Zendata
AI & Knowledge

Non quale AI scegliere: quale conoscenza rendere utilizzabile

5 min di lettura
Guarda il video

La domanda non è “quale AI andiamo a utilizzare” o “quale modello scegliamo”. La domanda è: quale conoscenza rendiamo utilizzabile? L’AI è potentissima, ma lavora su quello che le dai. Se la conoscenza è dispersa, duplicata o obsoleta, anche un modello avanzato produce risultati mediocri.

Perché la conoscenza proprietaria è il vero differenziatore

I modelli diventano accessibili a tutti. Ciò che resta distintivo è la conoscenza specifica della vostra azienda: regole, eccezioni, storia decisionale, documenti operativi, esperienza accumulata nei processi.

I dati sull’adozione AI nelle imprese, come quelli dell’Istat 2025, e le analisi OECD sulle PMI mostrano che il nodo spesso non è solo “avere un modello”, ma costruire le condizioni organizzative per usarlo bene.

Il modello conta: sceglierlo resta una decisione tecnica e di rischio. Ma senza un perimetro di conoscenza solido, resta una componente di una soluzione che non regge.

Quattro proprietà della conoscenza utilizzabile

Prima di parlare di tool, verifica se la conoscenza di un processo è:

  1. Leggibile: trovabile e interpretabile da persone e sistemi;
  2. Corrente: con una versione di riferimento chiara;
  3. Accessibile: con diritti coerenti al rischio;
  4. Verificabile: citabile, controllabile, correggibile.

Questo è il terreno su cui tecnologie come il RAG possono dare valore: recuperare fonti esterne al modello e rendere più esplicita la provenienza. Non è magia e non garantisce accuratezza automatica; riduce la dipendenza dalla sola memoria parametrica del modello.

Internamente il punto è più concreto: più la conoscenza è ordinata e verificabile, più l’AI diventa utile e fidata.

Il metodo: un processo, abbastanza ordine, una dimostrazione

Il consiglio operativo resta semplice:

  1. scegliete un processo, uno solo;
  2. mappate dove vivono i documenti che lo alimentano;
  3. rendete quel perimetro leggibile, aggiornato e accessibile.

Non dovete sistemare tutta l’azienda. Dovete sistemare abbastanza per dimostrare che funziona. Il resto viene dopo.

Quando la conoscenza è pronta, di solito osserviamo:

  • risposte più citabili e verificabili;
  • maggiore fiducia delle persone;
  • processi che si comprimono in modo naturale;
  • nuovi casi d’uso che emergono dal lavoro reale.

L’adozione non accelera “da sola”: cresce se usabilità, governance e change management accompagnano la tecnologia.

Tre esempi anonimizzati (metriche da tenere in vista)

Non sono case study completi: sono perimetri reali tipici del lavoro Zendata, con indicatori allineati a progetti simili e a benchmark di mercato.

  1. Assistente knowledge in un gruppo energy / utility
    Obiettivo: interrogare procedure, policy e documenti interni con fonti. Metriche sensate: tempo di ricerca (da 15–30 min a pochi minuti sulle domande ricorrenti), % risposte citabili (>70% dopo taratura), utenti attivi settimanali sul canale ufficiale.

  2. Knowledge base universitaria (migliaia di pagine wiki/procedure)
    Corpus nell’ordine delle 6.000+ pagine indicizzate, con autenticazione e aggiornamento automatico. Metriche sensate: copertura delle domande “ripetitive” del personale, tasso di escalation al collega esperto, adozione a 60–90 giorni.

  3. Riconciliazione documentale su fatture/ordini (analisi di fattibilità su dati reali)
    Perimetro: circa 16.500 fatture e un volume simile di ordini. Risultati di fattibilità tipici di quel dataset: ~41% chiuso con sole regole; ~61% con matching AI; 70–74% di copertura stimata con proposte assistite + ricerca documentale; ~96% di accuratezza dove il riferimento d’ordine è leggibile. Qui la metrica non è “chat bella”: è % di matching automatico e tasso di revisione umana.

In tutti e tre i casi la lezione è la stessa: senza corpus utilizzabile e senza baseline, non c’è ROI da discutere.

L’AI è un acceleratore, non il punto di arrivo

Troppe aziende comprano lo strumento più nuovo e poi scoprono che la base documentale non regge. Il risultato è delusione, progetti che non scalano, ritorno al “meglio fare a mano”.

L’AI accelera solo se c’è qualcosa di solido da accelerare. Per questo in Zendata non riduciamo il lavoro a “scegliere un modello” o “fare un RAG”: costruiamo soluzioni end-to-end in cui conoscenza, sicurezza, adozione e verifica stanno insieme.

Questa è anche la sintesi della serie:

  1. i documenti contengono la conoscenza operativa;
  2. molti errori nascono dal contesto sbagliato;
  3. vietare senza alternativa alimenta lo Shadow AI;
  4. cambiano task, ruoli e competenze;
  5. si parte da un problema frequente e misurabile;
  6. la domanda strategica è quale conoscenza rendere utilizzabile.

FAQ

Quanto tempo serve per mettere ordine?
Su un singolo processo si possono vedere miglioramenti in un orizzonte tipico di alcune settimane. Non serve la perfezione: serve un perimetro pulito e funzionante.

Serve un sistema documentale nuovo?
Non necessariamente. Si può partire da ciò che esiste e aggiungere governance, metadati e accessibilità.

L’AI può aiutare a mettere ordine nei documenti?
Sì, può supportare individuazione di duplicati, incongruenze e classificazione. Resta necessaria la responsabilità umana su versioni e decisioni.

Qual è il primo segnale che la conoscenza è diventata utilizzabile?
Quando le persone smettono di chiedere solo “dove trovo il documento?” e iniziano a ottenere risposte citabili, che sanno verificare.

Fonti

Approfondisci nella serie

Se vuoi definire il primo perimetro di conoscenza da rendere utilizzabile (processo, fonti, accessi e criteri di verifica), partiamo da un workshop concreto. Scrivici a info@zendata.it o visita zendata.it.

Pietro Ciattaglia, CEO di Zendata AI, Roma