Nel trasporto e nella logistica, l'AI spesso non risiede in un sistema separato con un nome e un proprietario, ma è intrecciata nell'operatività stessa: pianificazione dei percorsi, ottimizzazione del carico, sistemi di manutenzione predittiva, previsione della domanda, e gli algoritmi che determinano quale conducente ottiene quale tragitto. Una parte di questo arriva tramite software di vettori, spedizionieri o piattaforme, e funziona quindi con regole decisionali che l'organizzazione stessa non ha impostato e talvolta non può vedere completamente. Il rapporto tra ciò che il dipartimento di pianificazione ha acquistato direttamente e ciò che arriva tramite partner della filiera o funzionalità integrate cambia continuamente. Questo non rende l'inventariazione in questo settore più semplice rispetto ad altri, ma diversa: la domanda non è solo chi ha installato uno strumento di AI, ma anche quali decisioni automatizzate erano già presenti nei sistemi esistenti prima che qualcuno le definisse come AI.
Un elenco del software approvato raramente racconta la storia completa. Pianificatori che usano uno strumento di AI per ottimizzare i percorsi, il servizio clienti che impiega un chatbot per il track-and-trace, o un addetto al magazzino che usa un'applicazione per fare previsioni di scorte: questo tipo di applicazioni nasce spesso a livello locale, guidato dalla pressione del tempo o da un compito concreto, senza che nessuno abbia presentato una richiesta formale. Chi vuole mappare questa realtà deve chiederlo alle persone che svolgono il lavoro, e questo funziona solo se porre domande non comporta immediatamente una correzione. Un'organizzazione che vuole individuare la shadow AI deve prima chiarire che segnalarla non comporta un rischio.
Un inventario che va oltre l'elenco IT mette in luce quali applicazioni di AI sono effettivamente in uso, in quale punto del processo si trovano e chi vi collega delle decisioni. Nel trasporto e nella logistica, questo significa spesso distinguere tra sistemi che si limitano a fornire consigli, sistemi che pianificano automaticamente senza intervento umano, e sistemi che hanno effetti su persone esterne all'organizzazione, come conducenti o clienti a cui viene presentato un tempo di consegna basato su una previsione. Questa distinzione è rilevante perché il livello di rischio cambia di conseguenza: uno strumento che fornisce solo un suggerimento a un pianificatore richiede una forma di oversight diversa rispetto a un sistema che stabilisce autonomamente turni o percorsi.
Dopo l'inventario segue la domanda su cosa fa esattamente ciascuna applicazione e per chi. Un sistema che prevede quando è necessaria la manutenzione ha un impatto diverso da un sistema che determina quale conducente riceve un tragitto in base ai dati sulle prestazioni. Classificare qui non significa applicare un modello fisso, ma ordinare ciò che è stato riscontrato: quale applicazione riguarda decisioni su persone, quale riguarda solo l'ottimizzazione logistica, e quale funziona in modo puramente di supporto. La normativa attuale che determina quali obblighi si applicano a quale livello di rischio è trattata altrove; qui si tratta della struttura necessaria per poter applicare in futuro quelle regole, indipendentemente da ciò che il testo prescrive esattamente.
Le aziende di trasporto lavorano generalmente già con la gestione del rischio riguardante sicurezza, pianificazione e compliance. L'AI-governance non deve essere un apparato nuovo accanto a quel sistema esistente; funziona meglio se la classificazione delle applicazioni di AI si collega a categorie già presenti, così che un dirigente o un risk manager non debba mantenere due elenchi separati. Ciò richiede un insieme di elementi di governance che indichi chi gestisce un'applicazione, chi ne è responsabile, e quale controllo esiste su di essa, in una forma che si adatti a ciò che è già presente in termini di struttura di reporting e responsabilità.
Un dirigente o un General Counsel a cui viene chiesto di dichiarare quali sistemi di AI sono attivi nell'organizzazione deve poterlo sostenere con più di un elenco proveniente dal sistema di acquisti. Dimostrabilità significa che esiste una panoramica aggiornata delle applicazioni, della loro classificazione e dello stato dell'oversight su di esse, e che questa panoramica resiste anche quando qualcuno approfondisce le domande. Altri settori conoscono questioni simili, come si può vedere in AI-governance nel settore del commercio al dettaglio, AI-governance nel settore agricolo e AI-governance nel settore ICT, ognuno con un proprio rapporto tra ciò che è stato acquistato centralmente e ciò che è nato localmente.
Lo Responsible AI Scan che riunisce questo inventario, la classificazione e la struttura di governance è in fase di sviluppo. Chi desidera iniziare può iscriversi alla lista d'attesa; al momento non è disponibile un prodotto pronto all'uso, e questo non viene presentato diversamente qui.
Una volta chiaro quali applicazioni di AI operano nella filiera dei trasporti e quale livello di rischio è appropriato, si presenta una domanda successiva che non trova risposta con l'inventariazione: quanto del lavoro che pianificatori, conducenti o addetti al servizio clienti svolgono attualmente può effettivamente essere ripreso da queste applicazioni. Questa domanda è vicina alla governance, ma non le è identica, e trova risposta nella scansione del lavoro di FTE TO AI, che calcola per ciascun compito quale parte del lavoro può essere ripresa dall'AI.
Vraag maar. Governance begint bij weten wat er draait — ook wat niemand heeft goedgekeurd.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.