AI: 4 casi di implicazioni organizzative legate all’implementazione dell’intelligenza artificiale

Introduzione

Nel corso del nostro viaggio nell’analisi di quali siano le influenze e le implicazioni organizzative dell’implementazione dell’intelligenza artificiale nelle organizzazioni, descriviamo nel seguito 4 differenti casi di sviluppo delle competenze sull’intelligenza artificiale.

In particolare, le quattro aziende considerate adottano metodologie diverse tra di loro, a dimostrazione del fatto che non esiste una one-best-way volta a risolvere questa sfida organizzativa in maniera assoluta.

1.  Accenture

Il primo caso riguarda la multinazionale di consulenza strategica e direzionale Accenture^[1]. Quest’ultima ha creato una partnership strategica con il Berkeley Institute for Data Science, al fine di creare opportunità di collaborazione tra ricercatori, studenti e dipendenti dell’azienda. In questa maniera si cerca di effettuare nuove scoperte nel campo dell’intelligenza artificiale e di individuare nuovi metodi di applicazione della stessa a livello organizzativo. Inoltre, sirafforza l’intero ecosistema fondato su questa tecnologia e si formano nuovi talenti esperti in data science, che poi potranno essere assunti da Accenture stessa.

Nello specifico, il programma di questa partnership prevede, tra gli altri, i seguenti punti^[2]:

• Ricerche sinergiche in campo medico volte a creare microscopi dotati di intelligenza artificiale, in grado di processare le immagini di alcune malattie e di effettuare uno screening del cancro della cervice;
• Sviluppo di nuove soluzioni in ambito medico basate sulla visione artificiale e sulle reti neurali;
• Formazione di linee guida sull’etica dell’intelligenza artificiale, al fine di evitare la presenza di bias epregiudizi discriminatori, e la violazione della privacy

tali innovazioni si inseriscono perfettamente nella filosofia aziendale di Accenture, che ha come obiettivo quello di combinare la tecnologia e l’ingegno umano per migliorare la comunità sociale in cui è inserita.

Gli aspetti della collaborazione precedentemente descritti rientrano anche nei principali valori aziendali inseriti nel codice etico di Accenture^[3]. In particolare, le prime due innovazioni sono riconducibili al valore definito come “Crea valore per i nostri clienti”, perché sono volte a migliorare la ricerca in ambito medico. L’ultima innovazione invece può rientrare in due diversi valori aziendali, ossia quello legato alla protezione delle persone e delle loro informazioni e quello relativo alla conduzione delle attività aziendali in maniera responsabile.

2.  Levi Strauss & Co

Il secondo caso riguarda Levi Strauss & Co, ossia una delle più importanti aziende di abbigliamento a livello mondiale. Quest’ultima, a partire dal 2020, ha adottato un doppio approccio per sviluppare le competenze sull’intelligenza artificiale^[4]:

• ha assunto specialisti dall’esterno per rinforzare la forza lavoro; dall’altra
• ha dato luogo ad una serie di interventi di formazione e di riqualificazione indirizzati ai dipendenti già presenti in azienda.

Nello specifico, la seconda attività coinvolge tutti i lavoratori, in modo tale da sviluppare competenze a tutti i livelli organizzativi e da raggiungere così la già citata “democratizzazione” dell’intelligenza artificiale^[5]. Questa iniziativa presenta un’offerta formativa interna che prevede le seguenti attività: corsi sull’intelligenza artificiale per i pianificatori commerciali, attività pratiche di programmazione e altri insegnamenti sul design thinking e il product management.

Tra le varie proposte, quella più significativa è rappresentata dal Machine Learning Bootcamp, ossia un programmadalla durata di 8 settimane, che permette ai dipendenti di imparare ad utilizzare il linguaggio di programmazione Python, il machine learning e le reti neurali.

Secondo il capo globale della divisione dati, analytics e intelligenza artificiale dell’azienda americana, tramitequesto metodo, vi è la possibilità di diffondere le competenze necessarie in tutte le aree dell’organizzazione. Soltanto così, infatti, è possibile conseguire la vision organizzativa che prevede di diventare la miglior azienda di abbigliamento digitale a livello mondiale.

Una volta terminato il percorso all’interno del Bootcamp, alcuni partecipanti tornano alla loro normale attività, anche se con la possibilità di sfruttare le competenze acquisite per generare nuove idee e formulare prospettive di sviluppo innovative. Altri invece, entrano a far parte del Team Strategia e Intelligenza Artificiale.

3.  Microsoft

Pensando alla trasformazione digitale completa, si può immaginare la ridefinizione dell’intera organizzazione con l’AI come un percorso diviso in tre diversi step.

Il settore core da cui iniziare la trasformazione è rappresentato dai dipartimenti tecnici. Solo successivamente tocca alle business units, sia quelle orizzontali (vendite, marketing, finanza, risorse umane) sia le business units verticali specifiche all’industria. Mentre l’ultimo passo del processo, in cui comunque ogni step è interconnesso e necessario agli altri, è rappresentato dal coinvolgimento dei dipendenti dell’organizzazione, intesi sia come personale impiegato durante la fase di produzione del prodotto o servizio (il personale back office) sia come personale direttamente impiegato nella fase di vendita e di customer engagement (personale front-line)[6].

3.1.  La trasformazione dei dipartimenti tecnici

Come primo step, la trasformazione dei dipartimenti tecnici si occupa del portfolio di applicazioni dell’organizzazione. I due principali tipi di applications richiedono due approcci differenti. I due tipi di applicazioni sono ottimizzati per obiettivi diversi e richiedono processi e velocità differenti per evolvere:

• Systems of record (SoRs): applicazioni riguardanti gli aspetti core del business, solitamente stabili nel tempo e finalizzati sull’efficacia e l’ottimizzazione dei processi. I SoRs come il Customer Relationship Management, l’Enterprise Resource Planning e il Supply Chain Management sono spesso in outsourcing o hanno una struttura complessa, ma forniscono una base stabile all’organizzazione; in altri casi vengono considerati come aspetto core del business e vengono strutturate e gestite all’interno;
• Systems of engagement (SoEs): applicazioni che rappresentano le principali interfacce del business, in continua evoluzione e finalizzate all’engagement dei lavoratori e consumatori[7]. I SoEs sono spesso una combinazione di soluzioni interne, out-of-the-box e in outsourcing, e tendono a strutturarsi in modo più dinamico e naturalmente proiettato ad una continua evoluzione (Moore, 2014). Sono spesso software basati su micro-app, come social media, piattaforme email, mobile apps e content management systems.

Poiché l’AI non è una disciplina matura, essa richiede continue sperimentazioni, attraverso processi iterativi basati su tentativi e possibili errori, imparando con il tempo come ottimizzare il processo: cercare di inserire l’AI nei SoRs può quindi portare a gravi errori. Concentrarsi sui RoEs può invece risultare il percorso giusto, attraverso l’aggiunta dell’AI alle attuali applicazioni, rendendole maggiormente produttive e coinvolgenti, o sviluppando nuove applicazioni interamente basate sull’AI[8].

Le applicazioni che fanno parte dei RoEs hanno due obiettivi primari. Per quelle dedicate ai consumatori, gli indicatori chiave sono spesso legati all’engagement: numero di utilizzatori attivi, tempo trascorso sul sistema, tassi di conversione; per quelle dedicate ai dipendenti, le metriche utilizzate sono invece più spesso legate alla produttività: tempo risparmiato, numero di task eseguite, numero di task in corso.

Un punto d’inizio sono solitamente le application con il maggiore impatto per l’organizzazione: per Uber e Netflix l’app mobile, per Amazon Shopping il negozio online, o per le organizzazioni con un minor rapporto con i consumatori, le app più usate dai dipendenti[9].

L’AI può rendere le applicazioni più coinvolgenti e personalizzate; la funzione maggiormente utilizzata negli ultimi anni a riguardo è sicuramente la capacità di recommender systems: attualmente circa il 75% dei contenuti visualizzati su Netflix sono guidati attraverso il suo studiato e famoso recommender system, e il 35% dei prodotti acquistati dai consumatori su Amazon viene proposto attraverso raccomandazioni di prodotti basate su algoritmi di questo tipo[10].

Il funzionamento di questo sistema si basa sulle preferenze e sugli acquisti di consumatori profilati come simili, in base ai dati storici raccolti. Le preferenze possono essere esplicite, come le recensioni, classifiche o “mi piace”, o basate su indicatori indiretti; richiedono però un database molto ampio per rendere l’algoritmo consistente ed efficace per ogni consumatore.

Le interfacce utente conversazionali (quali chat-bot, omni-bots e omni-channel bots) utilizzate per il sistema appena citato hanno un grande impatto sulla trasformazione dei dipartimenti tecnici, e per questo sono spesso scelte come primo passo delle organizzazioni nella loro trasformazione in AI company. Tuttavia, questi sistemi sono molto complessi e per raggiungere

un risultato di valore è necessaria una grande quantità di dati e tecnologia AI, in modo da raggiungere le aspettative degli utilizzatori[11].

Un altro modo comune di aumentare l’engagement è rappresentato dalle opzioni di personalizzazione: attraverso processi di test e di ottimizzazione, si può arrivare al punto da personalizzare l’interfaccia del sistema in modo individuale, presentando leggere differenze per ogni utente, basate sui comportamenti e le interazioni passate (Mauro, 2020).

Anche la realtà aumentata può utilizzare l’AI come combinazione di tecnologie finalizzate a rendere l’esperienza per l’utente più dinamica e personalizzata (Biron & Lang, 2020). In altre situazioni l’obiettivo può essere quello di ridurre il tempo trascorso sul SoEs, specialmente in casi di applications molto utilizzate dai dipendenti, la cui ottimizzazione potrebbe significare un notevole risparmio di costi e aumento di produttività (Carmona, 2019). Tecniche di AI quali la computer vision e l’optical character recognition (OCR) possono in molti casi snellire in modo rilevante i processi[12].

Dopo questo primo step, le organizzazioni possono e devono cercare di portare l’AI nelle business units, affinché ogni processo aziendale possa essere coinvolto nella strategia AI.

3.2.  Le business units

Per massimizzare i risultati dell’applicazione dell’AI bisogna quindi essere consapevoli di applicarla con la giusta modalità a seconda del contesto di processo specifico. Per categorizzare i processi aziendali, possiamo osservare come ogni organizzazione deve bilanciare quattro diverse aree[13]:

• Incubation: quest’area è incentrata sulla valutazione di diverse opportunità derivanti dalle nuove tecnologie per identificare possibili blue oceans per innovare il business model[14];
• Transformation: il focus è qui incentrato sullo scalare una particolare opportunità disruptive, capace cioè di creare un nuovo mercato, identificata nell’area di incubation;
• Performance: quest’area è concentrata nel massimizzare le fonti primarie di ricavi dell’organizzazione;
• Productivity: l’area della produttività avrà come focus primario lo sviluppo di programmi e sistemi a supporto dell’area di performance.

Questo modello è un punto di partenza ideale per capire sia la struttura sia le diverse caratteristiche e obiettivi di un’organizzazione; è inoltre fondamentale per classificare e identificare i potenziali casi di utilizzo della AI, massimizzandone i rendimenti sulla base del loro legame con l’area associata. Quindi, proseguendo sull’esigenza di bilanciamento delle quattro aree in senso strategico:

• L’area di incubazione conterrà diversi progetti ad alto tasso innovativo (moonshots): la strategia adottata per questo tipo di progetti sarà incentrata sul lungo periodo, non misurandone quindi l’efficacia in base a obiettivi di breve periodo come il ROI;
• L’area di trasformazione si occuperà di progetti selezionati nella zona di incubazione, sviluppandone la crescita per renderli capaci di scalare a livello dell’intera organizzazione. Questi sono progetti che arrivano al mercato, necessitando uno sforzo e un’attenzione particolare per raggiungere la massa critica della fase di crescita;
• L’area di performance sarà concentrata sulle iniziative AI che possono aumentare e scalare i ricavi esistenti delle core operations; queste iniziative saranno gestite ad un ritmo costante, e il loro progresso verrà misurato anche attraverso criteri di breve e medio periodo, richiedendo un investimento maggiore dei progetti moonshots;
• L’area di produttività adotterà processi in grado di aumentare l’efficacia e l’efficienza dei processi a supporto; questi casi saranno trattati con una visuale a breve e medio periodo, guardando ai risultati in termini di efficienza da essi apportati all’azienda.

Quando il management andrà a delineare la strategia AI dell’organizzazione, dovrà quindi attentamente considerare le diverse aree di appartenenza di ogni processo: infatti, andare ad applicare le stesse strategie di adozione e sviluppo AI per aree diverse potrebbe risultare un errore molto probabile, in grado di impattare con effetti negativi molto evidenti[15].

Il team AI dovrà identificare il maggior numero di applicazioni AI nell’organizzazione, valutandone la potenzialità in base all’area di appartenenza e classificandone la rilevanza secondo il possibile impatto con il proprio business model. Un fattore critico di successo in questa fase – che possiamo trovare anche in Microsoft – è lo sviluppo di team composti da membri sia dei dipartimenti tecnici che delle business units (Carmona, 2019); solo in pochi casi questo passaggio non è necessario, come nel caso di organizzazioni già sviluppate e mature come software company, con meccanismi già pronti ed efficienti nel campo di innovazione aziendale.

In particolare, Microsoft utilizza il modello delle quattro aree di G. Moore attraverso un framework chiamato the agile value modelling: in un processo altamente interattivo tra business e tecnologia, ogni progetto viene identificato e successivamente associato in riferimento alla sua area di appartenenza, rappresentandolo con una bolla di grandezza proporzionale alla capacità potenziale di apportare valore al business[16].

Il passo successivo è assegnare una priorità e un valore ai possibili use cases in base alla correlazione con la propria strategia aziendale: i processi correlati alle aree di incubazione e trasformazione avranno come riferimento dei criteri di lungo termine:

• Creazione di differenziazione di mercato rispetto ai concorrenti;
• Risorse critiche a disposizione con vantaggio rispetto ai concorrenti;
• Disponibilità a sostenere gli investimenti necessari nel tempo;
• Possibilità di creazione di effetti di rete positivi.

Per le aree di performance e produttività, che ricercano un impatto più immediato sui risultati delle organizzazioni, i criteri a cui assegnare un peso maggiore per classificare la priorità strategica degli use cases dovrebbero essere più orientate al breve periodo:

• Costi stimati per l’adozione;
• ROI, attraverso le variabili di incremento delle vendite e della produttività, riduzione dei costi, miglioramento della qualità;
• Tempo stimato di recupero dell’investimento;
• Stima dell’impatto sulle variabili immateriali, quali le fedeltà dei clienti, l’immagine del brand, soddisfazione dei clienti;
• Valutazione dei rischi associati all’adozione del processo;

Una volta data una classifica di priorità, bisogna valutarne i risultati, anche al fine di un tracciamento del processo di ranking, fondamentale per apprendere e migliorare dall’esperienza quando in un secondo momento bisogna ricompiere questo processo. Gli indicatori possono essere di tre tipi: indicatori relativi all’impatto economico (saranno diversi per ognuna delle aree, e potrebbero essere ad esempio ricavi, risparmi di costi, incremento della produttività); indicatori qualitativi (che andranno a misurare il livello della qualità del prodotto finale, così come del processo in sé; il livello di precisione sostenuto, la soddisfazione dei consumatori, il tasso di prodotti difettosi, il tasso di turnover dei dipendenti); e infine indicatori relativi alle implementazione e all’adozione della AI in modo da essere meglio preparati per le future adozioni (potranno essere indicatori di performance dell’area budget, dell’area di decisione strategica, il tasso di soddisfazione dei dipendenti)[17].

3.3.  Coinvolgimento del personale

L’ultimo fondamentale step per portare l’AI nell’organizzazione è quello di portare l’AI nei dipendenti. Solamente quando ogni dipendente sarà pienamente coinvolto nel processo di trasformazione AI potremo dire che l’organizzazione è finalmente diventata una AI company.

Esattamente come accaduto per le altre evoluzioni tecnologiche – si pensi per esempio ad i computer inizialmente introdotti nei processi aziendali, ma capaci di raggiungere pienamente il proprio potenziale aziendale solo quando il loro uso fu esteso e “democratizzato” ai dipendenti; o quanto capitato con i dispositivi mobili fino al fenomeno del “Bring your own device” – solo quando la tecnologia diventa proprietà e oggetto di lavoro per ogni dipendente, allora si può parlare di trasformazione ultimata.

Diventa allora fondamentale, per l’organizzazione, fornire il giusto contesto alla formazione pratica e di mindset dei propri dipendenti.

I requisiti necessari principali sono tre:

• Democratizzare la conoscenza: rendere democratico l’accesso ai dati della propria organizzazione, trasformando i dati in conoscenze facili da consultare;
• Democratizzare l’uso dell’AI: il passaggio successivo all’accesso alla conoscenza di dati, e quello di essere in grado di applicare processi di AI. Questo può essere raggiunto garantendo l’accesso a dei set di modelli AI preconfigurati.
• Democratizzare la creazione di processi AI: l’ultimo e più importante passo nella creazione di figure organizzative AI-based è quello di raggiungere l’abilità di creare i propri modelli di AI con strumenti e caratteristiche adattate alla propria organizzazione.

4.  McKinsey & Company

L’ultimo esempio è dato da McKinsey & Company, multinazionale leader a livello mondiale  nel settore della consulenza strategica. Quest’azienda ha deciso di investire fortemente sulle competenze dei dipendenti operanti nella funzione “Technology and Digital”, focalizzandosi su natural language processing e machine learning^[18].

Anche in questo caso si è scelto un duplice approccio:

• sono stati assunti dei data scientists;
• sono stati riqualificati quei subordinati la cui attività prevedeva il contatto diretto con il mondo dell’intelligenza artificiale.

Questa tecnica ha consentito di conseguire due differenti obiettivi. Infatti, l’assunzione di nuovi talenti ha permesso di introdurre idee innovative e di colmare quel gap di competenze che si era venuto a creare. Il potenziamento del personale già esistente invece, ha consentito di dare continuità alla gestione aziendale e di mantenere le persone coinvolte e motivate. Questo secondo intervento è avvenuto tramite la formulazione di un piano per riqualificare oltre 500 persone con ruoli diversi, tra cui leader, product manager, ingegneri e data expert. Allo stesso tempo, è stato creato anche un team di supporto composto da 20 esperti di intelligenza artificiale. Il processo di riqualificazione è poi avvenuto per mezzo di tre fasi principali:

• AI Aware: si tratta del primo livello, che è rivolto a tutti i lavoratori di McKinsey e che ha come scopo quello di far comprendere i vantaggi derivanti dall’applicazione dell’intelligenza artificiale nel Ogni giornol’azienda inventa tecniche innovative per automatizzare i propri processi. Per rendere consapevoli idipendenti di queste innovazioni, sono stati messi a disposizione internamente oppure acquisiti dall’esternocorsi e materiali sul tema;
• AI Ready: una volta superato il primo step, le persone sono consapevoli in linea generale dei benefici che caratterizzano l’intelligenza artificiale. Il passaggio successivo prevede una formazione avanzata effettuata in bootcamp gestiti da professionisti interni. In seguito, è prevista una fase di apprendimento tramite specifici corsi online;
• AI Capable: si tratta della parte più complessa. L’obiettivo è quello di sviluppare talenti in grado di costruiresoluzioni complesse basate sull’intelligenza artificiale e di svolgere ruoli come ricercatore, product manager, machine learning architect, data engineer o data analyst. Tale scopo viene conseguito tramite lo svolgimento di un periodo di formazione on-the-job dalla durata di 6

I risultati ottenuti da questo intervento dimostrano che adesso McKinsey ha oltre 500 dipendenti che hanno raggiunto il livello “AI Aware” e che pertanto comprendono le applicazioni dell’intelligenza artificiale nel business e il potere derivante dall’uso dei dati. Circa 100 lavoratori si sono guadagnati il livello “AI Ready” e quindi conoscono le principali tecniche di data science, data architecture e data infrastructure. Oltre 50 persone invece, hanno conquistato il livello “AI Capable” e possiedono quindi le abilità necessarie per sviluppare soluzioni innovative basate su questa tecnologia.

Occorre poi sottolineare che la riqualificazione è avvenuta più velocemente per coloro che erano già impegnati nelle attività di sviluppo dei prodotti. Nello specifico, in quest’area i product manager si sono trasformati in AI product manager, gli sviluppatori di software in machine learning engineers e i data architects in data engineers.

Secondo i dirigenti di McKinsey, questa riconversione avrà un impatto positivo sul futuro delle carriere dei lorodipendenti, visto che queste competenze saranno cruciali nel contesto competitivo dei prossimi anni. Infine, si può affermare che questo processo è avvenuto sicuramente con successo, come riconosciuto anche dal Forrester Wave AI Report^[19]. Infatti, quest’ultimo ha nominato McKinsey come leader a livello mondiale nel campo dell’intelligenza artificiale.

Ricollegandosi al modello CUE già descritto in un nostro articolo, si può presupporre che in questo caso, visti irisultati conseguiti da McKinsey relativamente a questa tecnologia, si sia attivato il circolo virtuoso tra cultura aziendale, intelligenza artificiale ed efficacia organizzativa. In questo senso, si può affermare che lo sviluppo delle competenze necessarie per sfruttare le macchine intelligenti abbia determinato un incremento delle performance organizzative, così come è stato riconosciuto anche dal report sopra citato. Presumibilmente questi miglioramenti hanno avuto effetto anche in termini di cultura organizzativa. In particolare, gli aspetti che possono avere avuto imaggiori benefici sono il morale e la motivazione. Relativamente al primo, si può affermare che l’intervento di riqualificazione appena descritto ha un effetto positivo sulla carriera dei dipendenti di McKinsey, i quali adesso sono in possesso di un bagaglio di conoscenze più elevato. Di conseguenza, sono incentivati anche a parteciparea questi programmi di formazione, perché sanno che, grazie ad essi, le loro opportunità di proseguire nella crescitaprofessionali aumentano.

5.  Conclusioni

Per concludere, si può dire che tutte le tecniche appena descritte, ossia la collaborazione con istituti specializzati, l’assunzione dall’esterno e la riqualificazione interna, possono condurre ai risultati desiderati, purché siano allineaterispetto alle esigenze organizzative e alla vision aziendale. Ciò ribadisce il fatto che non esiste una one-best-way, cioè una soluzione valida a livello universale; nonostante ciò, sono presenti delle one-best-fit, ossia delle tecniche migliori di altre a seconda delle contingenze che vengono fronteggiate dalle organizzazioni. In più, occorre precisare che le 4 aziende analizzate non ritengono che l’intelligenza artificiale sia destinata a sostituire drasticamente gli esseri umani nell’attività lavorativa. Infatti, tutte le soluzioni descritte volte a sviluppare competenze tecnologichesono finalizzate al potenziamento delle abilità dell’uomo, in modo tale da garantire una cooperazione tra quest’ultimo e le macchine intelligenti.

Bibliografia

• Agrawal, A., Gans, J., & Goldfarb, A. (2017). The trade-off every AI company will face.
• Harvard Business Review Digital Articles.
• Aspan, M. (2020). Siri, Did I Ace the Interview? Fortune International (Europe), 181(2).
• Bhimani, A., & Willcocks, L. (2014). Digitisation, Big Data and the transformation of accounting information. Accounting and Business Research, Taylor & Francis, Vol. 44 No. 4.
• Brundage, M., Avin, S., Clark, J., Toner, H., Eckersley, P., Garfinkel, B., … & Amodei, D. (2018). The malicious use of artificial intelligence: Forecasting, prevention, and mitigation. arXiv preprint arXiv:1802.07228.
• CGMA (2016). Business Analytics And Decision Making. Baseline.
• Costa, G., & Gianecchini, M. (2019). Risorse umane: persone, relazioni e valore (Vol. 454). McGraw-Hill.
• Craigen, D., Diakun-Thibault, N., & Purse, R. (2014). Defining cybersecurity. Technology Innovation Management Review, 4(10).
• Daft, R. L. (2017). Organizzazione aziendale. Sesta edizione. Daft, R. L. (2021). Organizzazione aziendale. Maggioli, Milano.
• Davenport, T., Guha, A., & Grewal, D. (2021). How to Design an AI Marketing Strategy: What the Technology Can Do Today—and What’s Next. Harvard Business Review, 99, 42- 47.
• Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science, 48(1), 24- 42.
• Doke, D. (2021). Software AI. Recruiter.
• Forger, G. (2020). AI and IoT are ready for your warehouse. Logistics management (Highlands Ranch, Colo.: 2002).
• Fountaine, T., McCarthy, B., & Saleh, T. (2021). Getting AI to scale. Harvard Business Review.
• Galeotti, M., & Garzella, S. (Eds.). (2013). Governo strategico dell’azienda: Prefazione del Prof. Umberto Bertini. G Giappichelli Editore.
• Gambhir, B., & Bhattacharjee, A. (2021). Embracing the role of artificial intelligence in accounting and finance: contemplating the changing skillset expectations. Development and Learning in Organizations: An International Journal.
• Gregg, M. (2005). CISSP security-management practices. Upper Saddle River, NJ: Pearson Education.
• Haenlein, M., & Kaplan, A. (2019). A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. California management review, 61(4), 5-14.
• Harrison, N., & O’Neill, D. (2017). If your company isn’t good at analytics, it’s not ready for AI. Harvard Business Review.
• Henke, N., Levine, J., & McInerney, P. (2018). You don’t have to be a data scientist to fill this must-have analytics role. Harvard Business Review.
• Huang, M. H., Rust, R., & Maksimovic, V. (2019). The feeling economy: Managing in the next generation of artificial intelligence (AI). California Management Review, 61(4), 43-65.
• Lichtenthaler, U. (2020). Mixing data analytics with intuition: Liverpool Football Club scores with integrated intelligence. Journal of Business Strategy.
• Luo, X., Qin, M. S., Fang, Z., & Qu, Z. (2021). Artificial intelligence coaches for sales agents: Caveats and solutions. Journal of Marketing, 85(2), 14-32.
• McAfee, A., & Brynjolfsson, E. (2012). Big data: the management revolution. Harvard business review, 90(10), 60-68.
• Miyashita, M., & Brady, M. (2019). The Health Care Benefits of Combining Wearables and AI. Harvard Business Review.
• Nair, K., & Gupta, R. (2021). Application of AI technology in modern digital marketing environment. World Journal of Entrepreneurship, Management and Sustainable Development.
• Niehueser, W., & Boak, G. (2020). Introducing artificial intelligence into a human resources function. Industrial and commercial training, 52(2), 121-130.
• Ore, O., & Sposato, M. (2021). Opportunities and risks of artificial intelligence in recruitment and selection. International Journal of Organizational Analysis.
• Paschen, J., Kietzmann, J., & Kietzmann, T. C. (2019). Artificial intelligence (AI) and its implications for market knowledge in B2B marketing. Journal of Business & Industrial Marketing.
• Paschen, U., Pitt, C., & Kietzmann, J. (2020). Artificial intelligence: Building blocks and an innovation typology. Business Horizons, 63(2), 147-155.
• Petkov, R. (2020). Artificial intelligence (AI) and the accounting function—A revisit and a new perspective for developing framework. Journal of emerging technologies in accounting, 17(1), 99-105.
• Pighin, M., & Marzona, A. (2018). Sistemi informativi aziendali: ERP e sistemi di data analysis.
• Poba-Nzaou, P., Galani, M., Uwizeyemungu, S., & Ceric, A. (2021). The impacts of artificial intelligence (AI) on jobs: an industry perspective. Strategic HR Review, 20(2), 60- 65.
• Ponnapalli, P. (2022). Keys to successful innovation through artificial intelligence. Harvard Business Review.
• Ransbotham, S., Candelon, F., Kiron, D., LaFountain, B., & Khodabandeh, S. (2021). The Cultural Benefits of Artificial Intelligence in the Enterprise. MIT Sloan Management Review and Boston Consulting Group.
• Rudko, I., Bashirpour Bonab, A., & Bellini, F. (2021). Organizational structure and artificial intelligence. Modeling the intraorganizational response to the ai contingency. Journal of Theoretical and Applied Electronic Commerce Research, 16(6), 2341-2364.
• Samonas, S., & Coss, D. (2014). The CIA strikes back: Redefining confidentiality, integrity and availability in security. Journal of Information System Security, 10(3).
• Shrestha, Y. R., Ben-Menahem, S. M., & Von Krogh, G. (2019). Organizational decision- making structures in the age of artificial intelligence. California Management
• Review, 61(4), 66-83.
• Simonovich, L. (2021). Balancing AI advances with robust cybersecurity solutions. World Oil.
• Soni, V. D. (2020). Challenges and Solution for Artificial Intelligence in Cybersecurity of the USA. Available at SSRN 3624487.
• Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and policy considerations for deep learning in NLP. arXiv preprint arXiv:1906.02243.
• Tabesh, P. (2021). Who’s making the decisions? How managers can harness artificial intelligence and remain in charge. Journal of Business Strategy.
• S (2021). 3 areas where AI will boost your competitive advantage. Harvard Business Review Digital Articles.
• Truong, T. C., Zelinka, I., Plucar, J., Čandík, M., & Šulc, V. (2020). Artificial intelligence and cybersecurity: Past, presence, and future. In Artificial intelligence and evolutionary computations in engineering systems (pp. 351-363). Springer, Singapore.
• Tschang, F. T., & Almirall, E. (2021). Artificial intelligence as augmenting automation: Implications for employment. Academy of Management Perspectives, 35(4), 642-659.
• Tse, T., Esposito, M., Takaaki, M., & Goh, D. (2020). The dumb reason your AI project will fail. Harvard business review digital articles, 2-5.
• Vadari, S., & Desik, P. A. (2021). The Role of AI/ML in Enhancing Knowledge Management Systems. IUP Journal of Knowledge Management, 19(2), 7-31.
• Wamba-Taguimdje, S. L., Wamba, S. F., Kamdjoug, J. R. K., & Wanko, C. E. T. (2020). Influence of artificial intelligence (AI) on firm performance: the business value of AI-based transformation projects. Business Process Management Journal, 26(7), 1893-1924.
• Whitmore, A., Agarwal, A., & Da Xu, L. (2015). The Internet of Things—A survey of topics and trends. Information systems frontiers, 17(2), 261-274.
• Yampolskiy, R. V. (2017). AI Is the Future of Cybersecurity, for Better and for Worse. Harvard Business Review. May, 8.
• Zaki, M., McColl-Kennedy, R., & Neely, A. (2021). Using AI to Track How Customers Feel—In Real Time. Harvard Business Review.
• Zhang, H., Zhang, X., & Song, M. (2021). Deploying AI for New Product Development Success: By embracing and incorporating AI in all stages of NPD, companies can increase their success rate of NPD projects. Research-Technology Management, 64(5), 50-57.
• Zouave, E., Gustafsson, T., Bruce, M., Colde, K., Jaitner, M., & Rodhe, I. (2020). Artificially intelligent cyberattacks. Swedish Defence Research Agency, FOI, Tech. Rep. FOI.
• (2017). Lavazza a caccia di “coffe addicted” con l’intelligenza artificiale. Il Sole 24 Ore. Retrieved fromhttps://www.ilsole24ore.com/art/lavazza-caccia-coffee-addicted-l- intelligenza-artificiale–AEBRpxQD 2022/08/02
• Amar, J., Majumder, S., Surak, Z., & von Bismarck, N. (2021). How AI-driven nudges can transform an operation’s performance. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/operations/our-insights/how-ai-driven- nudges-can-transform-an-operations-performance 2022/07/27
• Balabio, B., Orlando, P., & Scolari, T. (2021). Cresce il mercato dell’intelligenza artificiale in Italia. Retrieved from https://www.osservatori.net/it/ricerche/comunicati- stampa/artificial-intelligence-italia-mercato-progetti-20202022/07/08
• Berruti, F., Nel, P., & Whiteman R. (2020). An executive primer on artificial general intelligence. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/operations/our-insights/an-executive- primer-on-artificial-general-intelligence 2022/07/06
• Boehm, J., Curcio, N., Merrath, P., Shenton, L., & Stahle T. (2019). The risk-based approach to cybersecurity. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/risk-and-resilience/our-insights/the-risk- based-approach-to-cybersecurity 2022/08/03
• Brooks, C. (2022). Alarming cyber statistics for mid-year 2022 that you need to know. Forbes. Retrieved from https://www.forbes.com/sites/chuckbrooks/2022/06/03/alarming- cyber-statistics-for-mid-year-2022-that-you-need-to-know/?sh=7043d0247864 2022/08/03
• Brown, S., Gandhi, D., Herring, L., & Puri, A. (2019). The analytics academy: bridging the gap between human and artificial intelligence. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/the- analytics-academy-bridging-the-gap-between-human-and-artificial-intelligence 2022/07/18
• Buehler, K., Dooley, R., Grennan, L., & Singla, A. (2021). Getting to know-and manage- your biggest AI risks. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/getting-to- know-and-manage-your-biggest-ai-risks 2022/07/11
• Bughin, J., Seong, J., Manyika, J., Chui, M., & Joshi, R. (2018). Notes from the AI frontier: Modeling the impact of AI on the world economy. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/featured-insights/artificial-intelligence/notes-from-the-ai- frontier-modeling-the-impact-of-ai-on-the-world-economy#part12022/07/15
• Chakraborty, A. (2021). A.I. can be a cornerstone of success – but only if leaders make the right choices. Fortune. Retrieved from https://fortune.com/2021/10/27/ai-artificial- intelligence-business-strategy-data-accenture/2022/07/29
• Chui, M., Hall, B., Singla, A., & Sukharevsky, A. (2021). The state of AI in 2021. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business- functions/quantumblack/our-insights/global-survey-the-state-of-ai-in-20212022/07/08
• Chui, M., Manyika, J., Miremadi, M., Henke, N., Chung, R., Nel, P., & Malhotra, S. (2018). Notes from the AI frontier: Applications and value of deep learning. McKinsey global institute discussion paper, April. Retrieved from https://www.mckinsey.com/featured- insights/artificial-intelligence/notes-from-the-ai-frontier-applications-and-value-of-deep- learning 2022/07/07
• Dandona, G. S., Sharma, J., & Wright, M. (2021). Our own digital journey: upskilling hundreds of McKinsey technologists in AI. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/about-us/new-at-mckinsey-blog/ai-upskilling-for-over-500- firm-technologists 2022/07/19
• Fowler, G. (2020). AI and its potential for cybersecurity. Forbes. Retrieved from https://www.forbes.com/sites/forbesbusinessdevelopmentcouncil/2020/12/18/ai-and-its- potential-for-cybersecurity/?sh=5d2f609e69d9 2022/08/03
• https://assets.siemens-energy.com/siemens/assets/api/uuid:cf20f2e1-ca9c-4589-9f88- 4e6592b4672d/brochure-deeparmour-industrial-200609.pdf 2022/08/05
• https://bids.berkeley.edu/news/berkeley-institute-data-science-and-accenture-applied- intelligence-announce-new-collaboration 2022/07/18
• https://info.algorithmia.com/hubfs/2020/Reports/2021-Trends-in- ML/Algorithmia_2021_enterprise_ML_trends.pdf?hsLang=en-us 2022/07/08
• https://wwd.com/business-news/technology/levis-ai-bootcamp-data-science-1234881378/ 22/09/04
• https://www.accenture.com/_acnmedia/PDF-63/Accenture-CoBE-Brochure-
• pdf#zoom=50 2022/08/23
• https://www.accenture.com/fr-fr/_acnmedia/36dc7f76eab444cab6a7f44017cc3997.pdf 2022/07/08
• https://www.bcg.com/publications/2020/is-your-company-embracing-full-potential-of- artificial-intelligence 2022/09/17
• https://www.capgemini.com/wp-content/uploads/2019/07/AI-in- pdf 2022/08/03
• https://www.careers.ox.ac.uk/article/the-pymetrics-games-overview-and-practice- guidelines 2022/07/26
• https://www.cnr.it/sites/default/files/public/media/attivita/editoria/VOLUME%20FULL%20 14%20digital%20LIGHT.pdf 2022/08/22
• https://www.levistrauss.com/2021/05/17/machine-learning-bootcamp/ 2022/07/19
• https://www.linkedin.com/pulse/how-coca-cola-using-ai-stay-top-soft-drinks-market- shivani-salunkhe 2022/08/23
• https://www.mckinsey.com/about-us/new-at-mckinsey-blog/mckinsey-receives-top- ranking-in-the-forrester-wave-ai-report 2022/07/19
• https://www.nist.gov/system/files/documents/cyberframework/cybersecurity-framework- pdf 2022/08/03
• https://www.statista.com/statistics/1083482/worldwide-ai-revenue-increase/ 2022/08/02 https://www.statista.com/statistics/1083516/worldwide-ai-cost-decrease/ 2022/08/02
• https://www.statista.com/statistics/1119824/global-business-and-hr-leaders-on-ai-impact- to-job-numbers/ 2022/07/20
• https://www.statista.com/statistics/1235395/worldwide-ai-enabled-cyberattacks- companies/ 2022/08/05
• https://www.statista.com/statistics/1293758/ai-marketing-revenue-worldwide/ 2022/07/25
• https://www.statista.com/statistics/472934/business-analytics-software-revenue- worldwide/ 2022/07/29
• https://www.statista.com/statistics/871513/worldwide-data-created/ 2022/07/29
• https://www.statista.com/statistics/941137/ai-investment-and-funding-worldwide/ 2022/07/08
• https://www.treccani.it/enciclopedia/intelligenza-artificiale 2022/07/04
• https://www.treccani.it/enciclopedia/sicurezza-informatica/#:~:text=sicur%C3%A9zza%20inform%C3%A0tica%20Ramo%20dell’informatica,dati%20riservati%20in%20essi%20contenuti. 2022/09/13
• https://www.tripwire.com/state-of-security/security-data-protection/43-billion-stolen- through-business-email-compromise-since-2016-reports-fbi/ 2022/09/13
• https://www.webfx.com/martech/pricing/ai/#:~:text=In%202020%2C%20companies%20can%20pay,house%20or%20freelance%20data%20scientists.&text=In%20comparison
• %2C%20custom%20AI%20solutions,from%20%246000%20to%20over%20%24300%2C 000. 2022/09/18
• Jeans, D. (2020). Companies will spend $50 billion on artificial intelligence this year with little to show for it. Forbes. Retrieved from https://www.forbes.com/sites/davidjeans/2020/10/20/bcg-mit-report-shows-companies- will-spend-50-billion-on-artificial-intelligence-with-few-results/?sh=7efe3fe57c87 2022/09/17
• Johar, P. (2020). How AI makes big data smarter. Forbes. Retrieved from https://www.forbes.com/sites/forbestechcouncil/2020/03/23/how-ai-makes-big-data- smarter/?sh=381f9b6a4684 2022/08/01
• Luchtenberg, D., & Migliorini, R. (2022). Coca-Cola: The people-first story of a digital transformation. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/business-functions/operations/our-insights/coca-cola-the-people-first-story-of-a-digital-transformation 2022/08/02
• Malins, A. (2022). Machine learning and artificial intelligence: implementation in practice. Forbes. Retrieved from https://www.forbes.com/sites/forbestechcouncil/2022/01/25/machine-learning-and- artificial-intelligence-implementation-in-practice/?sh=7692b2a35c89 2022/07/15
• Manyika J., & Sneader K. (2018). AI, automation, and the future of work: Ten things to solve for. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/featured- insights/future-of-work/ai-automation-and-the-future-of-work-ten-things-to-solve-for 2022/07/15
• Marr, B. (2017). The Amazing Ways Coca Cola Uses Artificial Intelligence And Big Data To Drive Success. Forbes. Retrieved from https://www.forbes.com/sites/bernardmarr/2017/09/18/the-amazing-ways-coca-cola- uses-artificial-intelligence-ai-and-big-data-to-drive-success/?sh=1448c01778d2 2022/08/02
• Marr, B. (2018). The amazing ways how Unilever uses artificial intelligence to recruit & train thousands of employees. Forbes. Retrieved from https://www.forbes.com/sites/bernardmarr/2018/12/14/the-amazing-ways-how-unilever-uses-artificial-intelligence-to-recruit-train-thousands-of-employees/?sh=485a1ca76274 2022/07/26
• Marr, B. (2022). The most in – demand technical skills – and how to develop them. Forbes. Retrieved from https://www.forbes.com/sites/bernardmarr/2022/08/03/the-most- in-demand-technical-skills–and-how-to-develop-them/?sh=7a1c4e1362e4 2022/08/22
• Mohan S. (2022). How to make it easier to implement AI in your business. Forbes. Retrieved from https://www.forbes.com/sites/forbestechcouncil/2022/05/27/how-to- make-it-easier-to-implement-ai-in-your-business/?sh=481bfbd65300 2022/07/12
• Rossitto, S. (2021). “Senza intelligenza artificiale e big data impossibile un vaccino contro il Covid in tempi brevi”. Il Sole 24 Ore. Retrieved from https://www.ilsole24ore.com/art/senza-intelligenza-artificiale-e-big-data-impossibile-vaccino-contro-covid-tempi-brevi-AD5lOYHB 2022/08/01
• Rusconi, G. (2022). L’intelligenza artificiale facilita il cambiamento organizzativo. Il Sole 24 Ore. Retrieved from https://www.ilsole24ore.com/art/l-intelligenza-artificiale-facilita- cambiamento-organizzativo-AEitC2OB 2022/07/14
• Sinur, J., & Peters, E. (2019). AI & big data; better together. Forbes. Retrieved from https://www.forbes.com/sites/cognitiveworld/2019/09/30/ai-big-data-better- together/?sh=61a9e9a360b3 2022/08/01
• Taulli, T. (2021). Artificial intelligence: should you teach it to your employees? Forbes. Retrieved from https://www.forbes.com/sites/tomtaulli/2021/09/10/ai-artificial- intelligence-should-you-teach-it-to-your-employees/?sh=2bab6b507b73 2022/07/18
• Tremolada, L. (2019). Machine learning, deep learning e reti neurali. Ecco di cosa parliamo. Il sole 24 ore. Retrieved from https://www.ilsole24ore.com/art/machine- learning-deep-learning-e-reti-neurali-ecco-cosa-parliamo–AEaToEBH2022/07/07
• ASIMOV, I. (1950), I, Robot. (Cited at page 5)
• BABBAGE, C. (1982), «On the Mathematical Powers of the Calculating Engine», The Origins of Digital Computers. Texts and Monographs in Computer Science.
• BODEN, M. A. (2018), Artificial Intelligence: A Very Short Introduction.
• CAMPBELL, M., HOANE, A. J. e HSIUNG HSU, F. (2002), «Deep Blue», Artificial Intelligence, vol. 134, p. 57–83.
• CLARKE, A. C. e KUBRICK, S. (1968), 2001: A Space Odyssey.
• DICK, P. K. (1968), Do Androids Dream of Electric Sheep?
• HASHEMIPOUR, S. e ALI, M. (2020), «Amazon Web Services (AWS) – An Overview of the On-Demand Cloud Computing Platform».
• KRIZHEVSKY, A., SUTSKEVER, I. e HINTON, G. E. (2012), «ImageNet classification with deep convolutional neural networks», Communications of the ACM, vol. 60, p. 84 – 90.
• LECUN, Y., BENGIO, Y. e HINTON, G. E. (2015), «Deep Learning», Nature, vol. 521, p. 436–444.
• MASLEJ, N., FATTORINI, L., BRYNJOLFSSON, E., ETCHEMENDY, J., LIGETT, K., LYONS, T., MANYIKA, J., NGO, H., NIEBLES, J. C., PARLI, V., SHOHAM, Y., WALD, R., CLARK, J., e PERRAULT, R. (2023), «The AI Index 2023 Annual Report», Rap. tecn., AI Index Steering Committee, Institute for Human-Centered AI, Stanford University, Stanford, CA.
• MCCARTHY, J. (1960), «Programs with common sense».
• MCCARTHY, J., MINSKY, M., ROCHESTER, N. e SHANNON, C. E. (2006), «A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955», AI Mag., vol. 27, p. 12–14.
• RAO, A. S. e VERWEIJ, G. (2017), «Sizing the prize: what’s the real value of AI for your business and how can you capitalise?».
• RUSSELL, B. e WHITEHEAD, A. N. (1956), «Principia Mathematica to *56».
• RUSSELL, S. e NORVIG, P. (1995), «Artificial intelligence – a modern approach: the intelligent agent book».
• TURING, A. (1937), «On computable numbers, with an application to the Entscheidungsproblem», Proc. London Math. Soc.
• VASWANI, A., SHAZEER, N. M., PARMAR, N., USZKOREIT, J., JONES, L., GOMEZ, A. N., KAISER, L. e POLOSUKHIN, I. (2017), «Attention is All you Need», in «NIPS».
• “Il ruolo dell’intelligenza artificiale nella progettazione organizzativa del futuro”, Michelangelo Clemente
• Balakrishnan, T., Chui, M., Hall, B., & Henke, N. (2020). The state of AI in 2020. McKinsey Analytics.

• Bérubè, M., Giannelia, T., & Vial, G. (2021). Barriers to the Implementation of AI in Organizations: Findings from a Delphi Study. Proceedings of the 54th Hawaii International Conference on System Sciences.
• Biron, J., & Lang, J. (2020). Unlocking the value of Augmented Reality Data. MIT Sloan Management review.
• Carmona, D. (2019). The AI Organization – Learn from real companies and Microsoft’s Journey how to redefine your organization with AI. O’Reilly.
• Dauth, W., Findeisen, S., Sudekum, J., & Woessner, N. (2017). The rise of robots in the German labour market. IAB-Discussion Paper.
• Dhruv Jain, L. L. (2019). AI: Buil to Scale – From experimental to exponential. Accenture. Eitel-Porter, R. (2018). ExplAIned – A guide for executives. Accenture Applied Intelligence. Figols, G. (2021, Aprile 9). Telecamere di sicurezza di nuova generazione: l’impatto dell’Edge
• AI sulla società. Retrieved from cybersecurity360.it: https://www.cybersecurity360.it/soluzioni-aziendali/telecamere-di-sicurezza-di-nuova- generazione-limpatto-delledge-ai-sulla-societa/
• Heng, M. (2019, Novembre 6). Faster check-in at Singapore hotels with new automated facial recognition system. Retrieved from The Straits Times: https://www.straitstimes.com/singapore/speedier-check-in-process-for-hotels-possible- with-new-automated-facial-recognition-system
• Johnson, G., Whittington, R., Scholes, K., Angwin, D., Regnér, P., & Paci, A. (2019). Exploring strategy: Text and cases. Pearson Education.
• Kasparov, G., & King, D. (2000). Kasparov Against the World: The Story of the Greatest Online Challenge. KasparovChess Online.
• Krogh, G. V. (2018). Artificial Intelligence in organizations: New opportunities for phenomen- based theorizing. Academy of Management Discoveries.
• Mauro, G. (2020). Zero to AI: A nontechnical, hype-free guide to prospering in the AI era. Manning Pubns Co.
• Mitchell, T. M. (1997). Machine Learning. McGraw Hill.
• Moore, G. (2011). Systems of Engagement and the Future of Enterprise IT”. AIIM. Moore, G. (2014). Crossing the Chasm. Harperbusiness.
• Moore, G. (2015). Zone to Win: Organizing to Compete in an Age of Disruption. Diversion Books.
• Morgan, B. (2018, Luglio 16). How Amazon Has Reorganized Around Artificial Intelligence And  Machine           Learning.          Retrieved         from            Forbes: https://www.forbes.com/sites/blakemorgan/2018/07/16/how-amazon-has-re-organized-around-artificial-intelligence-and-machine-learning/?sh=743693f77361
• Redazione Osservatori Digital Innovation. (2021, Febbraio 2). Alla scoperta del Deep Learning: significato, esempi e applicazioni. Retrieved from osservatori.net digital innovation: https://blog.osservatori.net/it_it/deep-learning-significato-esempi- applicazioni
• Russell, S. J., & Norvig, P. (2010). Artificial Intelligent: A Modern Approach, Third Edition. Prentice Hall.
• Schadler, T. (2012, Febbraio 14). A Billion Smartphones Require New Systems Of Engagement. Retrieved          from    Forrester:            https://go.forrester.com/blogs/12-02-14- a_billion_smartphones_require_new_systems_of_engagement/
• Shook, E., & Knickrehm, M. (2018). Reworking the revolution. Accenture Strategy.
• Steiner, C. (2012). Automate This: How Algorithms Came to Rule Our World. Portfolio Hardcover.
• The Guardian. (2018, Ottobre 11). Amazon ditched AI recruiting tool that favored men for technical jobs. Retrieved from the guardian: https://www.theguardian.com/technology/2018/oct/10/amazon-hiring-ai-gender-bias- recruiting-engine
• Turek, M. (2018). Explainable Artificial Intelligence (XAI). Retrieved from Defense Advanced Research Projects Agency: https://www.darpa.mil/program/explainable-artificial- intelligence
• Turing, A. (1950). Computing machinery and intelligence. Mind.

Note

[1] Chakraborty, A. (2021), op. cit.

[2] https://bids.berkeley.edu/news/berkeley-institute-data-science-and-accenture-applied-intelligence- announce-new-collaboration2022/07/18.

[3] https://www.accenture.com/_acnmedia/PDF-63/Accenture-CoBE-Brochure-Italian.pdf#zoom=50.

[4] https://www.levistrauss.com/2021/05/17/machine-learning-bootcamp/ 2022/07/19.

[5] Taulli, T. (2021), op. cit.

[6] Carmona, 2019

[7] Carmona, 2019

[8] Carmona, 2019

[9] Mauro, 2020

[10] Morgan, 2018

[11] Carmona, 2019

[12] Eitel-Porter, 2018

[13] Moore, 2015

[14] Johnson, et al., 2019

[15] Carmona, 2019

[16] Carmona, 2019

[17] Carmona, 2019

[18] Dandona, G. S., Sharma, J., & Wright, M. (2021). Our own digital journey: upskilling hundreds of McKinsey technologists in AI. McKinsey Global Institute. Retrieved from https://www.mckinsey.com/about-us/new- at-mckinsey-blog/ai-upskilling-for-over-500-firm-technologists 2022/07/19.

[19] https://www.mckinsey.com/about-us/new-at-mckinsey-blog/mckinsey-receives-top-ranking-in-the- forrester-wave-ai-report 2022/07/19.