Leader di pensiero
La governance aziendale dell’IA parte dall’infrastruttura dei database

Punti chiave% dei progetti pilota di IA aziendali fallisce perché la governance non è integrata a…
Vedi di più
- % dei progetti pilota di IA aziendali fallisce perché la governance non è integrata a livello di dati.
- Gli agenti autonomi richiedono controlli a livello di dati poiché le scritture non governate possono propagarsi a cascata tra i sistemi.
- Una governance incentrata sull'infrastruttura a livello di database colma il divario tra progetto pilota e produzione.
La sperimentazione dell’IA nelle imprese non è mai stata così rapida, eppure il passaggio alla produzione rimane ostinatamente lento. I team avviano progetti pilota, testano modelli e mostrano risultati promettenti nel giro di settimane, a volte giorni. Quando però arriva il momento di introdurre quei sistemi su vasta scala, i progressi spesso si arrestano. Emergono preoccupazioni per la sicurezza, si inaspriscono i requisiti di conformità e si moltiplicano gli interrogativi sulla governance.
Il rapporto del MIT The GenAI Divide: State of AI in Business 2025 ha rilevato che il 95% dei progetti pilota di IA nelle imprese non produce un impatto aziendale misurabile. Solo il 5% arriva in produzione e genera rendimenti economici reali. La ricerca ha esaminato oltre 300 implementazioni di IA e 150 interviste a dirigenti. La conclusione è che l’ostacolo principale non sono le capacità dei modelli, ma un’integrazione difettosa nei sistemi aziendali. La maggior parte delle organizzazioni considera questo un problema di regole da risolvere ai vertici. Io sostengo che la governance dell’IA sia una sfida a livello di sistema, che comincia dallo strato dei dati.
Perché i progetti di IA si fermano alla fase pilota
Molte iniziative di IA falliscono perché gli ambienti usati per sviluppare i prototipi sono fondamentalmente disallineati rispetto alla realtà dell’implementazione aziendale. Gli sviluppatori sono incentivati a procedere rapidamente, usando strumenti flessibili, dataset soggetti a una governance limitata e infrastrutture self-service per dimostrare valore al più presto. È l’ideale per sperimentare, ma non si trasferisce automaticamente in ambienti di produzione che richiedono verificabilità tramite audit, controlli rigorosi degli accessi, conformità normativa e resilienza operativa.
Di conseguenza, la governance viene spesso introdotta soltanto dopo il successo di una prova di fattibilità. A quel punto, quello che avrebbe dovuto essere uno strato di supporto diventa un vincolo. I team devono adattare a posteriori i modelli di sicurezza, riprogettare l’architettura dei flussi di dati e rivedere le ipotesi di conformità che avrebbero dovuto costituire la base fin dall’inizio.
Si allarga così il divario tra ciò che i sistemi di IA possono dimostrare in ambienti controllati e ciò che le imprese possono mettere in produzione in modo sicuro e affidabile.
Nel frattempo, l’insieme delle tecnologie di IA moderne si è evoluto privilegiando velocità e accessibilità, spesso a scapito del controllo. Le piattaforme pensate per gli sviluppatori facilitano i progetti pilota, ma possono nascondere dove si trovano i dati, come vengono utilizzati e chi vi può accedere.
Questo introduce rischi operativi e normativi concreti, tra cui l’esposizione involontaria dei dati, confini poco chiari tra ambienti e un’insufficiente verificabilità del comportamento del sistema tramite audit. Questi problemi emergono direttamente nelle valutazioni di prontezza per la produzione e di conformità. Le indagini aziendali mostrano costantemente che i problemi di qualità dei dati e di governance sono tra le principali cause del fallimento dei progetti di IA, citate nel 60–70% dei casi. Il problema è aggravato dalla crescente dipendenza da infrastrutture di terzi e servizi di database gestiti, che possono frammentare ulteriormente la proprietà dei dati e complicare l’adeguamento alle norme. Spesso le organizzazioni presumono che le piattaforme si occupino implicitamente della governance, mentre in realtà la responsabilità è distribuita su più livelli tecnologici.
Il risultato è un paradosso. Gli strumenti che accelerano la sperimentazione dell’IA sono spesso gli stessi che creano attrito al momento del passaggio alla produzione.
Il database è il vero livello di governance
Per affrontare questa disconnessione, occorre ripensare dove la governance si realizza effettivamente.
La governance viene spesso presentata come una funzione di definizione delle regole, affidata ai team legali, di conformità o dirigenziali e applicata attraverso documentazione e procedure di revisione. Questi meccanismi sono essenziali, ma da soli non bastano. La governance assume significato soltanto quando viene fatta rispettare a livello di sistema.
Nella pratica, ciò avviene dove i dati vengono archiviati, consultati e trasformati. Il database e l’infrastruttura dati circostante diventano quindi il livello di governance più importante dell’insieme delle tecnologie di IA.
I database moderni non sono archivi passivi. Definiscono i permessi di accesso, fanno rispettare i requisiti sulla collocazione geografica dei dati, gestiscono crittografia e controlli sulle chiavi e producono i log di audit necessari per la conformità e la supervisione della sicurezza. Sempre più spesso fungono anche da punto di controllo attraverso cui l’IA interagisce con i dati aziendali.
Questo è importante perché i sistemi di IA ereditano il livello di governance dell’infrastruttura dati da cui dipendono. Se il livello del database sottostante manca di struttura, controlli o visibilità, queste debolezze si propagano direttamente ai sistemi costruiti sopra di esso. Nessuna regola successiva a livello applicativo può compensare completamente una base dati priva di governance.
Ne deriva un cambiamento architettonico più ampio: la governance va incorporata nell’infrastruttura fin dall’inizio, non aggiunta dopo l’implementazione. Partire dall’infrastruttura nello sviluppo dell’IA significa progettare sistemi in cui la governance sia una proprietà intrinseca, non un vincolo esterno. L’accesso ai dati è mediato da interfacce controllate. Le query e le interazioni dei sistemi vengono registrate per impostazione predefinita. Le regole di conformità, come restrizioni di accesso, politiche di conservazione e requisiti di collocazione geografica, sono fatte rispettare a livello di sistema invece che mediante supervisione manuale o verifiche successive.
Servono modelli architettonici come livelli sicuri di mediazione delle query, controlli degli accessi basati su regole e osservabilità centralizzata negli ambienti dati distribuiti. Questi meccanismi assicurano un’applicazione continua della governance, anziché semplici controlli periodici.
La differenza tra governance proattiva e reattiva è fondamentale. Gli approcci reattivi cercano di correggere i problemi dopo la costruzione e l’implementazione dei sistemi. Quelli proattivi ne impediscono l’insorgenza incorporando i controlli direttamente nell’architettura.
Negli ambienti di IA, questa distinzione determina se i sistemi possono crescere di scala oppure bloccarsi.
Quando entrano in gioco gli agenti
Gli agenti autonomi cambiano le condizioni della governance in modi per cui la maggior parte delle organizzazioni non è pronta. Un agente non si limita a leggere i dati: li scrive, attiva azioni in più sistemi e fa entrambe le cose senza un essere umano nel processo decisionale.
Questo cambia completamente la natura degli errori. Una query governata male restituisce una risposta sbagliata. Un agente governato male agisce poi sulla base di quella risposta: aggiorna record, attiva flussi di lavoro successivi e propaga decisioni tra sistemi prima che qualcuno si accorga del problema.
Per questo i meccanismi di protezione non possono risiedere soltanto nel livello applicativo. Un agente che opera su più sistemi troverà sempre la via di minore resistenza. I controlli devono essere applicati nello strato dei dati, dove ogni lettura e scrittura viene mediata e registrata, indipendentemente da ciò che l’ha attivata.
Gartner prevede che oltre il 40% dei progetti di IA basati su agenti subirà ritardi o sarà cancellato per problemi di governance e affidabilità. Il dato mi sembra basso, perché presuppone che le organizzazioni riconoscano correttamente la governance come causa, invece di attribuire il fallimento al modello o agli strumenti. La causa di fondo di solito resta invisibile finché non diventa costosa.
Dalla sperimentazione all’IA pronta per la produzione
Le organizzazioni che portano con successo l’IA dalla sperimentazione alla produzione tendono ad avere un tratto comune: allineano presto gli ambienti di sviluppo e produzione.
Non lasciano che i sistemi sperimentali si allontanino dai vincoli della produzione, ma progettano entrambi gli ambienti secondo principi coerenti di governance, sicurezza e accesso ai dati. Questo riduce l’attrito nelle fasi successive, quando i modelli passano dai prototipi ai carichi di lavoro di produzione.
L’allineamento è sempre più importante perché la maggior parte delle imprese ancora non dispone di un’infrastruttura di IA matura e di livello produttivo. Persistono lacune nell’accesso sicuro ai dati, nel monitoraggio, nell’osservabilità e nell’applicazione della conformità. Non sono problemi isolati, ma sfide strutturali che emergono quando l’IA si estende dagli ambienti pilota ai flussi di lavoro essenziali per l’attività.
Un altro importante disallineamento tra prototipi e produzione si verifica quando applicazioni e database di produzione devono essere ospitati nell’infrastruttura locale o in account cloud rigorosamente gestiti, mentre i prototipi sono stati sviluppati su piattaforme di database cloud.
Nelle organizzazioni mature, i carichi di lavoro di IA sono trattati con lo stesso rigore degli altri sistemi regolamentati. Significa registrazioni coerenti, controlli rigorosi degli accessi, monitoraggio continuo e responsabilità chiaramente definite tra team. Richiede anche un coordinamento più stretto tra ingegneria dei dati, ingegneria delle piattaforme, sicurezza e conformità fin dall’inizio, non come aggiunta successiva.
I vantaggi vanno oltre la riduzione del rischio. Le organizzazioni ottengono anche cicli di implementazione più rapidi, meno guasti in produzione e maggiore fiducia interna nei sistemi di IA. In questo contesto, l’espansione dell’IA dipende meno dall’innovazione dei modelli e più dalla maturità dell’infrastruttura.
La governance è un requisito architettonico
In definitiva, il dibattito sulla governance dell’IA deve andare oltre le regole e affrontare l’architettura.
La governance è spesso trattata come una funzione di supervisione, ma nella pratica è applicata attraverso i sistemi che definiscono come si accede ai dati e come li si usa. Il database non è soltanto un livello di archiviazione: è il punto di controllo per sicurezza, conformità e integrità operativa dell’intero insieme di tecnologie di IA.
Man mano che l’IA si integra nei flussi di lavoro aziendali, questo punto di controllo acquista un’importanza molto maggiore. Ogni interazione tra un modello e i dati aziendali diventa un evento soggetto a governance, che le organizzazioni l’abbiano progettato esplicitamente così oppure no.
Dando priorità a una governance che parte dall’infrastruttura, a cominciare dal livello del database, le imprese possono colmare il divario tra progetto pilota e produzione. Trasformano così l’IA da sperimentazione isolata in una capacità duratura e scalabile, integrata nell’intera organizzazione.












