Collegare un modello di intelligenza artificiale a dati errati non migliora i dati stessi, ma il modo in cui gli errori vengono presentati. Il sistema restituirà una risposta ben scritta, coerente e sicura di sé, basata su informazioni incomplete o contraddittorie, ed è proprio questa sicurezza che rende il problema più pericoloso di prima.
Quando un report proveniva da un foglio di calcolo, qualcuno lo guardava con sospetto. Quando invece proviene da un sistema di intelligenza artificiale, se ne discute in una riunione.
Quasi nessuna azienda di medie dimensioni è priva di dati. Ciò che quasi tutte possiedono è la stessa informazione frammentata in più punti con valori differenti: il cliente nel CRM e nell'ERP con indirizzi diversi, il margine calcolato in due modi diversi a seconda del reparto, lo stato di un ordine che dipende da chi si interpella.
Un modello non risolve questa contraddizione. Sceglie una delle versioni, a seconda di come è costruita la query e di quale documento recupera per primo, e risponde senza rendersi conto che ne esisteva un'altra.
I tre sintomi che compaiono sempre in una diagnosi:
Non esiste un proprietario dei dati. Nessuno è responsabile di garantire che il campo "cliente attivo" abbia lo stesso significato in tutti i sistemi.
Non esiste una definizione condivisa. «"Vendita" può significare ordine, fattura o pagamento. Tre cifre corrette e tre conclusioni diverse.
Non esiste una storia attendibile. Le modifiche sono state sovrascritte, quindi è impossibile ricostruire la situazione reale di marzo.
Senza affrontare questi tre punti, qualsiasi livello analitico o di intelligenza artificiale costruito in seguito erediterà il problema e lo amplificherà.
Livello | Quale problema risolve? | Senza questo, il prossimo non funzionerà. |
|---|---|---|
1. Proprietà dei dati | Chi è responsabile di ciascun dato? | Nessuno corregge niente |
2. Definizione condivisa | Che significato ha ciascuna metrica? | I numeri vengono discussi invece di essere utilizzati |
3. Unica fonte di verità | Quali regole di sistema | Le risposte dipendono da dove si guarda. |
4. Storia e tracciabilità | Cosa era vero e quando | Non è previsto alcun audit o confronto temporale. |
5. Analisi e intelligenza artificiale | Interpretazione e previsione | È costruito sulla sabbia |
La tentazione più comune è quella di iniziare dal livello 5, perché è il più visibile e quello che si può mostrare. Il risultato è un bel pannello i cui numeri nessuno usa per prendere decisioni, perché ogni dipartimento ha motivi per diffidare di essi.
L'ordine inverso è meno appariscente e produce valore fin dal primo livello: quando qualcuno possiede un dato e la sua definizione viene messa per iscritto, le discussioni sulle cifre scompaiono anche se non è stato collegato alcun modello.
Mentre i dati venivano inseriti nei report, è stato rilevato un errore durante la riunione. Quando vengono inseriti nei sistemi che essi compiono azioni, L'errore si trasforma in un'azione eseguita: un ordine creato, un cliente contattato, un importo applicato.
Nel 2025 McKinsey ha osservato che il fattore maggiormente correlato all'impatto sull'EBIT non è il modello scelto, bensì la profonda riprogettazione dei flussi di lavoro, un'operazione che solo il 211% delle aziende che lo avevano adottato aveva effettivamente effettuato. Riprogettare un flusso di lavoro richiede la definizione dei dati che lo governano, ed è qui che entra in gioco il lavoro che quasi nessuno vuole fare.
È la stessa conclusione, vista da un altro punto di vista, che presentiamo in L'intelligenza artificiale non risolverà i problemi di un'azienda mal progettata.
L'espressione *pronto per l'IA* viene usata in modo molto generico. In pratica, significa cinque cose verificabili:
Ogni dato critico ha un sistema di origine dichiarato. E gli altri lo consultano, non lo riscrivono.
Le definizioni sono scritte in forma chiara e accessibili. Un breve glossario che spiega cosa sono un cliente, una vendita e un caso chiuso e approvato dall'azienda.
I dati hanno una storia. Non viene sovrascritto: viene gestito tramite versioning. Ciò consente la ricostruzione e la verifica.
Le autorizzazioni sono contenute nei dati, non nell'applicazione. Se il controllo degli accessi risiede sullo schermo, qualsiasi sistema che lo interroghi dal basso lo aggirerà. Questo è esattamente ciò che fa un agente.
Esiste un modo per misurare la qualità. Percentuale di record incompleti, duplicati rilevati, discrepanze tra sistemi. Senza metriche, non c'è miglioramento. Un progetto di IA costruito su una base che soddisfa queste cinque condizioni ha una probabilità di successo radicalmente diversa rispetto a uno che non le soddisfa. Lo abbiamo sviluppato in Cosa significa essere un'azienda pronta per l'intelligenza artificiale?
La reazione usuale a questa diagnosi è quella di proporre un progetto di governance dei dati aziendali. In genere dura diciotto mesi, produce un documento e non modifica le operazioni.
L'approccio che funziona è l'opposto: Parti dai dati che supportano il processo più esplicativo.. Ordina quel prodotto, misuralo e utilizzalo. Poi passa al successivo. Ogni iterazione produce un risultato utilizzabile e finanzia la successiva.
Un progetto basato sui dati che non migliora una decisione specifica in meno di tre mesi probabilmente non migliorerà alcuna decisione.
Prima di approvare un investimento in analisi dati o intelligenza artificiale, è previsto un test che dura mezz'ora: richiede lo stesso importo a tre dipartimenti diversi.
Se coincidono, le basi sono migliori del solito e si può costruire su di esse. Se non coincidono – e di solito non coincidono – sapete già qual è il primo progetto, e non si tratta di intelligenza artificiale.
No. Un modello che gestisce dati contrastanti sceglie una delle versioni disponibili e risponde con sicurezza, senza riconoscere l'esistenza di un'altra versione. Il risultato è un errore presentato in modo più chiaro e, quindi, più difficile da individuare rispetto a un errore derivante da un foglio di calcolo.
Cinque condizioni verificabili: ogni elemento di dati critico ha un sistema di origine dichiarato, le definizioni aziendali sono scritte e condivise, esiste una cronologia delle versioni anziché la sovrascrittura, le autorizzazioni risiedono nei dati e non nell'applicazione e sono presenti metriche di qualità dei dati.
Grazie ai dati che supportano il processo e che spiegano la maggior parte del margine, non grazie a un progetto di governance dei dati aziendali. Organizzare un'area, misurarla e utilizzarla produce risultati in settimane e finanzia l'iterazione successiva; i progetti globali, di solito, finiscono per essere solo documentazione.
Perché vengono creati prima di aver risolto le questioni relative alla proprietà dei dati, alle definizioni condivise e all'individuazione di un'unica fonte di verità. Quando ogni dipartimento può giustificare una cifra diversa, le riunioni si trasformano in discussioni sui numeri anziché in decisioni basate su di essi.
L'errore cessa di essere una segnalazione errata e diventa un'azione intrapresa: un ordine creato, un cliente contattato o un importo applicato. L'automazione trasforma un problema informativo in un problema operativo.
Chiedere la stessa cifra a tre dipartimenti diversi. Se le risposte non coincidono, il primo progetto necessario non è di intelligenza artificiale, ma di definizione e proprietà dei dati.
I tuoi dati sarebbero in grado di sopportare un ulteriore livello di intelligenza artificiale? Valutiamo la proprietà intellettuale, le definizioni, le fonti attendibili e la qualità prima di formulare qualsiasi proposta. Analisi di due ore, senza impegno. Parliamone → |
Español Español 
English
Français
العربية
Português
Deutsch
Italiano
