Scalare l’IA non dovrebbe significare ricostruire ogni volta le basi dei dati

Per le imprese, la stagione della pianificazione per il 2027 è ormai alle porte e gli investimenti nell’IA sono ancora una volta al centro delle conversazioni ai vertici aziendali. La recente indagine di Akeneo sui responsabili delle decisioni IT ha rilevato che il 93% ha dichiarato di aver registrato aumenti di produttività grazie all’IA, mentre il 43% ha affermato che l’IA ha anche aggiunto nuove responsabilità al proprio ruolo.

Questi risultati evidenziano l’ingente lavoro preparatorio necessario per realizzare progetti di IA. La preparazione dei dati, in particolare, rappresenta una parte considerevole di questo lavoro. Tra i responsabili IT intervistati da Akeneo, il 36% ha dichiarato che le proprie organizzazioni dedicano alla preparazione dei dati oltre la metà dell’impegno complessivo richiesto da un progetto di IA. Un altro 53% ha riferito di dedicarvi una quota compresa tra il 26% e il 50% dell’impegno richiesto dal proprio progetto di IA. Sebbene questa preparazione sia necessaria, l’opportunità consiste nel fare in modo che il lavoro svolto per una distribuzione dell’IA possa essere riutilizzato a sostegno di quella successiva.

L’IA può eliminare attività in una parte dell’azienda e, al contempo, crearne di diverse per i team IT, che devono preparare i dati e ricostruire il contesto per ogni nuova distribuzione. L’opportunità, ora, è rendere riutilizzabile una parte maggiore di questo lavoro, affinché ogni distribuzione si basi sulla precedente invece di ripartire da zero.

Il contesto umano al centro dell’IA

Le persone restano centrali in tutti i progetti pilota e nelle distribuzioni dell’IA. I team IT sono coinvolti in ogni fase del ciclo di vita delle nuove tecnologie: dalla comprensione delle esigenze aziendali e dalla valutazione delle soluzioni fino all’implementazione, alla formazione, allo sviluppo dei processi e alla sicurezza continua. Col tempo, i team potrebbero non documentare le eccezioni e le regole non scritte che incontrano, compresi i casi in cui lo stesso termine viene definito diversamente nei vari sistemi. Questo contesto diventa spesso conoscenza istituzionale, detenuta dai singoli membri del team anziché informazioni a cui l’intera organizzazione possa accedere in modo affidabile.

Questo lavoro può proseguire finché la persona che conosce la risposta non è più disponibile. Quando i dipendenti cambiano ruolo, lasciano l’organizzazione o semplicemente non sono disponibili al verificarsi di un problema, il contesto va perduto. Registrare queste conoscenze in un formato strutturato e accessibile in modalità digitale permette di renderle disponibili al di là della singola persona. Consente inoltre ai singoli team di mantenere la titolarità delle proprie competenze, assicurando al contempo che le conoscenze possano essere consultate e riutilizzate in tutta l’organizzazione, invece di dover essere riscoperte a ogni nuova distribuzione.

I dati di qualità non sono sempre pronti per l’IA

È facile descrivere tutto questo come un ulteriore problema di qualità dei dati, ma la ricerca di Akeneo suggerisce una situazione più complessa. Il 92% dei responsabili IT giudica buoni o eccellenti i dati di prodotto e operativi utilizzati dai propri sistemi di IA. Eppure, la stragrande maggioranza dedica oltre un quarto dell’impegno complessivo richiesto da un progetto di IA alla preparazione dei dati.

La qualità dei dati non garantisce che siano pronti per l’IA, soprattutto perché ciò che si considera «di qualità» può dipendere da chi o cosa li utilizza. I modelli e gli agenti hanno bisogno di più che informazioni accurate. Devono capire da dove provengono i dati, in che modo si relazionano con altre informazioni, quale fonte ha la precedenza e a quali condizioni possono essere utilizzati. È facile trascurare queste regole, perché spesso sono implicite nelle modalità di lavoro già adottate dai team esperti.

La recente ricerca di McKinsey sulla preparazione dei dati per l’IA sottolinea in modo analogo l’importanza del contesto. Non tutte le informazioni saranno utili ai modelli o agli agenti. Quando invece lo sono, il loro contesto deve poter essere trasmesso. Una volta che le informazioni si spostano al di fuori della fonte originale, la loro provenienza e i loro rapporti con i dati circostanti devono rimanere chiari, affinché il loro significato non vada perduto.

È qui che l’architettura alla base dell’IA inizia a essere importante tanto quanto il modello stesso. A differenza del software tradizionale, gli LLM possono spesso operare su dati frammentati e sistemi scollegati, anche quando le informazioni sono strutturate o etichettate in modo diverso nelle varie fonti. Possono individuare relazioni che in precedenza potrebbero non essere state definite esplicitamente. La sfida più grande è la totale assenza di dati. Quando modelli e agenti operano su più sistemi, le informazioni e il contesto di cui hanno bisogno devono innanzitutto esistere ed essere accessibili.

La ricerca di PwC del 2026 sul divario nell’esecuzione dell’IA ha rilevato che l’integrazione resta il principale motivo per cui gli investimenti tecnologici non raggiungono i risultati attesi. Collegare una vasta rete di dati non strutturati richiede tempo e spesso rallenta i progetti prima che arrivino alla piena implementazione.

Il lavoro necessario per risolvere questi problemi in una prima implementazione può rendere più semplice quella successiva.

Rendere riutilizzabili le infrastrutture per l’IA

Per un singolo progetto di IA, gran parte di questa preparazione può avvenire dietro le quinte. I team IT risolvono le incongruenze, preparano le informazioni di cui un’applicazione ha bisogno e la integrano con altri sistemi per portare il progetto in produzione.

Il problema sorge quando questo lavoro risolve soltanto l’esigenza immediata. La preparazione dei dati farà sempre parte della distribuzione dell’IA, ma gran parte di questo impegno dovrebbe poter essere riutilizzata in seguito. Se un team scopre che lo stesso campo o termine ha significati diversi in due sistemi, risolvere l’ambiguità dovrebbe portare a una definizione riutilizzabile dalle applicazioni future. Se stabilisce quale fonte considerare attendibile quando i sistemi sono in disaccordo, tale decisione dovrebbe valere anche per le distribuzioni successive.

Lo stesso principio vale per le integrazioni. Anziché creare un nuovo percorso verso prodotti e informazioni per ogni modello o agente, le organizzazioni dovrebbero definire modalità coerenti che consentano ai sistemi di IA di individuare e utilizzare informazioni affidabili.

La prima implementazione può comunque richiedere un lavoro considerevole, perché i team devono portare alla luce definizioni, relazioni ed eccezioni che in precedenza erano affidate all’esperienza delle persone. Questo lavoro può essere valorizzato nel tempo, man mano che il patrimonio di conoscenze dell’organizzazione entra sempre più a far parte della sua infrastruttura. Le implementazioni successive possono trarne vantaggio, in misura proporzionale ai punti in comune tra i dati e i casi d’uso.

Questo aspetto è sempre più importante, poiché l’IA va oltre la generazione di risposte e inizia a compiere azioni nei sistemi aziendali. L’iniziativa di NIST sugli standard per gli agenti IA sottolinea l’importanza di consentire agli agenti di interagire in modo sicuro con i dati interni e i sistemi esterni. Man mano che assumono maggiori responsabilità e interagiscono con un numero crescente di sistemi e modelli, le organizzazioni devono assicurarsi che, per ogni caso d’uso, siano predisposti il contesto e i controlli adeguati, senza dover ripartire completamente da zero.

La governance deve diventare parte integrante dell’ambiente

Un’infrastruttura riutilizzabile richiede anche una governance riutilizzabile. L’indagine di EY del settembre 2026 sui rischi e la governance dell’IA ha rilevato che il 91% dei dirigenti senior responsabili dell’IA ha dichiarato che la propria organizzazione stava sperimentando o implementando l’IA agentica; tuttavia, il 49% degli intervistati le cui organizzazioni utilizzano agenti ha affermato che i rispettivi framework di governance esistenti non erano stati aggiornati specificamente per rispondere ai requisiti e ai rischi dell’IA agentica.

Man mano che l’IA assume maggiori responsabilità all’interno di un processo aziendale, le regole che lo disciplinano devono diventare parte integrante dell’ambiente in cui opera. Un agente potrebbe essere in grado di accedere autonomamente a determinate informazioni, mentre in altri punti del processo potrebbe essere necessaria una verifica o un’approvazione umana prima che possa procedere. Queste decisioni non possono restare confinate a un documento di policy o alla comprensione personale di come dovrebbe funzionare il processo.

Le decisioni di governance devono andare oltre le verifiche interne e trovare applicazione nei sistemi in cui opera l’IA. Le policy, le autorizzazioni e i passaggi che richiedono un’approvazione e che guidano il sistema dovrebbero essere definiti nell’ambito dell’implementazione stessa. Se questi controlli non sono integrati nel sistema, ogni volta che viene implementato un nuovo caso d’uso dell’IA i team saranno costretti a reinterpretare le policy e le autorizzazioni.

Prepararsi alla prossima ondata di IA

Nel 2027, mentre le aziende investiranno i crescenti budget destinati all’IA, i team IT dovranno gestire un insieme sempre più ampio di modelli, integrazioni e sistemi. La prova più impegnativa sarà capire se le organizzazioni sapranno costruire un’infrastruttura in grado di sostenere ciò che verrà.

Se i team continuano a ridefinire gli stessi concetti, ricostruire le stesse connessioni e tradurre le stesse regole, l’IA potrebbe crescere più rapidamente dell’infrastruttura necessaria a sostenerla.

Questo offre un modo diverso di valutare il grado di preparazione all’IA. I progressi non dovrebbero essere misurati soltanto in base al numero di modelli o agenti portati in produzione, ma anche in base alla capacità di ogni implementazione di preparare meglio l’azienda per quella successiva.

L’IA sta già velocizzando le singole attività. Il prossimo aumento di produttività deriverà dalla possibilità di riutilizzare più facilmente il lavoro alla base di questi sistemi. L’IA viene integrata sempre più nei processi aziendali, che richiedono a un numero crescente di sistemi di poggiare sulle stesse fondamenta di dati. Costruire oggi queste fondamenta determinerà quanto facilmente le organizzazioni potranno mettere al lavoro la prossima generazione di IA.