Quando un’azienda mi chiede come utilizzare l’intelligenza artificiale sui propri dati, la prima domanda che faccio non riguarda ChatGPT, Gemini, Claude o il modello più adatto. Chiedo invece: che cosa vuoi ottenere e quali informazioni servono davvero per farlo?
È da qui che dovrebbe partire una consulenza dati e AI.
Avere grandi quantità di dati, documenti, fogli di calcolo, report e database non significa essere pronti a utilizzarli con l’intelligenza artificiale. Prima degli strumenti vengono la qualità delle informazioni, il loro significato, le modalità di accesso, la riservatezza, i processi aziendali e la responsabilità con cui verranno utilizzati gli output.
L’AI può rendere più semplice interrogare, sintetizzare, classificare e mettere in relazione le informazioni. Non può però trasformare automaticamente dati confusi, incompleti o privi di contesto in una base affidabile per prendere decisioni.
Cosa significa consulenza dati e AI
Con consulenza dati e AI intendo un lavoro che collega un obiettivo aziendale ai dati, ai processi e alla tecnologia necessari per raggiungerlo.
Non significa semplicemente prendere gli archivi di un’azienda e collegarli a un chatbot. E non significa neppure utilizzare l’intelligenza artificiale per qualsiasi attività che abbia a che fare con numeri o informazioni.
Il punto è capire quale problema deve essere risolto, quali dati servono, dove si trovano, quanto sono affidabili e quale tecnologia è realmente adatta a elaborarli.
Un progetto potrebbe riguardare, per esempio, la ricerca all’interno della documentazione aziendale, il supporto all’analisi di report, la classificazione di richieste, l’estrazione di informazioni, la generazione di contenuti a partire da fonti interne oppure l’automazione di alcune attività ripetitive.
Sono esigenze molto diverse. Anche i dati e le tecnologie necessarie saranno diversi.
Per questo preferisco partire dal caso d’uso e arrivare allo strumento, non fare il percorso contrario.
Avere molti dati non significa avere dati utili per l’AI
Nelle aziende i dati raramente si trovano in un unico archivio ordinato.
Una parte può essere conservata nel gestionale, un’altra nel CRM, altra ancora in fogli Excel, PDF, presentazioni, e-mail, piattaforme cloud, database o applicazioni utilizzate dai diversi reparti.
Anche quando i dati sono disponibili, possono presentare problemi di duplicazione, aggiornamento, nomenclatura, completezza o accesso.
Due reparti potrebbero chiamare lo stesso cliente in modi diversi. Un documento potrebbe essere stato aggiornato senza eliminare la versione precedente. Una tabella potrebbe contenere valori perfettamente corretti ma privi del contesto necessario per interpretarli.
Per una persona che conosce l’azienda, alcune di queste ambiguità possono essere facili da risolvere. Per un sistema automatico non necessariamente.
La qualità del dato diventa quindi parte integrante della qualità del risultato.
Perché la qualità dei dati influenza anche la qualità dell’AI
Un sistema di intelligenza artificiale lavora sulle informazioni che gli vengono fornite o che può recuperare.
Se una fonte contiene informazioni obsolete, anche la risposta rischia di essere obsoleta. Se due documenti aziendali si contraddicono, il sistema dovrà gestire quella contraddizione. Se mancano informazioni fondamentali, potrebbe produrre una risposta incompleta oppure formulare una conclusione apparentemente plausibile ma poco affidabile.
Quando valuto la possibilità di utilizzare dati aziendali in un progetto AI, mi interessano quindi aspetti come correttezza, completezza, aggiornamento, coerenza, provenienza e contesto.
C’è poi un altro elemento spesso sottovalutato: il significato.
Un valore numerico non è realmente informativo se non sappiamo che cosa rappresenta, a quale periodo si riferisce, con quale metodo è stato calcolato o quali eccezioni contiene.
Preparare i dati per l’AI significa quindi anche rendere esplicite informazioni che all’interno dell’azienda vengono spesso date per scontate.
Non tutti i dati richiedono lo stesso tipo di intelligenza artificiale
Uno degli errori che cerco di evitare nei progetti è utilizzare un Large Language Model, cioè un modello linguistico di grandi dimensioni, come soluzione universale.
Un LLM è particolarmente efficace quando deve lavorare con il linguaggio: comprendere una domanda, sintetizzare documenti, classificare testi, estrarre informazioni, confrontare contenuti o generare una spiegazione.
Questo non significa che sia automaticamente lo strumento migliore per qualsiasi elaborazione.
Dati strutturati
Database, tabelle e serie numeriche hanno una struttura precisa. Se il compito richiede calcoli, aggregazioni, confronti o controlli ripetibili, può essere più efficace utilizzare strumenti progettati per elaborare dati strutturati e affiancare l’AI nella fase di interpretazione o interazione.
Documenti e conoscenza aziendale
Contratti, procedure, manuali, report e presentazioni hanno caratteristiche diverse. Qui può essere utile permettere a un sistema AI di cercare informazioni all’interno di una raccolta documentale e utilizzarle come contesto per rispondere.
Anche in questo caso, però, non basta caricare una cartella di file. Bisogna capire quali documenti includere, quali escludere, quali versioni considerare valide e come gestire gli aggiornamenti.
Analisi numeriche e interpretazione
Prendiamo un bilancio. Un modello linguistico può essere utile per spiegare alcune voci, confrontare testi, riassumere note o aiutare a esplorare le informazioni.
Se devo invece eseguire calcoli, riconciliazioni o verifiche numeriche che devono essere ripetibili e controllabili, preferisco affidare la parte deterministica a strumenti adatti al calcolo e utilizzare eventualmente l’AI come livello di interrogazione o interpretazione.
La scelta della tecnologia deve seguire il problema da risolvere.
Data governance e AI governance: dove si incontrano
L’introduzione dell’AI rende ancora più importante sapere come vengono gestite le informazioni aziendali.
La data governance riguarda il modo in cui i dati vengono raccolti, organizzati, mantenuti, classificati, resi accessibili e controllati all’interno dell’organizzazione.
La AI governance riguarda invece le regole, le responsabilità e i criteri con cui vengono selezionati, utilizzati e controllati i sistemi di intelligenza artificiale.
Sono ambiti distinti, ma si incontrano ogni volta che un sistema AI utilizza dati aziendali.
Se non so quali siano le fonti ufficiali, chi possa accedere a determinate informazioni o chi sia responsabile del loro aggiornamento, diventa difficile costruire un sistema AI affidabile.
Allo stesso modo, avere dati perfettamente organizzati non basta se non esistono criteri per decidere come utilizzare gli output prodotti dall’intelligenza artificiale.
La tecnologia, da sola, non risolve questi problemi organizzativi.
Chi può accedere a quali dati?
Prima di collegare un sistema di intelligenza artificiale ai dati aziendali, considero sempre anche un’altra domanda: quelle informazioni possono essere utilizzate in quel contesto?
Un documento interno può contenere dati personali, informazioni sui clienti, condizioni commerciali, strategie, proprietà intellettuale o altre informazioni che non devono necessariamente essere condivise con qualsiasi piattaforma.
Per questo personalizzare un sistema AI non significa consegnargli indiscriminatamente tutto ciò che l’azienda possiede.
Serve definire quali informazioni sono realmente necessarie, quali persone possono utilizzarle, quali sistemi possono trattarle e quali controlli devono essere previsti.
Gli aspetti relativi a privacy, sicurezza, contratti e conformità normativa devono inoltre essere valutati in funzione dello specifico progetto e, quando necessario, insieme alle competenze legali, privacy e di sicurezza dell’organizzazione.
L’obiettivo non è rallentare l’adozione dell’AI. È evitare che la velocità con cui uno strumento può essere attivato venga confusa con la semplicità del progetto.
Un sistema AI deve conoscere anche il contesto dei dati
C’è una differenza importante tra avere accesso a un’informazione e comprenderne il significato.
Immaginiamo una knowledge base interna con procedure scritte in anni diversi. Una procedura del 2022 potrebbe essere ancora formalmente presente nell’archivio, ma essere stata sostituita da una versione del 2026.
Se entrambe vengono recuperate senza una corretta gestione delle versioni, il sistema potrebbe utilizzare quella sbagliata.
Lo stesso vale per listini, documenti tecnici, presentazioni commerciali, cataloghi, policy e report.
Per rendere realmente utile l’AI è quindi necessario lavorare anche sul contesto: provenienza del dato, data di aggiornamento, versione, categoria, livello di affidabilità, eventuali autorizzazioni e relazioni con altre informazioni.
In molti progetti questa parte è meno visibile rispetto alla demo finale, ma è proprio ciò che può fare la differenza tra un prototipo interessante e uno strumento utilizzabile nel lavoro quotidiano.
Le 8 domande che farei prima di collegare i dati aziendali all’AI
Prima di scegliere una piattaforma o progettare un’automazione, partirei da queste domande:
- Quale problema aziendale vogliamo risolvere? Senza un obiettivo concreto è difficile capire quali dati servano davvero.
- Quali informazioni sono necessarie per svolgere quel compito? Non tutti i dati disponibili devono entrare nel progetto.
- Dove si trovano e chi ne è responsabile? È importante individuare fonti, proprietari e modalità di aggiornamento.
- I dati sono abbastanza affidabili e aggiornati? Errori e incoerenze possono trasferirsi direttamente sugli output.
- Chi deve poter accedere a quelle informazioni? Ruoli e permessi devono essere considerati fin dalla progettazione.
- I dati possono essere trattati dallo strumento scelto? Riservatezza, privacy, sicurezza e condizioni di utilizzo vanno verificate sul caso concreto.
- Quanto deve essere controllabile il risultato? Alcune attività tollerano un supporto probabilistico, altre richiedono risultati ripetibili e verificabili.
- Chi verifica l’output e chi prende la decisione finale? Automatizzare un passaggio non elimina la necessità di definire responsabilità e controlli.
Queste domande aiutano anche a scoprire quando l’intelligenza artificiale non è la soluzione migliore.
Vuoi capire se i tuoi dati sono pronti per un progetto AI?
Se stai valutando come utilizzare l’intelligenza artificiale in azienda, possiamo valutare una consulenza AI per capire se i dati sono pronti ed eventualmente come prepararli per essere utilizzati al meglio.
