L’intelligenza artificiale sta cambiando non soltanto il modo in cui le imprese utilizzano i dati, ma anche il tipo di dati di cui hanno bisogno. Informazioni fino a ieri considerate sufficienti per alimentare report e dashboard possono rivelarsi incomplete, poco granulari o difficili da interpretare quando devono supportare modelli predittivi, sistemi decisionali o agenti AI.
Per molto tempo lo sviluppo dell’intelligenza artificiale si è concentrato soprattutto sul miglioramento degli algoritmi. Con modelli AI sempre più accessibili e simili tra loro, ha però guadagnato terreno un’impostazione “data-centric”, secondo la quale intervenire sulla qualità, sulla coerenza e sulla rappresentatività dei dati può produrre risultati più rilevanti rispetto a un ulteriore affinamento del modello. Non si tratta quindi solo di scegliere il modello o la piattaforma più avanzata. L’efficacia dell’AI dipende in larga misura dal patrimonio informativo sul quale opera e dalla capacità dell’organizzazione di governarlo.
In questo contesto, una Data Strategy efficace non coincide con l’acquisto di una piattaforma o con la realizzazione di un unico progetto tecnologico. È un percorso che collega gli obiettivi dell’organizzazione alle condizioni concrete in cui i dati vengono raccolti, gestiti, condivisi e utilizzati. Il primo passaggio consiste nel comprendere quali informazioni siano realmente importanti. Non tutti i dati possiedono lo stesso valore e non tutti richiedono il medesimo livello di qualità, aggiornamento e controllo.
Indice degli argomenti
Oltre il paradigma tradizionale
Per oltre vent’anni molte iniziative di Data Strategy e Data Governance si sono ispirate ai principi formalizzati nel Data Management Body of Knowledge (DMBOK). Questo approccio ha avuto il merito di diffondere pratiche fondamentali di gestione del dato, tuttavia il contesto in cui tali principi sono stati concepiti era molto diverso da quello attuale. Nella sua formulazione classica, il paradigma presupponeva organizzazioni relativamente stabili, dati prevalentemente strutturati, sistemi applicativi centralizzati e processi di trasformazione gestiti da funzioni IT specializzate. In questo scenario era ragionevole immaginare che il patrimonio informativo potesse essere governato attraverso modelli definiti a priori, controlli centralizzati e procedure relativamente rigide.
Oggi le organizzazioni operano invece in ecosistemi caratterizzati da una crescente velocità di cambiamento, dalla proliferazione delle fonti informative e dalla diffusione di applicazioni cloud e strumenti di intelligenza artificiale. In queste condizioni, approcci eccessivamente burocratici rischiano di rallentare l’innovazione, generare costi elevati e produrre una governance percepita come un vincolo anziché come un fattore abilitante. Il problema non è che i principi del DMBOK siano diventati errati. Piuttosto, molte organizzazioni scoprono che applicarli integralmente è spesso economicamente insostenibile. Diventa quindi necessario passare da una logica orientata alla conformità generalizzata a una logica guidata dal valore.
L’evoluzione più interessante non riguarda tanto le tecnologie di gestione del dato quanto il modo in cui le organizzazioni formulano le proprie domande. Storicamente, l’attenzione si è concentrata su interrogativi su come implementare una Data Governance coerente e proceduralizzata. Oggi emerge una prospettiva diversa: quali dati meritano realmente di essere governati? Quali generano valore? Quali investimenti informativi sono prioritari?
Parallelamente stanno emergendo nuovi paradigmi che cercano di superare i limiti delle architetture e della Data Governance tradizionali. Alcuni, come Data Mesh, Data Fabric, Data Product e Data Marketplace, sono già entrati nella pratica di molte organizzazioni e mirano a distribuire responsabilità e capacità di gestione più vicino ai processi di business. Accanto a questi stanno guadagnando attenzione approcci basati su metadata attivi, data contracts, policy-as-code e data observability, che cercano di spostare parte della governance dalle procedure manuali verso controlli sempre più automatizzati e integrati nelle piattaforme tecnologiche.
Tuttavia, per molte imprese la vera sfida non è adottare l’ultima evoluzione tecnologica proposta dai vendor. La questione strategica è comprendere quali capacità siano realmente necessarie per generare valore, governare il rischio e supportare decisioni migliori. L’intelligenza artificiale sta infine spingendo il dibattito oltre la tradizionale Data Governance. Oggi diventa sempre più importante comprendere come informazioni, conoscenza e modelli contribuiscano alle decisioni operative e strategiche. Le organizzazioni iniziano quindi a interrogarsi non solo su quali dati possiedano, ma anche su come tali dati vengano trasformati in conoscenza, quali assunzioni supportino le decisioni, quali regole siano applicate e se tali decisioni siano spiegabili e riproducibili. Emergono così nuovi ambiti come i knowledge graph aziendali, la knowledge governance, la tracciabilità delle decisioni e la governance degli agenti AI.
In questa prospettiva, la Data Strategy evolve progressivamente verso una disciplina più ampia: non più soltanto governo dei dati, ma governo della conoscenza e dei processi decisionali basati sui dati.
Un percorso tra business, tecnologia e organizzazione
Una strategia credibile deve combinare una direzione definita dall’alto con l’analisi delle condizioni operative. Da una parte, è necessario chiarire gli obiettivi, dall’altra comprendere quali informazioni, conoscenze e capacità decisionali siano necessarie per raggiungerli. Non si tratta più soltanto di verificare la disponibilità dei dati, ma anche di comprenderne il significato, il valore e il ruolo nei processi decisionali dell’organizzazione.
In quest’ottica, per adottare un approccio concreto e sostenibile, Cefriel ha sviluppato nel tempo un Data Strategy Toolkit, inteso come supporto metodologico che copre l’intero ciclo di vita del dato e agisce da ponte tra ciò che l’organizzazione vuole ottenere e ciò che è in grado di fare oggi. Il metodo e gli strumenti sono standard e riutilizzabili, mentre la strategia che ne deriva è costruita su misura in base alle specifiche necessità di ogni singola organizzazione.
Questo lavoro può essere organizzato intorno a quattro dimensioni. La prima riguarda il contesto e il collegamento con la strategia aziendale. La seconda interessa la valutazione della ricchezza del patrimonio informativo aziendale. La terza comprende governance, ruoli, sicurezza, qualità e conformità. L’ultima riguarda la valorizzazione dei dati attraverso tecniche moderne di condivisione e sfruttamento mediante AI.
Quattro esperienze, quattro problemi differenti
L’analisi di quattro esperienze progettuali reali provenienti da settori molto diversi – industria elettrica ed elettronica, servizi energetici, manifatturiero complesso e pubblica amministrazione – mette in luce come la Data Strategy possa generare impatti differenti a seconda del settore, della maturità organizzativa e delle ambizioni dell’azienda.
Un primo caso riguarda un’azienda leader nella produzione di componenti elettrici ed elettronici per il settore energetico. L’azienda aveva introdotto sensori IoT nei propri prodotti, e i dati operativi confluivano in un data lake, ma le interrogazioni erano lente e le informazioni non erano sostenute da un modello integrato. Quello che appariva come un problema tecnico ha fatto emergere una questione più profonda: dati potenzialmente strategici erano confinati in silos e difficilmente riutilizzabili. L’intervento ha portato alla costruzione di un catalogo, alla revisione dell’architettura e alla definizione dei processi necessari per trattare il dato come un asset condiviso.
Nel secondo caso, un operatore specializzato nella gestione di impianti termici per edifici pubblici e industriali voleva evolvere da un modello di fornitura tradizionale a servizi basati sui risultati, come la garanzia di determinate condizioni di comfort. Per farlo doveva integrare dati provenienti da sensori, impianti e punti di contatto con i clienti. La difficoltà consisteva nel realizzare il nuovo modello senza interrompere quello esistente, caratterizzato da una rilevante eredità tecnologica e operativa. La strategia ha quindi previsto una mappatura progressiva dei dati e una governance collegata alle priorità definite dai processi di ricerca e sviluppo.
Un terzo esempio interessa un’azienda industriale con un’organizzazione articolata in numerosi dipartimenti, ciascuno dotato di applicazioni, modelli e modalità di gestione differenti. I dati erano presenti, ma risultavano difficili da individuare e interpretare al di fuori della funzione che li aveva prodotti. L’introduzione di un data catalog, di un marketplace interno e di un modello comune per i principali processi ha creato un linguaggio condiviso tra IT e business. Il risultato più significativo non è stato un nuovo prodotto, ma la riduzione delle barriere che ostacolavano l’avvio di iniziative di analytics e AI.
Il quarto caso riguarda un importante ente pubblico con molteplici dati di provenienza interna ed esterna chiamato a utilizzare informazioni provenienti da dipartimenti interni, altre amministrazioni, fonti statistiche e open data. In questo contesto la priorità era rendere confrontabili dati eterogenei e chiarirne provenienza, responsabilità, frequenza di aggiornamento e limiti d’uso. Il censimento delle fonti, il modello unificato e la realizzazione di data product tematici hanno permesso di produrre analisi più tracciabili e riutilizzabili, a supporto della pianificazione delle politiche pubbliche.
Le esperienze mostrano che una Data Strategy può nascere anche da un’esigenza circoscritta: una dashboard, un problema di performance, un progetto di AI o la necessità di integrare alcune fonti. Il rischio non è partire da un singolo caso d’uso, ma lasciare che ogni iniziativa rimanga isolata.
La Data Strategy diventa un processo incrementale: individua le priorità, verifica il valore e la maturità dei dati, introduce gli interventi necessari e misura i risultati. Non promette di mettere immediatamente ordine in tutto, ma permette di scegliere dove intervenire prima e dove, invece, accettare temporaneamente un livello di qualità inferiore.
La governance dell’AI comincia dai dati
Con l’ingresso degli agenti AI nei processi aziendali, la questione assume un peso ancora maggiore. Sistemi capaci di interagire con applicazioni, consultare informazioni aziendali e partecipare ai processi decisionali ampliano le possibilità di automazione, ma anche le conseguenze di dati errati, non aggiornati o interpretati fuori contesto.
Per questo le organizzazioni più avanzate si rendono ormai conto che una buona Data Strategy non può prescindere da un’AI Strategy ben impostata. Ancor meglio: la strategia per i dati e quella per l’AI devono essere idealmente sviluppate insieme e integrate. La questione non è raccogliere più informazioni, ma creare valore a partire da quelle che servono. È in questo passaggio, dalla disponibilità teorica alla capacità concreta di impiego, che i dati possono smettere di rappresentare un costo e diventare una base affidabile per l’innovazione.
Partecipa alla community