In questo editoriale pubblicato il 23 febbraio 2024 su CIO-Online, Olivier Rafal (Consulting Director Strategy presso WeNvision) sostiene un'idea allora controcorrente: l'IA generativa è più una questione di prodotto tecnologico che un progetto di IA o data science. Molte organizzazioni sbagliano le priorità cercando di assumere data scientist e ingegneri di machine learning.

Primo argomento: costruire un foundation model da zero « richiede diversi mesi, milioni di euro e l'accesso a quantità enormi di dati ». Questo ha senso solo per attori con dataset specifici e monetizzabili — l'esempio emblematico è Bloomberg, che ha creato BloombergGPT per valorizzare i propri dati finanziari. Per quasi tutte le aziende, è preferibile appoggiarsi a LLM commerciali.

Non è necessariamente indispensabile essere data scientist, ma bisogna comprendere i concetti di base, avere competenze di sviluppo back-office e solide competenze cloud.

— **Olivier Rafal** , cio-online.com

Secondo argomento: il disallineamento delle competenze. Più che data scientist, servono ingegneri di sviluppo e integrazione (back e front), solide competenze cloud e DevOps. Un cliente riassume: « Non è necessariamente indispensabile essere data scientist, ma bisogna comprendere i concetti di base, avere competenze di sviluppo back-office e solide competenze cloud. »

Terzo argomento: l'architettura. Le aziende devono costruire una plateforme d'IA générative basata su orchestratori e API, il che rende « facile lavorare con i migliori LLM del mercato e passare dall'uno all'altro man mano che le rispettive capacità evolvono, senza dover rilavorare le applicazioni » — una garanzia di indipendenza contro il vendor lock-in.

Quarto argomento, quello centrale: il passaggio dal progetto al prodotto. « La piattaforma […] deve essere considerata un prodotto a tutti gli effetti », finanziata non da un investimento una tantum ma da un flusso mensile, per sostenere un'iterazione e un'innovazione continue.

Quinto argomento: la governance. La GenAI « si è democratizzata in modo senza precedenti », il che genera « tanta shadow AI quanto forti aspettative verso la direzione IT ». Una governance adeguata deve raccogliere i bisogni delle diverse unità di business, dare priorità ai prodotti in base al valore che creano, e vigilare sul corretto funzionamento dell'insieme.

Rafal annuncia infine un cambio di paradigma da accettare: « si passa dalla programmazione algoritmica classica ad agents Langchain che gestiscono parte delle decisioni ». Testo fondativo, pone già nel 2024 le basi (prodotto, piattaforma/API, finanziamento a flusso, governance) che le analisi successive — fino alla governance finanziaria FinOps/token del 2026 — non faranno che ampliare.