Il modello più avanzato del mondo produce risultati mediocri se i dati e la conoscenza che gli dai sono incompleti, duplicati o obsoleti. La readiness dei dati è spesso il vero collo di bottiglia, non la scelta del modello.
Cosa significa “dati pronti” in pratica
Non significa “avere un data lake perfetto”. Significa, per il perimetro che vuoi automatizzare o assistere:
- le informazioni critiche esistono e sono trovabili;
- c’è una versione corrente riconoscibile;
- gli accessi sono coerenti con il rischio;
- le fonti sono citabili e aggiornabili;
- la qualità è sufficiente per il livello di affidabilità che ti serve.
Gartner e altre analisi 2025-2026 continuano a indicare la qualità e la disponibilità dei dati tra le cause principali di abbandono dei progetti AI. Senza questa base, il pilot sembra brillante e la produzione no.
Una checklist operativa in sei punti
-
Trovabilità
Le persone (e i sistemi) riescono a trovare il documento o il dato giusto in tempi accettabili? -
Versione corrente
Esiste un “golden source” chiaro o convivono tre versioni dello stesso file? -
Completezza per il caso d’uso
Le informazioni necessarie al processo ci sono tutte, o mancano pezzi critici? -
Accessibilità e permessi
Chi deve vedere cosa? I diritti sono allineati al rischio? -
Aggiornamento e ownership
Chi è responsabile di mantenere aggiornata quella conoscenza? -
Citabilità e verificabilità
L’AI (o la persona) può indicare da dove arriva l’informazione?
Se su un processo più di due punti sono deboli, il progetto AI partirà in salita.
Perché le PMI soffrono di più (e come limitare il danno)
Nelle PMI la conoscenza critica spesso vive in:
- cartelle condivise disordinate;
- email e chat;
- teste delle persone;
- file Excel “di lavoro” non ufficiali.
Non serve sistemare tutto. Serve sistemare il perimetro del primo caso d’uso.
Il metodo che funziona:
- Scegli un processo.
- Elenca i 10-20 documenti o fonti che lo alimentano.
- Metti ordine solo su quelli (versioni, owner, accessi).
- Solo dopo collega l’AI.
Questo è anche il filo conduttore della serie Zendata: conoscenza utilizzabile prima dello strumento.
Segnali che i dati non sono pronti
- Le risposte dell’AI sono plausibili ma “non tornano” con la realtà operativa.
- Le persone continuano a chiedere al collega “quale è la versione buona”.
- Il pilot funziona solo con dati selezionati a mano.
- Non riesci a citare le fonti in modo affidabile.
FAQ
Serve un progetto di data cleaning di mesi?
No. Si parte dal perimetro del caso d’uso. Si dimostra valore e si espande.
I dati strutturati (ERP/CRM) bastano?
Raramente. La conoscenza decisionale e procedurale vive spesso nei documenti non strutturati.
L’AI può aiutare a mettere ordine?
Sì, può supportare individuazione di duplicati, classificazione e suggerimenti. Resta necessaria la responsabilità umana su versioni e decisioni.
Quando i dati sono “abbastanza pronti”?
Quando su quel processo le risposte diventano citabili, verificabili e utili nel lavoro quotidiano, non solo in demo.
Fonti
- Gartner e analisi 2025-2026 su data readiness e abbandono progetti AI.
- Istat Imprese e ICT 2025: contesto adozione e barriere.
- Paper e prassi su RAG e qualità del corpus (Lewis et al. e lavori successivi).
Approfondisci nella serie
- Gestione documentale e AI
- Non quale AI scegliere: quale conoscenza rendere utilizzabile
- Quando l’AI sbaglia: il problema è spesso il contesto
Se vuoi una valutazione rapida di readiness su un processo specifico (documenti, accessi, versioni, lacune), partiamo da lì. Scrivici a info@zendata.it o visita zendata.it.
Pietro Ciattaglia, CEO di Zendata AI, Roma