Strategia di intelligenza artificiale

2025-07-02

Questo articolo illustra il processo per preparare l'organizzazione per l'adozione dell'IA. Descrive come selezionare le soluzioni di intelligenza artificiale appropriate, preparare i dati e basare l'approccio nei principi di IA responsabili. Una strategia di IA ben pianificata si allinea agli obiettivi aziendali e garantisce che i progetti di IA contribuiscano al successo complessivo.

Identificare i casi d'uso di intelligenza artificiale

L'IA migliora l'efficienza individuale e migliora i processi aziendali. L'intelligenza artificiale generativa aumenta la produttività e migliora le esperienze dei clienti. Intelligenza artificiale non generica, ad esempio Machine Learning, analizza i dati strutturati e automatizza le attività ripetitive. Usare questa comprensione per identificare le aree dell'azienda in cui l'intelligenza artificiale aggiunge valore.

Identificare le opportunità di automazione. Concentrarsi sui processi adatti all'automazione per migliorare l'efficienza e ridurre i costi operativi. Indirizzare le attività ripetitive, le operazioni con carichi di dati o aree con tassi di errore elevati in cui l'intelligenza artificiale può avere un impatto significativo.
Raccogliere commenti e suggerimenti dei clienti. Usare il feedback dei clienti per individuare i casi d'uso che migliorano la soddisfazione dei clienti quando vengono automatizzati con l'intelligenza artificiale. Questo feedback consente di classificare in ordine di priorità le iniziative di IA con impatto.
Eseguire una valutazione interna. Raccogliere input da vari reparti per identificare le sfide e le inefficienze che l'intelligenza artificiale può affrontare. Documentare i flussi di lavoro e raccogliere l'input degli stakeholder per individuare opportunità di automazione, generazione di informazioni dettagliate o miglioramento del processo decisionale.
Casi d'uso del settore della ricerca. Esaminare il modo in cui organizzazioni o settori simili usano l'IA per risolvere i problemi o migliorare le operazioni. Usare strumenti come le architetture di intelligenza artificiale nel Centro architetture di Azure per trovare ispirazione e valutare approcci appropriati.
Definire le destinazioni di intelligenza artificiale. Per ogni caso d'uso identificato, definire l'obiettivo (utilizzo generico), l'obiettivo (risultato desiderato) e la metrica di successo (misura quantificabile). Questi benchmark guidano l'adozione dell'IA e misurano il successo. Per altre informazioni, vedere La strategia di intelligenza artificiale di esempio.

Definire una strategia tecnologica di intelligenza artificiale

La strategia tecnologica determina l'approccio corretto per le funzionalità, gli asset di dati e i requisiti di budget dell'organizzazione. Questa strategia prepara l'organizzazione per le architetture basate su agenti che consentono a più sistemi di intelligenza artificiale di collaborare su attività complesse. È necessario valutare le opzioni tecnologico in tre modelli di servizio per selezionare l'approccio più adatto alle proprie esigenze.

Comprendere gli agenti di intelligenza artificiale. Gli agenti di intelligenza artificiale sono sistemi autonomi che usano i modelli di intelligenza artificiale per completare le attività senza supervisione umana costante. Questi sistemi rappresentano un passaggio dall'automazione tradizionale al processo decisionale intelligente che si adatta alle condizioni mutevoli. È necessario pianificare l'integrazione dell'agente per supportare flussi di lavoro complessi e collaborazione multi-sistema. Vedere Che cosa sono gli agenti? per comprendere le funzionalità degli agenti e preparare l'organizzazione per le soluzioni basate su agenti.
Adottare meccanismi standard per l'interoperabilità con intelligenza artificiale. I protocolli standard consentono ai sistemi di intelligenza artificiale di comunicare tra piattaforme diverse e ridurre le implementazioni personalizzate. Questi protocolli supportano la condivisione dei dati e l'integrazione del sistema mantenendo al contempo la flessibilità per i cambiamenti tecnologici futuri. È necessario comprendere protocolli come Model Context Protocol per l'inserimento di dati tra sistemi per garantire che i sistemi di intelligenza artificiale supportino i requisiti di interoperabilità. Valutare strumenti come NLWeb per preparare il contenuto per il Web di intelligenza artificiale. Ad esempio, vedere Model Context Protocol in Microsoft Copilot Studio ed Esposizione di API REST come server MCP.
Selezionare il modello di servizio di intelligenza artificiale appropriato. Microsoft offre tre modelli di servizio con diversi livelli di personalizzazione e responsabilità condivisa: Software as a Service (SaaS), Platform as a Service (PaaS) e Infrastruttura distribuita come servizio (IaaS). Ogni modello richiede competenze tecniche diverse e offre diversi gradi di controllo sull'implementazione dell'IA. È necessario soddisfare le funzionalità, i requisiti dei dati e le esigenze di personalizzazione del team con il modello di servizio appropriato. Usare l'albero delle decisioni di intelligenza artificiale seguente per guidare il processo di selezione.

Acquistare intelligenza artificiale con servizi software (SaaS)

Microsoft offre soluzioni di intelligenza artificiale generative SaaS, note come Copilots, per migliorare la produttività con competenze tecniche minime. Per informazioni dettagliate, vedere la tabella seguente.

Microsoft Copilots	Descrizione	Utente	Dati necessari	Competenze richieste	Fattori di costo principali
Microsoft 365 Copilot	Microsoft 365 Copilot offre chat basate sul Web (internet) e chat aziendali (Microsoft Graph) oltre a intelligenza artificiale integrata nelle app di Microsoft 365.	Attività commerciale	Sì. Classificare i dati con etichette di riservatezza e interagire in modo sicuro con i dati in Microsoft Graph.	Gestione generale dei dati e IT	Licenza
Copiloti a base di ruolo	Agenti che migliorano l'efficienza per ruoli specifici in Sicurezza, Vendite, Servizi e Finanza.	Attività commerciale	Sì. Sono disponibili opzioni di connessione dati e plug-in.	Gestione generale dei dati e IT	Licenze o unità di calcolo per la sicurezza (Copilot per la sicurezza)
Copiloti nel prodotto	Intelligenza artificiale all'interno di prodotti come GitHub, Power Apps, Power BI, Dynamics 365, Power Automate, Microsoft Fabric e Azure.	Impresa e individuo	Sì. La maggior parte richiede una preparazione minima dei dati.	Nessuno	Gratuito o abbonamento
Microsoft Copilot o Microsoft Copilot Pro	Microsoft Copilot è un'applicazione di chat gratuita. Copilot Pro offre prestazioni, capacità e accesso migliori a Copilot in determinate app di Microsoft 365.	Individuo	NO	Nessuno	Microsoft Copilot è gratuito. Microsoft Copilot Pro richiede una sottoscrizione
Strumenti di estendibilità per Microsoft 365 Copilot	Personalizza Microsoft 365 Copilot con più dati o funzionalità tramite agenti dichiarativi. Usare strumenti come Copilot Studio, generatore di agenti, toolkit di Teams e SharePoint.	Impresa e individuo	Usare i connettori di Microsoft Graph per aggiungere dati.	Gestione dei dati, it generale o competenze per sviluppatori	licenza di Microsoft 365 Copilot
Copilot Studio	Usare Copilot Studio per compilare, testare e distribuire agenti in un ambiente di creazione SaaS.	Sviluppatore	Automatizza gran parte dei dati per creare copiloti personalizzati.	Piattaforma per connettere origini dati, mappare le richieste e utilizzare copiloti	Licenza

Creare carichi di lavoro di intelligenza artificiale con piattaforme Di Azure (PaaS)

Azure offre più opzioni PaaS personalizzate in base agli obiettivi di intelligenza artificiale, al set di competenze e alle esigenze dei dati. Queste piattaforme si adattano a vari livelli di competenze tecniche. Esaminare le pagine dei prezzi per ogni servizio di Azure e usare il calcolatore prezzi di Azure per sviluppare stime dei costi.

Obiettivo dell'intelligenza artificiale	Soluzione Microsoft	Dati necessari	Competenze richieste	Fattori di costo principali
Agenti di compilazione	Servizio agente di Azure AI Foundry	Sì	Configurazione dell'ambiente, selezione del modello, strumenti, archiviazione dei dati a terra, isolamento dei dati, attivazione dell'agente, connessione di agenti, filtro del contenuto, rete privata, monitoraggio agente, monitoraggio dei servizi	Utilizzo di token del modello, archiviazione, funzionalità, calcolo, connessioni di base
Creare applicazioni RAG	Azure IA Foundry	Sì	Selezionare modelli, orchestrare il flusso di dati, suddividere i dati in blocchi, arricchire i blocchi, scegliere il metodo di indicizzazione, comprendere i tipi di query (full-text, vector, ibrido), comprendere filtri e facet, rieseguire la classifica, progettare prompt, distribuire endpoint e utilizzare endpoint nelle app	Calcolo, numero di token in ingresso e in uscita, servizi di intelligenza artificiale consumati, archiviazione e trasferimento dei dati
Regolare finemente i modelli GenAI	Azure IA Foundry	Sì	Pre-elaborazione dei dati, suddivisione dei dati in dati di training e convalida, convalida dei modelli, configurazione di altri parametri, miglioramento dei modelli, distribuzione di modelli e utilizzo di endpoint nelle app	Calcolo, numero di token in ingresso e in uscita, servizi di intelligenza artificiale consumati, archiviazione e trasferimento dei dati
Addestrare e inferire i modelli	Azure Machine Learning o Microsoft Fabric	Sì	Pre-elaborazione dei dati, addestramento di modelli tramite codice o automazione, miglioramento dei modelli, distribuzione di modelli di Machine Learning e gestione degli endpoint nelle app	Calcolo, archiviazione e trasferimento dei dati
Usare modelli e servizi di intelligenza artificiale predefiniti	Servizi di intelligenza artificiale di Azure e/o OpenAI di Azure	Sì	Selezionare i modelli di intelligenza artificiale, proteggere gli endpoint, usare gli endpoint nelle app e ottimizzare in base alle esigenze	Uso degli endpoint del modello, archiviazione, trasferimento dei dati, calcolo (se si esegue il training di modelli personalizzati)
Isolare le app di intelligenza artificiale	App azure Container	Sì	Selezionare modelli di intelligenza artificiale, orchestrazione del flusso di dati, suddivisione in blocchi, arricchimento di blocchi, scelta dell'indicizzazione, comprensione dei tipi di query (full-text, vettore, ibrido), comprensione di filtri e facet, esecuzione di reranking, progettazione prompt, distribuzione di endpoint e utilizzo di endpoint nelle app	Calcolo, numero di token in ingresso e in uscita, servizi di intelligenza artificiale consumati, archiviazione e trasferimento dei dati

Usare modelli di intelligenza artificiale con i servizi di infrastruttura (IaaS)

Per una maggiore personalizzazione e controllo, usare le soluzioni IaaS di Azure, ad esempio Macchine virtuali di Azure tramite CycleCloud e il servizio Azure Kubernetes. Queste soluzioni consentono il training e la distribuzione di modelli di intelligenza artificiale personalizzati. Fare riferimento alle pagine dei prezzi pertinenti e al calcolatore prezzi di Azure.

Obiettivo dell'intelligenza artificiale	Soluzione Microsoft	Dati necessari	Competenze richieste	Fattori di costo principali
Allena e sfrutta i tuoi modelli di intelligenza artificiale. Porta i tuoi modelli su Azure.	Macchine virtuali di Azure o Servizio Azure Kubernetes	Sì	Gestione dell'infrastruttura, IT, installazione del programma, training dei modelli, benchmarking dei modelli, orchestrazione, distribuzione di endpoint, protezione degli endpoint e utilizzo di endpoint nelle app	Calcolo, agente di orchestrazione dei nodi di calcolo, dischi gestiti (facoltativo), servizi di archiviazione, Azure Bastion e altri servizi di Azure usati

Sviluppare una strategia per i dati di intelligenza artificiale

La strategia dei dati definisce come raccogliere, gestire e usare i dati per le iniziative di intelligenza artificiale. Questa strategia garantisce che gli asset di dati supportino i casi d'uso di intelligenza artificiale mantenendo al contempo la sicurezza e la conformità. È necessario definire framework di governance, valutare le esigenze di scalabilità, progettare la gestione del ciclo di vita e implementare procedure di dati responsabili.

Definire framework di governance dei dati per i carichi di lavoro di intelligenza artificiale. La governance dei dati offre un utilizzo sicuro e conforme dei dati di intelligenza artificiale tramite i controlli di accesso e i criteri d'uso responsabili. I framework di governance definiscono i requisiti per diversi casi d'uso di intelligenza artificiale e stabiliscono processi di gestione dei dati in corso. È necessario definire schemi di classificazione dei dati in base ai livelli di riservatezza ed esposizione. Usare la sicurezza dei dati e le protezioni di conformità per le app di intelligenza artificiale generati in Microsoft Purview.
Valutare i requisiti di scalabilità per le esigenze dei dati di intelligenza artificiale. La valutazione della scalabilità garantisce che l'infrastruttura di dati gestisca le richieste dei carichi di lavoro di intelligenza artificiale correnti e future senza problemi di prestazioni o sovraccarichi dei costi. Questa valutazione identifica i requisiti di volume, velocità e varietà che guidano la selezione della tecnologia. È necessario documentare i volumi di dati correnti, le frequenze di elaborazione e i tipi di dati per ogni caso d'uso di intelligenza artificiale.
Progettare la gestione del ciclo di vita dei dati per gli asset di intelligenza artificiale. La gestione del ciclo di vita mantiene i dati accessibili, sicuri e convenienti dalla raccolta all'eliminazione, supportando i requisiti di intelligenza artificiale. Questo approccio riguarda le strategie di raccolta, l'ottimizzazione dell'archiviazione e i processi di controllo della qualità. È necessario pianificare la raccolta di dati sistematica da database, API, dispositivi IoT e provider di terze parti. Progettare strategie di archiviazione con livelli appropriati in base ai modelli di accesso e alle esigenze di conservazione. Stabilire pipeline ETL/ELT per la qualità dei dati e usare il dashboard di intelligenza artificiale responsabile per identificare e attenuare le distorsioni dei set di dati.
Implementare procedure di dati responsabili per lo sviluppo di intelligenza artificiale. Le procedure responsabili garantiscono che i sistemi di intelligenza artificiale usino i dati in modo etico e mantengano la conformità alle normative. Queste procedure guidano le decisioni relative alla raccolta, all'utilizzo e alla conservazione dei dati nel ciclo di vita dell'intelligenza artificiale. È necessario implementare il rilevamento della derivazione dei dati usando Microsoft Fabric o Microsoft Purview per la trasparenza. Definire gli standard di qualità dei dati, il rilevamento delle distorsioni e le considerazioni sull'equità nei set di dati di training. Definire criteri di conservazione e eliminazione che bilanciano le prestazioni dell'IA con i requisiti di privacy e conformità.

Sviluppare una strategia di IA responsabile

La strategia di IA responsabile garantisce che le soluzioni di IA rimangano affidabili ed etiche. Questa strategia definisce i framework per lo sviluppo etico di intelligenza artificiale in linea con gli obiettivi aziendali. È necessario stabilire la responsabilità, definire i principi, selezionare gli strumenti e valutare la conformità per creare una strategia di IA responsabile.

Assegnare la responsabilità dell'intelligenza artificiale ai team designati. Le strutture di responsabilità forniscono la proprietà per le decisioni di governance dell'IA e garantiscono una gestione reattiva dei requisiti normativi. Queste strutture definiscono ruoli e autorità decisionale per le iniziative di IA. È necessario assegnare singoli utenti o team per monitorare i cambiamenti tecnologici dell'IA e i requisiti normativi. Creare un centro di eccellenza per il cloud di intelligenza artificiale per centralizzare le responsabilità e stabilire procedure di escalation.
Adottare principi di IA responsabili come obiettivi aziendali. I principi di IA responsabili forniscono il framework per lo sviluppo di intelligenza artificiale etica che guida il processo decisionale e si allinea agli standard del settore. Questi principi diventano obiettivi aziendali che modellano la selezione e lo sviluppo del progetto di intelligenza artificiale. È necessario adottare i sei principi di IA responsabili di Microsoft, allineati al framework RMF (Ai Risk Management Framework) NIST. Integrare questi principi nella pianificazione del progetto, nei processi di sviluppo e nelle metriche di successo.
Seleziona strumenti di intelligenza artificiale responsabili per il tuo portfolio di IA. La selezione degli strumenti garantisce meccanismi appropriati per i principi etici dell'IA e mantiene un'applicazione coerente degli standard di IA responsabili. La selezione degli strumenti risolve gli approcci di integrazione e i processi operativi. È necessario valutare e selezionare gli strumenti e i processi di IA responsabili appropriati che si allineano ai casi d'uso e ai profili di rischio di intelligenza artificiale. Integrare questi strumenti all'interno dei flussi di lavoro di sviluppo per garantire un'applicazione coerente.
Identificare i requisiti di conformità per le normative di intelligenza artificiale. La valutazione della conformità protegge l'organizzazione dai rischi legali e garantisce che le iniziative di IA siano allineate alle leggi e agli standard di settore applicabili. I requisiti di conformità variano in base a settore, area geografica e applicazione di intelligenza artificiale. È necessario identificare le normative di IA locali e internazionali pertinenti che si applicano ai casi d'uso delle operazioni e dell'IA. Monitorare le modifiche normative e aggiornare le strategie di conformità per garantire un allineamento continuo durante il percorso di adozione dell'IA.