Dati insufficienti, è richiesta decisione umana…
Quando il computer dava gli scontrini all’Ingegner Kano con questa laconica frase, la camera staccava immediatamente andando a inquadrare la faccia basita del comandante Koenig che aspettava un’aiuto dall’accigliato professor Bergman, entrambi sotto lo sguardo attento dalla Dottoressa Russel preoccupata che non prendesse un infarto ad uno dei due, visto lo stress a cui erano sottoposti.
Certo il computer di Spazio 1999 era un bell’ammasso di ferraglia ma aveva dati da vendere visto che aveva girato mezza galassia perlopiù sconosciuta.
Tutto ciò faceva sorgere un dubbio nel piccolo me stesso del 1977: stai a vedere che raccolgono i dati alla Renè Ferretti?
Facciamo un balzo ai giorni nostri. Negli ultimi due anni l’intelligenza artificiale è diventata il centro della trasformazione digitale globale. Anche in Italia il fenomeno ha assunto dimensioni importanti: aziende, pubbliche amministrazioni e startup stanno investendo rapidamente in assistenti AI, automazione, sistemi conversazionali e piattaforme generative. Il tema non riguarda più soltanto l’innovazione tecnologica, ma direttamente la competitività.
Eppure, dietro l’entusiasmo iniziale, molte organizzazioni stanno iniziando a scontrarsi con un problema concreto quanto antico: avere accesso ai migliori modelli AI disponibili non significa automaticamente ottenere risultati reali. Molti progetti funzionano perfettamente durante le demo. Pochi riescono davvero a scalare in produzione.
Il motivo è semplice: il vero collo di bottiglia dell’AI enterprise non è il modello. Sono i dati.
Esiste una formula che sintetizza bene questo scenario:
Successo AI = qualità della soluzione × scala di adozione
Ed è proprio il secondo fattore — la capacità di diffondere realmente l’AI dentro i processi aziendali — a rappresentare oggi la grande sfida del mercato.
Il problema non è solo italiano, ma in Italia pesa di più
Si sente spesso dire che le aziende italiane stanno sperimentando molto senza riuscire a integrare davvero l’AI nei processi operativi. In realtà il problema non è esclusivamente italiano.
Anche negli Stati Uniti e in Europa molte organizzazioni stanno vivendo quella che alcuni analisti definiscono “pilot purgatory”: decine di proof of concept che non arrivano mai realmente in produzione.La differenza è che molte grandi aziende internazionali avevano già investito per anni in cloud, data governance, integrazione applicativa e modernizzazione infrastrutturale. Quando arriva l’AI, quindi, trovano un terreno tecnologico più maturo.
L’Italia, invece, presenta caratteristiche che amplificano il problema. Il tessuto produttivo è composto soprattutto da PMI, spesso costruite su software legacy, workflow artigianali e sistemi cresciuti nel tempo senza una vera strategia di integrazione. In molte realtà convivono ERP differenti, fogli Excel utilizzati come database operativi, documentazione sparsa, knowledge base incomplete e processi manuali difficili da standardizzare.
L’intelligenza artificiale agisce quindi come una sorta di “stress test” dell’organizzazione digitale. Processi che fino a ieri riuscivano a funzionare grazie all’intervento umano diventano improvvisamente ingestibili quando devono essere interpretati da agenti AI o sistemi automatizzati. Per questo motivo il tema centrale non è tanto “avere l’AI”, ma costruire le condizioni affinché l’AI possa lavorare in modo coerente.
Il vero vantaggio competitivo sarà nei dati, non nei modelli
Attualmente chi parla di AI si concentra soprattutto sui modelli linguistici. Quale modello è più avanzato, più veloce o più preciso, mi trovo spesso a dover sedare risse verbali e non tra i sostenitori di quel LLM che performa meglio in ambiti culinari , piuttosto di quello specializzato nell’interpretare il linguaggio dei cani.
Ma il mercato sta rapidamente cambiando.
A breve quasi tutte le aziende avranno accesso a modelli estremamente potenti attraverso piattaforme standardizzate e servizi sempre più accessibili. Il vero vantaggio competitivo non sarà quindi “avere l’AI”, ma possedere dati migliori degli altri e saperli organizzare meglio. Avete una sensazione di deja-vu?
In pratica, i modelli tenderanno progressivamente a diventare intercambiabili. Ciò che farà davvero la differenza sarà la qualità del contesto che ricevono. Un assistente AI collegato a dati frammentati produce risultati frammentati. Un agente AI alimentato da informazioni incoerenti accelera gli errori invece della produttività.
Per questo motivo le aziende che stanno ottenendo i ritorni economici più significativi non sono necessariamente quelle con i modelli più sofisticati, ma quelle che hanno investito in anticipo nella costruzione di una solida fondazione dati.
La “single source of truth” diventa centrale
Uno dei concetti più importanti nella nuova architettura enterprise dell’AI è quello della “single source of truth”: una fonte dati unificata, coerente e governata.In termini pratici significa consolidare le informazioni aziendali in un ecosistema comune, eliminando duplicazioni, incoerenze e silos organizzativi.
È qui che molte aziende stanno scoprendo il vero costo del debito tecnico accumulato negli anni.
Un esempio tipico è quello di una media azienda manifatturiera. Il CRM contiene una versione dei dati cliente, l’ERP ne contiene un’altra, il supporto tecnico utilizza ticket separati, la documentazione è distribuita tra cartelle condivise e repository interni, mentre le informazioni operative vivono spesso dentro file Excel mantenuti manualmente. Quando un sistema AI viene collegato a questo ecosistema, il risultato è prevedibile: risposte incoerenti, contesto incompleto, automazioni fragili.
Le organizzazioni più mature stanno affrontando il problema costruendo strategie di consolidamento progressive. I dati vengono centralizzati in piattaforme comuni, normalizzati semanticamente, catalogati e resi accessibili attraverso API e pipeline standardizzate. Solo successivamente gli agenti AI vengono integrati nei workflow reali. A quel punto l’AI smette di essere un semplice chatbot e diventa un layer operativo sopra i processi aziendali.Ed è lì che possiamo valutarne il ROI.
L’integrazione nei workflow conta più della demo
Uno degli errori più frequenti consiste nel trattare l’AI come uno strumento separato dal lavoro quotidiano. In realtà il valore emerge quando l’intelligenza artificiale viene incorporata direttamente dentro i processi esistenti. Un assistente AI isolato può impressionare durante una demo. Un sistema AI integrato nei workflow può invece trasformare concretamente l’organizzazione.
Pensiamo a un team di assistenza tecnica. Un chatbot generico può ridurre marginalmente il carico operativo. Ma un agente AI collegato allo storico ticket, alla documentazione tecnica, ai log operativi e ai dati cliente può recuperare automaticamente il contesto, suggerire soluzioni coerenti, classificare problemi ricorrenti e supportare le escalation. La differenza è enorme.
Il valore non nasce dal modello in sé, ma dalla sua capacità di agire all’interno del flusso operativo reale. Lo stesso principio si sta applicando allo sviluppo software, alla cybersecurity, all’analisi finanziaria, alla supply chain e alla gestione documentale. L’AI enterprise efficace non è quella più spettacolare. È quella che riduce attriti invisibili nei processi quotidiani.
Ha ancora senso diventare Data Engineer o Data Analyst?
In questo scenario emerge una domanda importante: ha ancora senso specializzarsi nelle professioni legate ai dati?
La risposta è probabilmente sì, più di prima.
Molti pensavano che l’AI avrebbe ridotto il valore di ruoli come Data Analyst o Data Engineer. Sta accadendo quasi il contrario. Più i modelli diventano potenti, più aumenta il valore di chi sa organizzare, governare e rendere affidabili i dati. Nel mondo AI-first, la qualità dell’infrastruttura dati sta diventando il principale fattore competitivo. Servono figure capaci di costruire pipeline robuste, orchestrare flussi informativi, garantire qualità semantica e monitorare l’intero ciclo di vita del dato. Le professioni che probabilmente cresceranno di più nei prossimi anni saranno proprio quelle legate alla costruzione del contesto operativo dell’AI.
Tra queste:
- Data Engineer
- AI Engineer
- Data Architect
- ML Ops Engineer
- Data Governance Specialist
E’ lampante che l’AI non elimina il valore del dato. Lo rende ancora più centrale.
Il rischio per le PMI italiane
Per le piccole e medie imprese italiane il momento è particolarmente delicato: molte stanno adottando strumenti AI in modo tattico e frammentato: piccoli chatbot, automazioni isolate, generatori di testo, assistenti per la produttività individuale.
È una fase naturale, ma rischia di aumentare ulteriormente la frammentazione interna se non accompagnata da una strategia architetturale. Le aziende che riusciranno davvero a trasformarsi saranno probabilmente quelle capaci di investire in tre elementi fondamentali:
- consolidamento dei dati
- integrazione dei workflow
- formazione delle persone
Ed è proprio quest’ultimo punto a essere spesso sottovalutato. L’AI non sostituisce semplicemente il lavoro umano. Cambia il modo in cui le persone interagiscono con i sistemi aziendali. Cresce quindi il bisogno di competenze ibride: professionisti capaci di comprendere dati, processi, automazione e contesto business contemporaneamente.
Il vero cambiamento è organizzativo
La grande trasformazione in corso non riguarda soltanto la tecnologia, riguarda il modo in cui le aziende costruiscono conoscenza interna. Per anni il debito tecnico è stato percepito come un problema principalmente informatico. Con l’arrivo dell’AI sta diventando un problema strategico.
Perché gli agenti intelligenti amplificano tutto:
informazioni incoerenti, workflow caotici, duplicazioni, documentazione incompleta, processi non standardizzati.
In questo senso l’intelligenza artificiale sta imponendo alle aziende una scelta molto chiara : continuare ad accumulare strumenti intelligenti scollegati oppure investire seriamente nella costruzione di un ecosistema dati coerente e governato.
Nel lungo periodo il valore non nascerà dal prompt migliore ma dalla capacità di trasformare i dati aziendali in conoscenza operativa scalabile.
Ricordatevene quando andrete a fondare la vostra start up preparerete la vostra realtà aziendale a una massiccia iniezione di AI : un comandante coraggioso, un esperto di computer, un medico luminare e un genio della fisica servono a poco se non c’è una persona che raccoglie i dati e li organizza come si deve.
Il fatto che in “Spazio 1999” la responsabilità della cosa fosse in capo al personaggio di Sandra Benes, di cui il piccolo me stesso del 1977 era pazzamente innamorato, credo abbia influenzato non poco anche la mia carriera lavorativa.
