L’impatto dell’intelligenza artificiale sul processo decisionale

1.  Introduzione

Analizziamo in questo appuntamento l’impatto generato dall’implementazione dell’intelligenza artificiale sull’operatività delle organizzazioni. In particolare, si esaminerà l’influenza esercitata sul processo decisionale.

Innanzitutto, si può affermare che la presa di decisioni costituisce una fase allo stesso tempo complessa e fondamentalenella vita delle organizzazioni. La decisione organizzativa è caratterizzata da due stadi principali:

• Processo di identificazione dei problemi;
• Processo della loro

Nel primo si monitora il contesto ambientale che circonda l’organizzazione e si individuano le principali criticità organizzative; nel secondo invece, si determinano le alternative a disposizione e poi si sceglie quella ritenuta migliore per risolvere la problematica da fronteggiare^[1]. Le decisioni da prendere nelle organizzazioni sono molteplici e possono riguardare l’introduzione di una nuova linea di prodotto, l’assunzione di nuovo personale, l’ingresso in unnuovo mercato oppure il cambiamento del modello di business.

Tradizionalmente questa attività viene svolta dal top management aziendale, il quale sfrutta le informazioni rese disponibili da alcune analisi organizzative, come quelle sui competitors e sulla clientela per esempio. L’avvento dell’intelligenza artificiale, come già osservato, ha avuto un impatto significativo dal punto di vista organizzativo e hacondizionato anche le modalità con cui viene condotto il processo decisionale.

Nello specifico, oggi le organizzazioni possono scegliere di affidare, parzialmente o integralmente, questa operazione alle macchine intelligenti con risultati più o meno soddisfacenti a seconda dei casi. Lo sviluppo di questa tendenza è strettamente correlato a tre eventi principali che hanno caratterizzato il progresso tecnologico degli ultimi anni^[2]:progressi a livello statistico e algoritmico, i quali hanno favorito la diffusione dei sistemi di machine learning; incremento dei dati disponibili grazie all’Internet of Things, che rende digitale qualsiasi oggetto tramite la dotazione di sensori; miglioramenti nella capacità di elaborazione e di archiviazione dei computer.

2.  Condizioni fondamentali per il processo decisionale

Attualmente, quindi, le decisioni a livello organizzativo possono essere prese sia dalle persone che dall’intelligenza artificiale. Per effettuare una comparazione tra queste due differenti alternative, si prendono in considerazione leseguenti condizioni fondamentali^[3]:

• Specificità dello spazio di ricerca della decisione: relativamente agli algoritmi si può dire che questi prendono decisioni basandosi sull’ottimizzazione computazionale; di conseguenza, lo spazio di ricerca della decisione dovrebbe essere ristretto e correttamente definito rispetto alla funzione obiettivo. Le decisioni umane invece,talvolta possono basarsi su giudizi e intuizioni. Per questo motivo è complesso ricondurle a determinate funzioniobiettivo e quindi non esiste uno spazio di ricerca ben definito per esse;
• Interpretabilità: le macchine intelligenti utilizzano dei modelli che sono in grado di estrapolare da ampi data-setle soluzioni ottimali per una certa funzione obiettivo; spesso, però, è complesso per gli esseri umani comprendere quali sono le ragioni che le hanno condotte a prendere una certa decisione e per questo motivovengono definite come delle “scatole nere”. Questa caratteristica rende difficile anche individuare eventuali bias presenti al loro interno e conseguentemente riduce la fiducia delle persone nei loro confronti. Al contrario, le decisioni umane sono più semplici da comprendere, dato che le persone sono in grado di spiegare le motivazioni che le hanno spinte a effettuare una certa scelta piuttosto che un’altra. Nonostante ciò, anche queste possono essere influenzate da alcuni pregiudizi;
• Ampiezza delle alternative considerate: l’intelligenza artificiale è in grado di considerare milioni di alternative, visto che la ricerca delle correlazioni avviene in maniera automatica. I decisori umani hanno invece limiti cognitivi, per cui non sono in grado di analizzare un numero troppo alto di In più, l’eventuale analisi di un’ampia gamma di opzioni può condurre le persone a sbagliare scelta oppure all’incapacità di prendere una decisione;
• Velocità: gli algoritmi scelgono in maniera pressoché istantanea, per cui vengono preferiti in contesti decisionali in cui la tempestività è un fattore cruciale, come per esempio le scelte di trading sui mercati finanziari. Per quanto riguarda le persone invece, occorre innanzitutto sottolineare che queste hanno una velocità decisionaleinferiore rispetto alle macchine Inoltre, se costretti a prendere decisioni in tempi brevi, gli esseri umani hanno maggiori probabilità di commettere degli errori. Quindi le decisioni umane sono contraddistinte da un trade-off tra velocità e accuratezza, cosa che invece non vale per quelle prese dagli algoritmi;
• Replicabilità: l’intelligenza artificiale segue un processo decisionale standardizzato che consente di ottenere risultati costanti a partire dagli stessi input. Al contrario, le persone possono essere influenzate da emozioni, sentimenti e stati d’animo nel corso del processo decisionale, per cui possono prendere anche decisioni diverse a parità.

Tabella 1 – Principali differenze tra decisioni umane e decisioni prese dall’intelligenza artificiale [Fonte: Shrestha, Y. R.,Ben-Menahem, S. M., & Von Krogh, G. (2019)].

4.  Vantaggi e svantaggi dell’implementazione dell’AI nel processo decisionale

Dall’analisi appena effettuata, si comprende come l’intelligenza artificiale applicata in questo campo comporti tre vantaggi principali rispetto alle decisioni di natura umana: la capacità di analizzare dettagliatamente grandi quantità di dati e di informazioni; la tempestività decisionale; la possibilità di ottenere risultati costanti a parità di condizioni iniziali.

Allo stesso tempo, però, è presente anche una significativa vulnerabilità nelle macchine intelligenti, rappresentata dalla difficoltà nell’interpretazione delle loro decisioni. Occorre poi precisare che, attualmente, questa tecnologia è in grado di supportare esclusivamente il così detto processo decisionale analitico, mentre non è ancora capace di sostenere quello definito come intuitivo. Il primo è caratterizzato dall’esistenza di un processo sistematico e collaudato per la raccolta dei dati e per la loro successiva analisi, che conduce poi alla scelta finale.

Quindi, vi è un metodo preciso, il quale, una volta insegnato alla macchina intelligente, può essere ripercorso tutte le volte in cui è necessario. Il secondo invece, è spontaneo e dipende strettamente dalla conoscenza e dall’esperienza pregressa del decisore, che lo aiutano a individuare nuove minacce o opportunità. In questo caso, dunque, non esistono modelli predefiniti o dati riferiti al passato, in quanto ogni volta si fronteggia qualcosa di nuovo e imprevedibile, che richiede una certa creatività^[4]. Per questo motivo, in tale ambito, l’intelligenza artificiale non è in grado di aiutare l’uomo nel processo decisionale. Di conseguenza, si può affermare che questa tecnologia può supportare il top management durante il processo decisionale per determinate categorie di scelte, ma non per altre.

5.  Tecniche decisionali con il coinvolgimento dell’intelligenza artificiale

Dopo aver esplicitato questa classificazione delle tipologie di decisioni, si descrivono le tre differenti tecniche tramite cuiè possibile prendere le decisioni all’interno delle organizzazioni con il coinvolgimento dell’intelligenza artificiale, ovvero^[5].

5.1.  Delega totale all’intelligenza artificiale

In questo caso le macchine intelligenti prendono le decisioni in modo autonomo, cioè senza l’intervento umano. Puòessere conveniente adottare questo metodo quando lo spazio di ricerca è ristretto e ben definito, le alternative da considerare sono molteplici, la velocità è un requisito fondamentale e si richiede la replicabilità. Questo approccio, tuttavia, presenta alcuni limiti, come per esempio la possibilità che gli algoritmi riproducano i pregiudizi dei programmatori che li hanno sviluppati oppure la difficile interpretabilità delle decisioni prese. Alcuni esempi di questa tecnica si riscontrano nei sistemi di raccomandazione in tempo reale e nel pricing dinamico che caratterizza le offerte dellecompagnie aeree e degli alberghi.

5.2.  Processo decisionale sequenziale e ibrido

In questo approccio l’output di una decisione umana diventa l’input per un processo decisionale dell’intelligenzaartificiale o viceversa. In questo modo si possono sfruttare i punti di forza di entrambi i decisori, ma allo stesso tempo occorre fronteggiare anche i loro punti di debolezza combinati. Se la macchina intelligente prende una decisione checostituisce l’input del processo decisionale umano si ha il vantaggio per cui le persone considerano solo le alternativeeffettivamente valide, cioè quelle che, in un primo momento, sono già state selezionate dagli algoritmi.

Affinché questa soluzione sia efficace, è necessario che lo spazio di ricerca sia ben definito. In più, il coinvolgimento dei decisori umani incrementa l’interpretabilità, a discapito della replicabilità e della tempestività.

Se invece le decisioni umane rappresentano l’input del processo decisionale guidato dall’intelligenza artificiale, allora vi è il rischio che le persone abbiano escluso delle alternative valide. Questo procedimento può essere utile quando idecisori umani hanno difficoltà a individuare la soluzione migliore, che invece può essere identificata grazie alla capacità predittiva degli algoritmi. È preferibile adottare tale approccio nel caso in cui le alternative di partenza non sianoparticolarmente numerose. Tuttavia, tale metodo è caratterizzato da una bassa interpretabilità, che complica l’apprendimento negli esseri umani.

Un esempio di questa tecnica può essere individuato nella metodologia di selezione dei giocatori adottata da Billy Beane, manager del team di baseball degli Oakland Athletics. Quest’ultimo, infatti, combinava l’esperienza e l’intuito dei talent scout con l’analisi statistica. In questo modo è riuscito a formare una delle squadre più vittoriose del campionatostatunitense con un budget particolarmente esiguo^[6].

5.3.  Decisioni aggregate

In questo modello le decisioni vengono inizialmente prese in maniera separata sia dalle persone che dall’intelligenza artificiale; successivamente vengono aggregate e si effettua una media per determinare la soluzione finale. In questomodo la macchina intelligente viene considerata sullo stesso livello dei decisori umani e si minimizza il rischio che gli algoritmi incorporino i pregiudizi delle decisioni umane che hanno fornito l’input, aspetto che caratterizzava la soluzione precedente.

L’intelligenza artificiale è in grado di compensare alcuni errori tipici commessi dalle persone. Vi possono tuttavia essere problemi legati alla trasparenza e all’affidabilità delle decisioni prese, a causa dell’influenza esercitata da coloro che programmano gli algoritmi.

Un’esemplificazione di tale approccio deriva dalle decisioni prese da Deep Knowledge Venture (DKV), venture capital con sede a Hong Kong, impegnata in campo medico. Questa ha introdotto un algoritmo nel proprio consiglio di amministrazione, che vota insieme agli altri membri nel momento in cui deve essere presa una decisione.

Tabella 2 – Modalità tramite cui condurre il processo decisionale sfruttando l’intelligenza artificiale [Fonte: Shrestha, Y.R., Ben-Menahem, S. M., & Von Krogh, G. (2019)].

6.  Conclusioni

Per concludere questa analisi, si può affermare che ormai l’intelligenza artificiale svolge un ruolo importante all’interno del processo decisionale delle organizzazioni. Nonostante ciò, al momento, le macchine intelligenti non sono ancora capaci di sostituire l’uomo in maniera definitiva nell’esecuzione di questa critica attività aziendale. È auspicabile,dunque, che avvenga una sorta di collaborazione tra intelligenza artificiale e decisori umani, in quanto questi possono rinforzarsi vicendevolmente e colmare le rispettive lacune. In questa maniera, è possibile ottenere “un’intelligenzaintegrata”, che potenzialmente può generare un vantaggio competitivo^[7]. Inoltre, a seconda delle caratteristiche della decisione che deve essere presa, le organizzazioni possono adottare quell’approccio, tra quelli appena descritti, che sembra essere più adatto. Infine, occorre considerare che, prima di adottare l’intelligenza artificiale in questo ambito, le aziende dovrebbero fronteggiare in maniera adeguata i suoi limiti principali. Tra questi ultimi vi rientra la difficoltà diinterpretazione delle scelte effettuate dalle macchine intelligenti e il pericolo che gli algoritmi presentino i bias deiprogrammatori che li hanno realizzati.

Questo seconda criticità può essere particolarmente significativa, in quanto capace di causare il fenomeno del “garbage-in garbage-out”, secondo il quale se i dati forniti alle macchine intelligenti sono errati, allora lo saranno anche le informazioni prodotte dalle stesse.

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#part1 2022/07/15
• 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».

Note

[1] Daft, R. L. (2017), op. cit., 449.

[2] Tabesh, P. (2021), op. cit., 3-4.

[3] Shrestha, Y. R., Ben-Menahem, S. M., & Von Krogh, G. (2019). Organizational decision-making structures in the age of artificialintelligence. California Management Review, 61(4), 67-70.

[4] Tabesh, P. (2021), op. cit., 5.

[5] Shrestha, Y. R., Ben-Menahem, S. M., & Von Krogh, G. (2019), op. cit., 70-77.

[6] Daft R. L. (2021), op. cit., 355.

[7] Lichtenthaler, U. (2020). Mixing data analytics with intuition: Liverpool Football Club scores with integrated intelligence. Journal ofBusiness Strategy, 11.