Dominic Sartorio, VP di Product Marketing presso Denodo – Serie di interviste

Dominic Sartorio è VP di Product Marketing presso Denodo. Dominic ha oltre 20 anni di esperienza nel mercato della gestione e del governo dei dati, avendo ricoperto vari ruoli di leadership nel prodotto e nel marketing presso Informatica, Protegrity e altri importanti fornitori.

Denodo è un leader globale nella gestione dei dati, che alimenta agenti e applicazioni AI affidabili. La piattaforma Denodo, una soluzione di gestione logica dei dati vincitrice di premi, trasforma i dati aziendali in informazioni affidabili per AI, analisi e iniziative di self-service. Le organizzazioni di tutto il mondo utilizzano Denodo per fornire dati pronti per l’azienda e per l’AI in una frazione del tempo rispetto ai tradizionali data lakehouse, raggiungendo fino a 4 volte più velocemente il tempo di insight, un ROI del 345% e prestazioni 10 volte migliori. Sulla base delle informazioni raccolte da 850 leader aziendali, il rapporto AI Trust Gap di Denodo rivela perché molti progetti AI hanno difficoltà a superare le fasi di sperimentazione e cosa le organizzazioni devono fare per costruire AI affidabili e pronte per la produzione.

Ha ricoperto ruoli di leadership senior in aziende come Informatica, Protegrity, Infoworks e ora Denodo, tutte focalizzate su diversi strati dell’infrastruttura dei dati aziendali. Come è cambiata la sua prospettiva sui “dati affidabili” man mano che l’AI si è spostata dall’analisi ai sistemi autonomi e agente?

All’inizio della mia carriera, i dati affidabili erano principalmente questione di accuratezza, provenienza, sicurezza e di dare agli analisti la fiducia nei dashboard e nei report. Con l’AI agente, le poste in gioco sono molto più elevate perché i sistemi non stanno solo interpretando i dati; potrebbero anche agire in modo autonomo, attivare flussi di lavoro aziendali o prendere decisioni con un impatto reale sul mondo. Ciò significa che i dati affidabili devono ora includere il contesto operativo live, il significato aziendale coerente e i limiti imposti in modo che si possa avere fiducia che gli agenti agiscano correttamente e in sicurezza.

Il rapporto AI Trust Gap di Denodo ha scoperto che il 66% delle organizzazioni afferma che i dati AI devono essere in tempo reale o quasi in tempo reale per essere affidabili. Perché pensa che molte aziende stiano ancora lottando per fornire dati operativi live ai sistemi AI?

La maggior parte delle aziende non è stata progettata per agenti AI che necessitano di consapevolezza situazionale live su molti sistemi. I loro dati sono sparsi tra applicazioni, cloud, magazzini, lakehouse, sistemi legacy e altre piattaforme operative. Potrebbero copiare questi dati in un magazzino centrale o in un lago di dati per l’analisi e la business intelligence, ma ciò non è adatto per gli agenti AI che necessitano di consapevolezza situazionale live. Una volta copiati, i dati non sono più live. È possibile trasmettere in tempo reale, ma ciò diventa molto costoso molto rapidamente. È proprio qui che l’approccio di gestione logica dei dati di Denodo diventa importante, poiché fornisce ai sistemi AI l’accesso governato ai dati live senza richiedere alle aziende di copiare e ripiattare costantemente tutto.

Una delle scoperte più sorprendenti nel rapporto è che le iniziative AI aziendali attualmente attingono da centinaia di fonti di dati, con alcune organizzazioni che accedono a più di 1.000 fonti. Come cambia questo livello di frammentazione il modo in cui le aziende dovrebbero pensare all’architettura AI?

A quel livello di frammentazione, l’architettura non può dipendere dalla consolidazione fisica di ogni sorgente prima che l’AI possa utilizzarla. Le aziende necessitano di uno strato di astrazione che possa scoprire, integrare, governare e fornire dati su tutta la realtà distribuita che già possiedono. A mio parere, l’architettura dei dati deve diventare più logica, guidata dai metadati e semantica, in modo che gli agenti possano trovare i dati giusti nel contesto senza essere strettamente vincolati ai sistemi sottostanti.

Il rapporto sostiene che molti fallimenti AI sono in realtà “fallimenti dell’architettura dei dati” piuttosto che fallimenti del modello. Pensa che l’industria abbia speso troppo tempo a ossessionarsi con i modelli mentre sottostimava l’importanza dell’infrastruttura dei dati?

Sì. I modelli sono importanti, naturalmente, ma molti progetti AI falliti non falliscono perché il modello è incapace; falliscono perché il modello opera con dati incompleti, obsoleti, incoerenti o mal governati. Il modello funzionava bene nel pilot, utilizzando un set di dati ben definito e curato, ma una volta distribuito nel “mondo reale”, con la sua confusione distribuita, l’AI fallisce nel produrre risultati affidabili. La mia esperienza è stata che le aziende ottengono risultati AI molto migliori quando trattano lo strato dei dati come una parte di prima classe dell’architettura AI, non come un afterthought.

Denodo parla frequentemente di coerenza semantica e dell’importanza di uno strato semantico universale. Man mano che gli agenti AI iniziano a prendere decisioni in modo autonomo, quanto critico diventa l’allineamento semantico per prevenire azioni errate o logica aziendale allucinata?

L’allineamento semantico diventa assolutamente critico. Se un sistema definisce “cliente”, “ricavo”, “rischio” o “abbandono” in modo diverso da un altro, un agente AI può produrre una risposta tecnicamente plausibile che è comunque sbagliata per il contesto aziendale dato. Uno strato semantico universale aiuta a garantire che gli agenti operino con un significato aziendale coerente, non solo con l’accesso grezzo ai dati.

La sua sessione all’AI & Big Data Expo si è concentrata sul passaggio dalle fasi di sperimentazione alla produzione. Nella sua esperienza, quali sono i motivi più grandi per cui le aziende rimangono bloccate nella “fase di sperimentazione” e non riescono a scalare l’AI in sistemi operativi reali?

I pilot spesso funzionano perché sono ristretti, curati manualmente e isolati dalla piena complessità dell’azienda. L’AI di produzione deve invece affrontare dati live da molte fonti, sicurezza, governance, prestazioni, tracciabilità, regole aziendali in evoluzione e integrazione in flussi di lavoro reali. Molti organismi rimangono bloccati perché costruiscono una demo impressionante, ma non la fondazione di dati governata necessaria per operare l’AI in modo affidabile e su larga scala.

Il rapporto cita previsioni secondo cui una percentuale significativa dei progetti AI agente potrebbe essere cancellata nei prossimi anni a causa di costi in aumento, valore non chiaro o controlli di rischio inadeguati. Pensa che l’industria stia entrando in una fase in cui le aziende diventeranno molto più selettive su quali progetti AI sopravvivono?

Sì, e credo che sia salutare. La prima ondata di sperimentazione AI era sulla possibilità; la prossima ondata sarà sul valore operativo, sulla disciplina dei costi e sulla fiducia. I progetti che sopravvivranno saranno quelli legati a risultati aziendali misurabili e supportati dai dati, dalla governance e dall’architettura giusti.

La sicurezza e la governance appaiono in tutto il rapporto come temi ricorrenti, in particolare intorno ai “limiti” per l’AI agente. Come dovrebbero le aziende bilanciare le capacità AI autonome con la necessità di un controllo di accesso rigoroso e tracciabilità?

La chiave non è trattare la governance come qualcosa da aggiungere dopo che il sistema AI è stato costruito. Il controllo di accesso, l’applicazione delle politiche, la provenienza e la tracciabilità devono essere incorporati nello strato di accesso ai dati stesso, in modo che gli agenti AI vedano e utilizzino solo i dati per cui sono autorizzati. Con Denodo, le stesse politiche di governance possono essere applicate in modo coerente su fonti distribuite, il che è essenziale quando l’AI opera su ambienti ibridi e multi-cloud.

Denodo posiziona la gestione logica dei dati come un modo per unificare l’accesso su ambienti ibridi e multi-cloud senza dover spostare costantemente i dati. Man mano che le aziende adottano sempre più architetture AI basate sul recupero, pensa che le architetture “zero-copia” o “logiche per prime” diventeranno la direzione a lungo termine per l’AI aziendale?

Sì. L’AI basata sul recupero dipende dall’ottenere i dati giusti al momento giusto, non necessariamente spostando ogni set di dati in un repository unico in anticipo. Un approccio logico per primo, zero-copia è molto più allineato con il modo in cui le aziende operano effettivamente: i dati rimangono distribuiti, ma l’AI può accedervi attraverso uno strato governato, semantico e in tempo reale. È la direzione in cui credo che l’AI aziendale debba andare.

Guardando avanti nei prossimi tre o cinque anni, cosa pensa separerà le organizzazioni che riescono a operativizzare l’AI affidabile da quelle che rimangono bloccate nella modalità di sperimentazione?

I vincitori saranno le organizzazioni che riconoscono che l’AI non è solo una strategia di modello; è una strategia di dati, una strategia di governance e una strategia di modello operativo. Investiranno nell’accesso ai dati live, nella coerenza semantica, nella governance riutilizzabile e nelle architetture che possono coprire l’intera azienda. Quelli che continuano a costruire pilot isolati su dati frammentati o obsoleti lottano per superare la sperimentazione.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Denodo o scaricare il rapporto AI Trust Gap di Denodo qui