingendoli ad aumentare gli investimenti nelle società di intelligenza artificiale o ad accelerare l’introduzione dei propri prodotti per rimanere competitivi. Tuttavia, mentre molte organizzazioni si affrettano ad abbracciare questa nuova era di progresso tecnologico, c’è un aspetto critico che spesso viene trascurato: il debito tecnico.
Il concetto di debito tecnico non è nuovo, ma la tecnologia dell’intelligenza artificiale presenta sfumature uniche di questo problema rispetto ai normali servizi software. E con l’intelligenza artificiale che continua a migliorare rapidamente, questa questione assume un’importanza crescente.
In termini semplici, il debito tecnico rappresenta l’accumulo di codice di bassa qualità durante lo sviluppo del software. Questo solitamente avviene per soddisfare scadenze di mercato stringenti o per ottenere feedback dai clienti più velocemente. Quando si parla di debito tecnico, è fondamentale comprendere che spesso è una scelta intenzionale, poiché i responsabili sono consapevoli dei rischi associati a scorciatoie prese per accelerare i tempi. L’introduzione dell’intelligenza artificiale ha portato con sé una sfida unica in merito al debito tecnico, insieme a rischi e conseguenze significative.
A mano a mano che i sistemi di intelligenza artificiale invecchiano e i dati di addestramento diventano obsoleti, il costo dell’investimento in intelligenza artificiale supera il tempo e gli sforzi necessari per mantenere dati di addestramento di alta qualità, noti come igiene dei dati.
Esaminiamo come si accumula il debito tecnico, quali impatti comporta sui profitti e come le organizzazioni possono affrontarlo.
Il debito tecnico può accumularsi in due modi. Uno è attraverso il semplice accumulo di codice difettoso. Le organizzazioni possono acquisire prodotti o ereditare soluzioni attraverso fusioni e acquisizioni, solo per scoprire problemi di qualità e una lenta innovazione. L’altro modo è quando i leader scelgono deliberatamente di assumersi un debito tecnico.
Quando si tratta di intelligenza artificiale, oltre il 72% dei leader aziendali desidera adottare l’intelligenza artificiale per migliorare la produttività dei dipendenti. Tuttavia, la principale preoccupazione riguardo all’implementazione dell’intelligenza artificiale è la qualità e il controllo dei dati. È controproducente utilizzare un prodotto per aumentare la produttività mentre si trascura il lavoro cruciale per affrontare i problemi di qualità causati dal debito tecnico, poiché ciò potrebbe alla fine mettere a repentaglio la produttività stessa. Ma l’attrattiva di un potenziale ritorno in termini di aumento della produttività supera spesso questi ostacoli a breve termine, che in ultima analisi avranno ripercussioni negative a lungo termine.
Con l’incremento degli investimenti nell’intelligenza artificiale, molte organizzazioni hanno accelerato le loro strategie di entrata sul mercato per capitalizzare sull’opportunità dell’intelligenza artificiale generativa. Sebbene questo possa portare a un aumento delle entrate a breve termine, spesso si trascurano le conseguenze che potrebbero equivalere a un considerevole debito tecnico nel lungo termine, noto come deriva del modello.
La deriva del modello si verifica quando le prestazioni di un sistema di intelligenza artificiale iniziano a deteriorarsi e i risultati diventano meno accurati a causa dell’invecchiamento dei dati di addestramento. Nel ciclo di vita dell’intelligenza artificiale, è evidente che i dati di addestramento devono essere costantemente aggiornati per garantire risposte accurate. Ecco dove inizia la sfida. Spesso, quando si cercano soluzioni rapide, i decision maker tendono a sottovalutare l’importanza di ottenere dati aggiuntivi per la formazione, di mantenere l’igiene dei dati del sistema e di disporre di risorse sufficienti per sostenere queste attività.
Man mano che i dati di addestramento invecchiano e il divario tra realtà e risultati si allarga, le organizzazioni devono affrontare costi crescenti e tempi più lunghi per colmare queste lacune. Saltare questo passaggio può sembrare un risparmio di tempo, ma inevitabilmente comporterà costi maggiori in diversi modi a lungo termine.
Il debito tecnico può avere un impatto profondo sull’efficienza organizzativa, influenzando, ad esempio, i team di vendita. Man mano che il debito tecnico cresce e il ritmo di innovazione rallenta, i rappresentanti di vendita trovano sempre più difficile attirare clienti, riducendo le chiusure e, di conseguenza, le entrate.
Oltre alle vendite, il debito tecnico colpisce anche i team di sviluppo. Non solo richiede più tempo per l’aggiornamento del codice, ma distrae anche dall’innovazione. Spostando l’attenzione e il tempo sulla manutenzione, la tabella di marcia del prodotto viene ritardata o persino abbandonata, creando tensioni tra il lato tecnico e commerciale dell’azienda. Senza una roadmap chiara del prodotto, i team di vendita si trovano a fare promesse non mantenute o a mostrare poco ai potenziali clienti, influenzando negativamente le entrate.
Man mano che la prevedibilità dei risultati diminuisce, le organizzazioni iniziano a vedere il declino delle efficienze organizzative, portando a discussioni su come affrontare le sfide. Ci sono due modi principali per affrontare il debito tecnico. Il primo è eliminare completamente la piattaforma e il codice e ricostruirli da zero, oppure apportare piccole modifiche incrementalmente, simili a una ristrutturazione lenta di una stanza un pezzo alla volta.
La prima opzione, la ricostruzione completa, comporta rischi enormi e costi significativi. Simile a una ristrutturazione su larga scala, eventuali ritardi possono compromettere i tempi di sviluppo del prodotto e mettere a repentaglio l’intero sforzo. Tuttavia, in alcuni casi, può essere la scelta giusta. Prendiamo ad esempio LinkedIn, che ha riorganizzato completamente il suo sito dopo l’IPO del 2011 ed è ora un attore importante nel mercato.
La seconda opzione, apportare piccole modifiche incrementali, è meno rischiosa e può rappresentare una scelta più sagace. Coinvolgendo gli sviluppatori nella gestione continua dei dati, è possibile modellare i sistemi per eliminare gradualmente il debito tecnico. Questo approccio ha il vantaggio di sviluppare le competenze dei team tecnici, mantenendoli aggiornati su codici e standard tecnologici recenti, preparando così l’organizzazione al successo tecnico e riducendo le lacune nelle competenze. Implementare un’iniziativa guidata dai tecnici, che dedica il 20% del tempo alla pianificazione degli aggiornamenti del prodotto, è un buon punto di partenza. Anche se più lento del rinnovamento completo, è meno rischioso e continua comunque a creare valore per il modello di business.
Mentre il campo dell’intelligenza artificiale continua a evolversi rapidamente, è importante che le organizzazioni considerino il quadro generale e non si limitino a cercare soluzioni rapide. Investire nell’intelligenza artificiale non deve necessariamente essere costoso e travolgente, e con alcuni piccoli cambiamenti nella pianificazione e nella strategia di entrata sul mercato, è possibile evitare il pericolo del debito tecnico che minerebbe il successo a lungo termine.