Prima di adottare l'IA: quali dati l'azienda deve mettere in ordine

Quando le aziende parlano di IA, la prima discussione riguarda quasi sempre quale modello scegliere e quale strumento acquistare. Ma una volta partiti davvero, ci si accorge che a bloccare il progetto è spesso altro: anagrafiche clienti duplicate, codici prodotto non uniformi, dati chiave sparsi nei fogli di calcolo di ciascuno, e nessuno che sappia dire quale numero sia quello giusto. Il primo ostacolo all'adozione dell'IA di solito non è il modello, ma i dati: imprecisi, incompleti, introvabili, oppure senza un responsabile.

Quali dati bisogna dunque mettere in ordine prima di avviare l'IA? In questo articolo presentiamo perché il collo di bottiglia dei progetti di IA sta spesso nei dati, i cinque problemi di dati più comuni nelle aziende, i requisiti dei "dati pronti per l'IA", i sette passi per preparare i dati partendo da uno scenario di business e come usare indicatori semplici per capire se i dati sono pronti, e infine rispondiamo ad alcune domande frequenti.

Perché il collo di bottiglia dei progetti di IA sta spesso nei dati?

La qualità dell'output dell'IA dipende dai dati che essa può vedere. Errori, lacune e contraddizioni nei dati non vengono corretti dall'IA: al contrario, vengono amplificati più in fretta e su scala maggiore.

Diverse indagini indicano lo stesso problema:

• La gestione dei dati nella maggior parte delle aziende non è ancora al passo. Secondo un'indagine pubblicata da Gartner nel febbraio 2025, tra i 1.203 responsabili della gestione dei dati intervistati nel luglio 2024, il 63% ha dichiarato che la propria organizzazione non dispone di pratiche di gestione dei dati adatte all'IA, oppure non è sicura di averle. Gartner prevede inoltre che, entro il 2026, il 60% dei progetti di IA privi di "dati pronti per l'IA" verrà abbandonato dalle aziende (fonte).
• Anche le aziende mature non possono eludere il tema dei dati. Un'indagine Gartner condotta nel quarto trimestre del 2024 su 432 intervistati in Stati Uniti, Regno Unito, Francia, Germania, India e Giappone ha rilevato che, a prescindere dal livello di maturità nell'IA, disponibilità e qualità dei dati restano tra le principali sfide dell'implementazione: lo afferma il 34% dei responsabili nelle organizzazioni a bassa maturità e il 29% in quelle ad alta maturità (fonte).
• I problemi di dati restringono direttamente il campo di utilizzo dell'IA. Dall'indagine condotta da Deloitte tra maggio e giugno 2024 su 2.770 intervistati, da direttori ad alti dirigenti, in 14 paesi emerge che il 55% delle organizzazioni ha evitato alcuni casi d'uso dell'IA generativa per problemi legati ai dati, e il 75% ha aumentato gli investimenti nella gestione dei dati a causa dell'IA generativa (fonte). Va notato che gli intervistati avevano tutti esperienza di IA e stavano già avviando progetti pilota o implementazioni di IA generativa, quindi sono più avanti della media delle aziende.

Perché i problemi di dati pesano tanto nei progetti di IA? Per due ragioni. Primo: quando un report tradizionale è sbagliato, chi lo legge spesso se ne accorge per esperienza ("questo numero non torna"); l'IA, invece, formula raccomandazioni direttamente sui dati errati e può perfino eseguire operazioni in automatico. Secondo: l'IA è più "esigente" nei confronti dei dati. Gartner sottolinea che i dati pronti per l'IA devono essere rappresentativi dello specifico caso d'uso, comprese le sue regolarità, gli errori, i valori anomali e gli imprevisti (fonte).

Ad esempio, un distributore vuole usare l'IA per prevedere i rifornimenti dei singoli magazzini. Se nello storico delle vendite sono mescolati molti storni per resi e le vendite a zero nei periodi di rottura di stock vengono scambiate per "assenza di domanda", il modello impara regole sbagliate: più la previsione è "sicura", maggiore sarà lo scostamento nei rifornimenti.

Quali sono i problemi di dati più comuni nelle aziende?

I problemi di dati della maggior parte delle aziende non hanno nulla di misterioso: sono questioni di gestione quotidiana accumulate nel tempo. Di norma sono solo "fastidi", ma in un progetto di IA diventano "ostacoli".

Lo stesso cliente scritto in più modi. Le vendite inseriscono "Società Commerciale Alfa S.r.l.", l'amministrazione "Alfa Commerciale (Milano)", e nel sistema di assistenza clienti compare ancora un contatto con un numero di cellulare. Ad esempio, nell'analizzare il valore dei clienti l'IA potrebbe dividere un grande cliente, con acquisti annui molto elevati, in tre clienti ordinari, falsando anche fido e condizioni agevolate.

Anagrafiche non uniformi. I dati anagrafici (Master Data) sono i dati di base relativamente stabili e condivisi da più processi: clienti, fornitori, prodotti, materiali, dipendenti. Ad esempio, lo stesso prodotto ha un codice nel sistema vendite, uno in magazzino e uno in amministrazione: per rispondere alla domanda "qual è il margine reale di questo prodotto?" l'IA deve prima indovinare quali codici corrispondano allo stesso articolo.

Dati sparsi tra fogli di calcolo e sistemi diversi. Il listino è sul computer del responsabile acquisti, le regole promozionali negli allegati e-mail, le rettifiche di inventario dei punti vendita in una chat di gruppo. L'IA non può accedere a questi dati, e non sa distinguere quale versione sia l'ultima.

Definizioni incoerenti. Reparti diversi intendono in modo diverso lo stesso indicatore. Ad esempio, il "fatturato" per le vendite è al lordo delle imposte e senza detrarre i resi, mentre per l'amministrazione è al netto delle imposte e dei resi; la "consegna puntuale" per alcuni si calcola sulla data promessa, per altri sulla data richiesta dal cliente. Tra le due definizioni, la risposta dell'IA sarà inevitabilmente giudicata sbagliata da una delle parti.

Nessuno è responsabile dei dati. Si scopre che l'indirizzo di un cliente è sbagliato o che le specifiche di un prodotto sono scadute, ma non si sa a chi rivolgersi per correggerli; tutti i reparti usano i dati, ma nessuno risponde della loro accuratezza. Sally Parker, Senior Director Analyst di Gartner, al Data & Analytics Summit di Londra del maggio 2026 ha affermato che le organizzazioni con una bassa maturità nella governance dei dati hanno molte più probabilità di non riuscire a ottenere valore dall'IA; nello stesso intervento è stato ricordato che solo il 26% delle organizzazioni include cultura e comunicazione nella strategia di governance dei dati e dell'analisi (fonte). Ciò indica che la gestione dei dati non è solo una questione tecnica, ma di ripartizione dei compiti e di abitudini.

Quando i dati si possono considerare "pronti per l'IA"?

"Pronti per l'IA" non significa che tutti i dati aziendali siano perfetti, ma che la parte di dati a supporto di uno specifico scenario di IA abbia raggiunto uno standard utilizzabile. Per valutare se i dati sono pronti bisogna partire dallo scenario, non dal database.

La tabella seguente elenca i sei requisiti che i dati pronti per l'IA devono di norma soddisfare e può servire da lista di autoverifica:

Gli standard dei requisiti vanno definiti in base allo scenario. Ad esempio, per redigere testi di marketing con l'IA la tempestività dei dati conta poco; per rispondere ai clienti su disponibilità e tempi di consegna, invece, i dati devono essere quasi in tempo reale.

Vanno sottolineati altri due punti. Primo, Gartner evidenzia che la preparazione dei dati è un processo che si basa sui metadati (dati che descrivono i dati, come significato dei campi, origine, data di aggiornamento) per allineare, validare e gestire i dati, e non un'attività da svolgere "una volta per tutte": richiede un miglioramento continuo (fonte). Secondo, anche i dati non strutturati, come contratti, e-mail e documenti normativi, vanno gestiti: se nella knowledge base restano documenti di policy scaduti, l'assistente IA per i clienti potrebbe rispondere secondo regole ormai superate.

Come preparare i dati per l'IA? Guida passo passo

Per preparare i dati per l'IA, l'approccio più efficace non è lanciare prima un "grande cantiere dei dati" esteso a tutta l'azienda, ma partire da uno scenario preciso e mettere in ordine i dati che lo riguardano fino a renderli utilizzabili. Prima porta a standard i dati di uno scenario, poi replica il metodo sul successivo.

Passo 1: parti da uno scenario di business per risalire ai dati necessari. Scegli prima uno scenario dal valore chiaro, poi elenca i dati che richiede. Ad esempio, per verificare automaticamente con l'IA le fatture dei fornitori servono ordini d'acquisto, registrazioni di ricevimento merce, fatture, anagrafica fornitori e prezzi contrattuali. Mentre compili l'elenco, annota anche lo standard che ciascun tipo di dato deve raggiungere.

Passo 2: fai l'inventario dello stato attuale dei dati. Per ogni voce dell'elenco verifica in quale sistema o file si trova il dato, chi lo gestisce, ogni quanto si aggiorna e in che formato. Poi estrai un campione per controllarne la qualità: ad esempio, prendi 200 fatture e guarda quante si riconciliano con ordini e registrazioni di ricevimento. Il risultato dell'inventario è un elenco dei dati e un elenco dei problemi.

Passo 3: ripulisci e uniforma le anagrafiche. Dai priorità alle anagrafiche da cui lo scenario dipende maggiormente, di solito clienti, prodotti e fornitori. Definisci prima le regole, ad esempio identificare il cliente in modo univoco tramite partita IVA o codice fiscale, poi unisci i record duplicati e completa i campi chiave. Ancora più importante è il controllo alla fonte: l'inserimento di nuovi clienti o prodotti deve seguire regole uniformi e passare da una revisione, altrimenti poco dopo la pulizia si ricade nel disordine.

Passo 4: uniforma le definizioni degli indicatori. Raccogli in un "dizionario degli indicatori" gli indicatori chiave dello scenario, specificando per ciascuno definizione, metodo di calcolo, fonte dei dati e responsabile. Ad esempio, chiarisci se il "margine lordo" comprende o meno spese di trasporto e premi di fine anno. Una volta fissata la definizione, report, dashboard e IA usano tutti la stessa.

Passo 5: stabilisci responsabili dei dati e meccanismi di aggiornamento. Per ogni tipo di dato chiave va designato un responsabile in ambito business, ad esempio le anagrafiche clienti alle operations commerciali e le anagrafiche prodotto alla funzione prodotto o acquisti, che rispondono della loro accuratezza. Definisci anche frequenza di aggiornamento, modalità di controllo della qualità e canale di segnalazione, così che chi trova un errore sappia a chi rivolgersi.

Passo 6: imposta i permessi e garantisci la conformità. Definisci per ruolo chi può consultare e usare quali dati, con particolare cautela quando sono coinvolti dati personali. Prendiamo il Regolamento generale sulla protezione dei dati (GDPR) dell'UE: l'articolo 5 richiede che il trattamento dei dati personali rispetti i principi di liceità, correttezza e trasparenza, limitazione della finalità, minimizzazione dei dati, esattezza, limitazione della conservazione, integrità e riservatezza, e che il titolare del trattamento sia responsabile della conformità e in grado di dimostrarla; l'articolo 25 richiede di attuare la protezione dei dati fin dalla progettazione e per impostazione predefinita, ad esempio ricorrendo alla pseudonimizzazione e trattando per impostazione predefinita solo i dati personali necessari (fonte). Anche le aziende che operano in Cina o in altre aree dovrebbero fare riferimento alla normativa locale sulla protezione dei dati personali. In pratica, prima di fornire dati a strumenti di IA esterni, rimuovi o sostituisci le informazioni personali non necessarie.

Passo 7: avvia una fase pilota su scala ridotta e migliora in modo continuo. Quando i dati sono pronti, fai prima girare lo scenario di IA su piccola scala, registra i casi in cui l'IA sbaglia e risali alla causa, dati o modello. Affida ai rispettivi responsabili la correzione dei problemi di dati emersi e rendi stabili le regole di controllo. In questo modo il secondo scenario potrà riutilizzare le anagrafiche e il dizionario degli indicatori già messi in ordine, e i tempi di preparazione si ridurranno sensibilmente.

Come capire se la preparazione dei dati è a buon punto?

Per valutare se i dati sono pronti non basta affidarsi all'impressione, né aspettare di vedere i risultati dopo il lancio dell'IA. Il metodo più pratico è definire, per i dati chiave dello scenario, alcuni indicatori di qualità semplici e misurabili con regolarità.

Si può partire da questi aspetti:

• Tasso di duplicazione. Quanti record di clienti, prodotti e fornitori risultano probabili duplicati. Ad esempio, conta ogni mese i record cliente con nomi simili e stessa partita IVA, e verifica se il numero diminuisce.
• Tasso di valori mancanti. Quanti dei campi chiave richiesti dallo scenario sono vuoti, ad esempio l'indirizzo di consegna degli ordini o specifiche e unità di misura dei prodotti.
• Tasso di coerenza. Se lo stesso dato coincide tra sistemi diversi, ad esempio la differenza tra l'inventario dell'ERP e quello del sistema di magazzino, o tra l'importo dell'ordine e quello della fattura.
• Ritardo di aggiornamento. Dopo quanto tempo dall'evento di business il dato è visibile nel sistema, ad esempio dopo quanto le vendite di un punto vendita si sincronizzano con la sede o dopo quanto una modifica di prezzo diventa efficace.
• Tempo di gestione dei problemi. Quanti giorni passano dalla scoperta di un problema di dati alla sua correzione, e se ci sono problemi accumulati di cui nessuno si occupa.

Questi indicatori non richiedono strumenti complessi: all'inizio basta un foglio di calcolo aggiornato ogni mese. L'importante è che gli indicatori abbiano un responsabile e un valore obiettivo e che vengano esaminati con regolarità nelle riunioni di gestione. Ad esempio, una catena di ristorazione che voleva analizzare con l'IA gli sprechi di ingredienti dei singoli punti vendita ha scelto come indicatori il "tasso di valori mancanti nei registri degli scarti" e il "ritardo nell'inserimento degli scarti", e solo dopo due mesi consecutivi in linea con gli obiettivi ha iniziato a costruire il modello. Indicatori stabilmente in linea con gli obiettivi sono il segnale per avviare lo scenario di IA.

Domande frequenti sulla preparazione dei dati per l'IA

Bisogna ripulire tutti i dati prima di cominciare con l'IA? No. L'approccio più pragmatico è partire da uno scenario e portare a un livello utilizzabile solo i dati che servono a quello scenario. Una governance dei dati più estesa può procedere gradualmente man mano che gli scenari aumentano.

Una PMI non ha un team dedicato ai dati: come fare? Si può cominciare designando responsabili dei dati nei reparti di business e gestendo i dati chiave con semplici elenchi e regole. Molti problemi di dati migliorano sensibilmente con regole di inserimento uniformi e controlli periodici, senza necessariamente ricorrere a strumenti complessi.

Se abbiamo già un ERP o un CRM, i dati sono pronti per l'IA? Non necessariamente. Il sistema fornisce solo il luogo in cui conservare i dati; la loro completezza, coerenza e manutenzione dipendono dalla gestione quotidiana. Inoltre, gli scenari di IA richiedono spesso di combinare dati di più sistemi, quindi l'uniformità delle definizioni resta indispensabile.

La preparazione dei dati deve essere guidata dal business o dall'IT? Deve essere guidata dal business, con il supporto dell'IT. Significato e correttezza dei dati li conoscono meglio di tutti le persone di business, mentre l'IT si occupa di sistemi, interfacce e permessi. Servono entrambi.

È sicuro affidare i dati aziendali a strumenti di IA esterni? Dipende dalla valutazione preventiva. Occorre verificare come il fornitore conserva e usa i dati e se li impiega per addestrare i modelli, e rimuovere le informazioni personali e quelle commerciali sensibili non necessarie. Quando sono coinvolti dati personali, bisogna anche accertarsi che la finalità d'uso sia conforme ai requisiti delle normative applicabili, come il GDPR.

Riferimenti

• Lack of AI-Ready Data Puts AI Projects at Risk, Gartner, febbraio 2025
• Gartner Survey Finds 45% of Organizations With High AI Maturity Keep AI Projects Operational for at Least Three Years, Gartner, giugno 2025
• Gartner Data & Analytics Summit 2026 London: Day 1 Highlights, Gartner, maggio 2026
• Despite increased investment and early enthusiasm, data and risk remain key challenges to scaling Generative AI, reveals new Deloitte Survey, Deloitte, agosto 2024
• Regulation (EU) 2016/679 (General Data Protection Regulation), Gazzetta ufficiale dell'Unione europea (EUR-Lex), aprile 2016