Quasi tutta la conversazione pubblica sull’intelligenza artificiale è oggi focalizzata sui modelli: quale sia il più potente, chi lo produce, quanto costa, dove verrà addestrato. È una discussione legittima, ma che rischia di far perdere di vista le dimensioni e i valori che davvero separeranno le organizzazioni e i sistemi-Paese nei prossimi anni. Perché i modelli tenderanno a diventare rapidamente delle commodity: l’accesso, in ogni caso, è disponibile a tutti, migliorano da soli a ogni rilascio e sono uno strumento con una barriera di adozione molto bassa. Ciò che non è una commodity, e non lo sarà mai, è il patrimonio di dati di un’organizzazione.
Per capire perché questo sposta l’asse della strategia conviene partire da una differenza tecnica che ha conseguenze profondamente non tecniche. Nel software tradizionale il comportamento di un sistema è scritto nel codice, riga per riga, da chi lo progetta: si può leggere, ispezionare, all’occorrenza portare davanti a un giudice. Con l’AI non è più così. Il comportamento di un modello non lo scrive nessuno: è appreso e determinato dai dati. Detto in modo netto, nell’AI il dato è assimilabile, si perdoni la comparazione un po’ ardita, al codice sorgente. E se il dato è la sostanza di cui l’AI è fatta, allora governare l’AI significa governarne i dati. Per competere le imprese non devono rincorrere l’ultimo e più efficace modello, ma attivare i propri dati.
Indice degli argomenti
Perché attivare i dati per l’AI è una scelta di leadership
“Attivare il dato” significa renderlo pienamente sfruttabile dall’intelligenza artificiale e dagli strumenti di intelligence e automazione, facendone emergere tutto il valore. Detta così sembra una questione da reparto IT. Non lo è. È, a tutti gli effetti, una decisione di vertice, per tre ragioni che parlano la lingua del consiglio di amministrazione e non quella dell’infrastruttura.
La prima è competitiva. Se i modelli sono uguali per tutti, l’unico vantaggio difendibile è avere dati propri, ben governati, sicuri, di qualità e pronti a essere utilizzati. Il dato è il vero differenziale competitivo in questo tipo di progetti. Vale per l’impresa e vale, su scala più grande, per un Paese: la sovranità digitale di cui tanto si discute non si gioca solo sulla localizzazione dei server, ma sulla capacità di rendere utilizzabile, in sicurezza, il proprio patrimonio informativo pubblico e privato.
La seconda è che l’AI è un amplificatore. Un dato sbagliato dentro un report produce un errore che, prima o poi, qualcuno nota e corregge. Lo stesso dato sbagliato dentro un sistema di AI produce migliaia di decisioni sbagliate, in automatico, ogni giorno, soprattutto considerando che le applicazioni che incorporano l’AI sono inserite in complessi workflow popolati da agenti autonomi che agiscono in tempo reale. In pratica, l’AI prende i difetti del patrimonio informativo e li propaga attraverso i processi e i sistemi su scala industriale. Per questo la qualità del dato non è un mero tema operativo: è una voce di rischio che appartiene al governo dell’organizzazione.
La terza ragione è che, ormai lo si vede nei numeri, la quasi totalità dei progetti di AI che falliscono non falliscono per deficit del modello: a farli naufragare è in gran parte la qualità, la disponibilità, la capacità di utilizzare i dati. La parte difficile non è più il proof of concept, ormai alla portata di chiunque, ma realizzare un’applicazione usabile e accessibile, integrata con lo stack tecnologico dell’organizzazione e basata su dati di qualità e affidabili, tracciabili e disponibili su scala industriale, in modo ripetibile. È il passaggio dall’esperimento all’industrializzazione. E quel passaggio si decide ai vertici, perché richiede priorità, investimenti e, soprattutto, un disegno organizzativo.
Da archivio difensivo a capitale produttivo
Per decenni il tema dei dati è stato declinato in chiave difensiva: conservarli, proteggerli, metterli in regola. L’attivazione ribalta la prospettiva. Il dato smette di essere un archivio da custodire e diventa un asset produttivo da mettere a reddito. È un cambio di approccio che ha implicazioni dirette su come si alloca il capitale, su quali competenze si presidiano e su chi risponde dei risultati.
Il punto è che un dato non si attiva da solo. Tra il dato grezzo che si deposita nei sistemi e il dato che alimenta in sicurezza una decisione automatizzata c’è un lavoro che agisce su quattro leve fondamentali:
• la strategia, cioè sapere quali dati contano davvero e perché;
• la governance, cioè stabilire chi è responsabile di cosa e con quali regole;
• la qualità, cioè esprimere il livello adeguato in funzione dell’uso;
• la sicurezza, cioè compliance, privacy e cybersecurity.
Sono leve diverse che convergono su un unico obiettivo: trasformare il dato da costo a capitale. Tradurre queste leve in scelte concrete è ciò che distingue un vertice che presidia il tema da uno che lo delega.
Le quattro capacità che un vertice deve garantire
Senza scendere nel dettaglio tecnico, ci sono quattro capacità che un leader deve assicurarsi esistano nella propria organizzazione. Non sono uffici né tecnologie: sono condizioni perché il dato diventi davvero un asset.
- La prima è la capacità di dare una direzione: decidere cosa si vuole fare con i dati e con l’AI, su quali casi d’uso concentrarsi e quali ritorni attendersi, definendo un modello organizzativo con ruoli e responsabilità chiari. Chi possiede un dato, chi ne garantisce la qualità, chi arbitra i conflitti: senza questa architettura di responsabilità, ogni iniziativa sul dato resta un esercizio individuale destinato a non scalare.
- La seconda è la capacità di trasformare il dato in decisione: disporre di un impianto, fatto di architetture, flussi, strumenti di analisi, capace di portare il dato dalle fonti fino al punto in cui qualcuno, o qualcosa, prende una decisione. È la differenza tra avere dati e saperli usare, tra avere una dashboard che nessuno guarda e generare insights e informazioni che cambiano davvero il modo in cui si lavora.
- La terza è la capacità di fidarsi del proprio dato: sapere che cosa significano le parole che si usano, che la qualità è adeguata allo scopo e che è possibile ricostruire, per ogni dato, da dove viene e come è stato trasformato. È la capacità che rende il dato comprensibile, affidabile e, altro tema di straordinaria importanza, spiegabile. Senza di essa, l’AI non amplifica il valore: amplifica l’ambiguità.
- La quarta è la capacità di usare il dato in sicurezza: poter sfruttare anche le informazioni più sensibili senza esporre l’organizzazione, attraverso conformità, protezione dei dati personali e tecniche che permettono di lavorare su dati protetti o sintetici. È ciò che rende l’attivazione sostenibile nel tempo, e non un rischio rimandato.
Queste quattro capacità non sono alternative tra cui scegliere: sono i pilastri di un unico edificio. Ciascuna, senza le altre, lascia scoperto un punto cieco. E la responsabilità di vegliare che esistano tutte e quattro non è delegabile al solo responsabile IT: è una funzione di governo.
La governance non è il freno, ma l’abilitatore
C’è un equivoco da sciogliere, perché è la radice di molte resistenze. Quando il business sente la parola “governance” pensa a burocrazia, rallentamenti, l’ufficio del “no”. È l’esatto contrario. La governance fatta bene non è il freno, è ciò che serve per avere dati sicuri, affidabili, di qualità per le proprie attività di intelligence e per la creazione di workflow agentizzati e ibridi, facendo scalare e rendendo pervasive le applicazioni AI-based.
La governance diventa un freno quando è collocata “a valle”, come un gate alla fine del processo o una commissione che timbra e certifica periodicamente un processo. Diventa un acceleratore quando è disegnata “a monte”, incorporata nei processi: regole, controlli e responsabilità che agiscono da sole, senza bisogno di un permesso ogni volta. A quel punto produce rendimenti composti, perché un dato governato si costruisce una volta e si riusa su decine di iniziative, mentre un dato non governato va ricostruito da capo a ogni progetto. Saltare la governance per “andare veloci subito” significa rimandare a una fase più avanzata e potenzialmente molto più costosa le necessarie decisioni e contromisure di buona gestione, governance e sicurezza.
C’è poi un dato che i vertici dovrebbero tenere a mente: nella trasformazione delle organizzazioni con l’AI, la tecnologia ha un peso centrale, ma non maggioritario, se consideriamo le altre dimensioni: le persone, l’organizzazione, i processi. L’attivazione del dato non è un software da acquistare, ma un modello operativo da costruire. E i modelli operativi si disegnano in alto e nel tempo. Per questo sono un fattore potenzialmente differenziale.
Dall’obbligo normativo alla prova: l’AI Act e l’accountability
Per chi guida un’organizzazione c’è infine una ragione che trasforma tutto questo da buona pratica a obbligo. L’AI Act, per i sistemi ad alto rischio, non suggerisce la governance del dato: la impone. L’articolo 10 chiede esplicitamente che i dataset di addestramento, validazione e test siano pertinenti, sufficientemente rappresentativi e, per quanto possibile, privi di errori, con un esame esplicito dei bias. Sono requisiti tecnici scritti dentro una norma, destinati a diventare pienamente operativi nei prossimi mesi.
Il punto su cui chi decide deve concentrarsi è uno solo, ed è dirimente: la compliance è una proprietà del sistema, non del documento. Si può avere la policy più curata del mondo, ma se l’architettura dei dati non è in grado di produrre la prova, come la tracciabilità di una decisione, la qualità di un dataset, la storia di una trasformazione, quella conformità è finzione. È un avvertimento che vale doppio per il settore pubblico, dove i sistemi che incidono su diritti, accesso ai servizi e risorse ricadono spesso proprio nella categoria ad alto rischio: ammodernare un servizio digitale senza prima rendere affidabile e tracciabile il dato che lo alimenta significa costruire sull’incertezza. Lo si vede bene in ambiti come le grandi infrastrutture, dove rendere governabile un patrimonio informativo eterogeneo è la precondizione per offrire servizi sicuri ai cittadini.
La sfida è organizzativa, non solo normativa
Conviene guardare anche oltre il perimetro europeo, perché la diagnosi converge. L’ultimo Work Trend Index di Microsoft segnala che, nell’impatto reale dell’AI, i fattori organizzativi pesano oltre il doppio di quelli individuali: non vince chi distribuisce gli strumenti, ma chi ridisegna processi, ruoli e modo di decidere. “Le persone sono pronte, sono i sistemi a essere il collo di bottiglia”, si legge. Vale la pena aggiungere l’ultimo strato a quella diagnosi: sotto i sistemi c’è il dato. Il collo di bottiglia, alla fine, è lì.
Ne discende un’indicazione precisa per chi governa. La sfida dell’AI non è prima di tutto normativa o tecnologica: è organizzativa e di leadership. Da un lato servono regole chiare, ovvero stabilire chi può fare cosa, per quali finalità, con quali tutele, dall’altro serve un impianto capace di rendere quelle regole vere dentro l’architettura. Nessuna delle due cose, da sola, basta: una norma senza impianto è un libro dei sogni, un impianto senza norma è un rischio che cammina. È esattamente nel punto in cui questi due mondi si incontrano, il diritto che definisce, l’ingegneria che realizza, che si decide la qualità di una strategia di AI.
Partecipa alla community