8 consigli per ricostruire una strategia dati pronta per l’AI

Qualsiasi azienda che voglia avere una strategia AI di successo deve prima avere una strategia dati vincente.

“Questo è il messaggio di Ed Lovely [in inglese] , vice president e chief data officer di IBM”.

“Quando si pensa a scalare l’intelligenza artificiale, i dati sono le fondamenta”, afferma il manager.

Tuttavia, poche imprese dispongono di un’architettura dei dati architettura dei dati [in inglese] allineata alle loro ambizioni di intelligenza artificiale, spiega Lovely. Al contrario, possiedono dati isolati (i cosiddetti “silos”) non governati da standard coerenti: è il risultato di strategie dati aziendali di lunga data che hanno creato ambienti IT applicazione per applicazione per fornire decisioni puntuali, piuttosto che per supportare implementazioni di intelligenza artificiale a livello aziendale.

Lo studio IBM del 2025 AI Ambitions Are Surging, But Is Enterprise Data Ready? [in inglese] mostra quanti stiano lottando con i propri dati. Ha rilevato che solo il 26% dei 1.700 CDO (Chief Data Officer) in tutto il mondo si sente sicuro che i propri dati possano supportare nuovi flussi di entrate abilitati dall’intelligenza artificiale.

Ciò che serve, sostiene Lovely, è un’architettura dati aziendale integrata [in inglese], dove gli stessi standard, governance e metadati siano applicati “indipendentemente da dove nascono i dati”.

Lovely non è il solo a vedere la necessità per le aziende di aggiornare le loro strategie dati [in inglese].

“La maggior parte di esse deve modernizzare le proprie strategie dati perché l’AI cambia non solo come i dati vengono usati, ma il perché vengono usati e dove viene creato il valore”, dichiara Adam Wright, research manager per i programmi di ricerca Global DataSphere e Global StorageSphere di IDC e coautore del report 2025 Content Creation in the Age of Generative AI [in inglese].

“Le strategie dati tradizionali erano costruite per reportistica, BI (Business Intelligence) e automazione, ma l’intelligenza artificiale richiede pipeline di dati molto più dinamiche, granulari e in tempo reale che possano alimentare flussi di lavoro iterativi e guidati dai modelli. Questo significa passare da una governance dei dati statica a un monitoraggio continuo della qualità dei dati, un tracciamento più forte dei metadati e della discendenza (lineage), e policy di conservazione che riflettano il mix dell’AI di dati effimeri, memorizzati nella cache e salvati”, prosegue Wright. “Questa nuova era tecnologica richiede che le imprese evolvano da una mentalità del ‘raccogli/archivia tutto’ verso strategie dati intenzionali e guidate dal valore, che bilancino costi, rischi e gli specifici risultati di intelligenza artificiale che vogliono raggiungere”.

Fondamenta di dati ad alta maturità

La maggior parte delle imprese è lontana da questo obiettivo.

“Molte aziende continuano a lottare per avere i dati ‘giusti’, che si tratti di volume sufficiente, qualità appropriata o dei metadati contestuali necessari per supportare i casi d’uso dell’intelligenza artificiale”, osserva Wright. “Nella ricerca IDC e nelle conversazioni di settore, la preparazione dei dati (data readiness) emerge costantemente come una delle principali barriere alla realizzazione del valore dell’AI, spesso superando il costo di calcolo o la selezione del modello. La maggior parte delle imprese sta ancora affrontando sistemi frammentati, governance incoerente e visibilità limitata su quali dati possiedano realmente e quanto siano affidabili”.

Lovely riferisce che IBM ha affrontato molte di queste sfide, ma ha trascorso gli ultimi tre anni ad affrontarle per rendere i suoi dati pronti per l’intelligenza artificiale.

La strategia dati di IBM per questa nuova era [in inglese] ha incluso molteplici cambiamenti agli approcci di lunga data, permettendo di costruire quella che Lovely chiama un’architettura dati aziendale integrata. Per esempio, l’azienda ha mantenuto il concetto di proprietari dei dati (data owners) ma “li ha aiutati a capire che il dato è un asset di IBM, e se siamo in grado di democratizzarlo in modo controllato e sicuro, possiamo gestire il business in modo migliore e più produttivo”, illustra Lovely.

Di conseguenza, Big Blue è passata da più team che gestivano dati isolati a una squadra unica che utilizza standard e architetture architetture comuni. I leader aziendali hanno anche consolidato 300 terabyte di dati, selezionando i dati necessari in base ai risultati che l’azienda cerca e ai flussi di lavoro che guidano tali risultati.

“Siamo stati deliberati”, puntualizza il dirigente, aggiungendo che la sua piattaforma dati copre ora circa l’80% dei flussi di lavoro di IBM. “Uno dei più grandi sblocchi di produttività per un’impresa oggi è creare un’architettura dati aziendale integrata. Stiamo rapidamente implementando l’AI nella nostra azienda grazie al nostro investimento nei dati”.

8 consigli per costruire una strategia dati migliore

Per costruire un’alta maturità nelle fondamenta e nelle capacità di consumo dei dati, le aziende hanno bisogno di una strategia [in inglese] che lavori sulla qualità [in inglese], abbatta i silos [in inglese] e allinei le capacità con i casi d’uso dell’AI [in inglese] prioritari per il business.

Secondo gli esperti i passaggi da intraprendere sono questi:

1. Ripensare la proprietà dei dati

“I modelli tradizionali che trattano la proprietà dei dati come una questione puramente IT non funzionano più quando unità di business, team di prodotto e piattaforme AI generano e trasformano dati continuamente”, argomenta Wright. “Idealmente, la chiara responsabilità dovrebbe ricadere su un leader senior dei dati come un CDO, ma le aziende che non hanno questa figura devono assicurarsi che le responsabilità della governance dei dati siano esplicitamente distribuite tra IT, sicurezza e business”.

È fondamentale avere “un unico punto di riferimento per definire le policy e un modello federato per l’esecuzione, in modo che le unità di business rimangano responsabilizzate ma non prive di controllo”, aggiunge l’analista.

Manjeet Rege [in inglese], professore e presidente del Dipartimento di Ingegneria del Software e Data Science e direttore del Center for Applied Artificial Intelligence all’Università di St. Thomas, suggerisce alle aziende di ridefinire i proprietari dei dati come “data steward” (custodi dei dati), che non possiedono loro, ma il loro significato e la loro qualità, basandosi su standard, governance, sicurezza e interoperabilità stabiliti da una funzione centrale.

2. Abbattere i silos

Per fare questo, “i CIO devono allineare le unità di business attorno a risultati condivisi di intelligenza artificiale e dati, perché la GenAI (AI generativa) fornisce valore solo quando flussi di lavoro, processi e fonti di dati sono connessi attraverso l’impresa”, avverte Wright.

“Questo significa stabilire una governance interfunzionale, standardizzare tassonomie e policy, e creare incentivi affinché i team condividano i dati piuttosto che proteggerli”, continua. “La tecnologia aiuta attraverso piattaforme unificate, livelli di metadati e framework di sicurezza comuni, ma il vero sblocco arriva da una leadership coordinata attraverso la C-suite e gli stakeholder aziendali”.

3. Investire in tecnologie dati per l’era dell’AI

Queste tecnologie includono moderni data lake e data lakehouse [in inglese], database vettoriali [in inglese] e object storage scalabili, che “possono gestire dati multimodali ad alto volume con una forte governance”, fa notare Wright.

Le imprese hanno anche bisogno di strumenti di orchestrazione e pipeline che automatizzino l’ingestione, la pulizia, la trasformazione e il movimento in modo che i flussi di lavoro AI possano funzionare in modo affidabile end-to-end. I motori di metadati e i livelli di governance sono essenziali per consentire ai modelli di comprendere il contesto, tracciare la discendenza e utilizzare in modo sicuro e affidabile sia dati strutturati che non strutturati.

Costruire un livello di piattaforma dati che sia “modulare, governato e capace di evolvere”, raccomanda Rege. “Hai bisogno di un’architettura che possa trattare i dati come un prodotto riutilizzabile, e non solo per una singola pipeline, e che possa essere utilizzata sia per esigenze batch che in tempo reale”.

Rege approva anche data lake e data lakehouse, sottolineando che stanno “diventando la spina dorsale dell’AI perché possono gestire dati strutturati e non strutturati”.

Inoltre, Shayan Mohanty, chief AI and data officer presso Thoughtworks, invita i CIO a costruire un’impresa componibile, con tecnologie modulari e strutture flessibili che permettano agli umani e all’AI di accedere ai dati e lavorare attraverso i molteplici livelli.

Gli esperti consigliano anche ai CIO di investire in tecnologie che indirizzino le esigenze emergenti del ciclo di vita dei dati.

“L’AI generativa sta, fondamentalmente, rimodellando il ciclo di vita dei dati, creando un mix molto più dinamico di contenuti effimeri, memorizzati nella cache e archiviati in modo persistente. La maggior parte degli output della GenAI ha vita breve ed è utilizzata solo per secondi, minuti o ore, il che aumenta la necessità di infrastrutture ad alte prestazioni come DRAM e SSD per gestire iterazioni rapide, caching e flussi di lavoro volatili”, specifica Wright.

“Ma allo stesso tempo, un sottoinsieme significativo di output dell’AI generativa persiste, come documenti finalizzati, asset multimediali approvati, dataset di addestramento sintetici e contenuti rilevanti per la compliance, e questi si affidano ancora pesantemente a HDD ad alta capacità ed efficienti in termini di costi per l’archiviazione a lungo termine”, precisa ancora. “Man mano che l’adozione della GenAI cresce, le imprese avranno bisogno di strategie dati che accomodino questo intero ciclo di vita, dalla memoria ultra-veloce per contenuti transitori a robusti sistemi basati su HDD per archivi durevoli, perché il carico/dinamica di archiviazione sta cambiando”.

4. Automatizzare e aggiungere intelligenza all’architettura dati

Mohanty attribuisce il cattivo stato dei dati aziendali a “una spaccatura tra produttori di dati e consumatori di dati”, con i dati prodotti che finiscono in una “pila gigante da qualche parte, in quelli che sono chiamati data warehouse” con livelli di analisi poi creati per utilizzarli. Questo approccio, commenta, richiede molta conoscenza umana e sforzo manuale per funzionare.

Esorta quindi le imprese ad adottare una mentalità [in inglese] per “avvicinare produttori e consumatori di dati” e ad aggiungere automazione e intelligenza alla loro architettura aziendale in modo che l’AI possa identificare e accedere ai dati giusti quando necessario.

I CIO possono usare il Model Context Protocol (MCP) [in inglese] per avvolgere i dati e fornire quell’accesso a livello di protocollo, propone Mohanty, notando che l’accesso richiede alle imprese di codificare le informazioni nel proprio catalogo e strumenti per assicurare la scopribilità dei dati.

5. Assicurarsi che i dati strutturati e non strutturati siano pronti per l’AI

“I dati strutturati sono pronti per l’intelligenza artificiale quando sono formattati coerentemente, ben governati e arricchiti con metadati accurati, rendendo facile per i modelli capirli e usarli”, asserisce Wright. “Le imprese dovrebbero dare priorità a forti controlli di qualità dei dati, gestione dei dati master (MDM) [in inglese] e chiara proprietà affinché i dataset strutturati rimangano affidabili, interoperabili e allineati a specifici casi d’uso dell’AI”.

Gli esperti sottolineano la necessità di portare quella stessa disciplina ai dati non strutturati [in inglese], assicurando che anche questi siano propriamente etichettati, classificati e arricchiti con metadati affinché i sistemi possano capirli e recuperarli efficacemente.

“Bisogna trattare i dati non strutturati come un asset di dati di prima classe”, insiste Rege. “La maggior parte dei casi d’uso più interessanti vive nei dati non strutturati come chiamate audio del servizio clienti, messaggi e documenti, ma per molte imprese i dati non strutturati rimangono un punto cieco”.

Rege consiglia di archiviarli in database vettoriali dove le informazioni sono ricercabili.

6. Considerare fonti di dati esterne e dati sintetici

“Le imprese dovrebbero assolutamente valutare se siano necessari dati esterni o sintetici [in inglese] quando i loro dati esistenti sono incompleti, distorti (biased), troppo scarsi o scarsamente allineati con il caso d’uso AI che stanno cercando di perseguire”, evidenzia Wright, notando che “i dati sintetici diventano particolarmente utili quando i dati reali sono sensibili, costosi da raccogliere o limitati da vincoli di privacy, normativi oppure operativi”.

7. Implementare una fondazione dati ad alta maturità in modo incrementale

Non aspettate che i dati siano in un posto perfetto per iniziare, ammonisce Shibani Ahuja [in inglese], senior vice president of enterprise IT strategy presso Salesforce.

“Ci sono imprese che sentono di dover sistemare tutti i loro dati prima di poter premere il grilletto, ma stanno anche ricevendo pressione per iniziare il viaggio”, confida.

Come accade quando si maturano la maggior parte dei programmi aziendali, i CIO e i loro colleghi dirigenti possono – e dovrebbero – adottare un approccio incrementale alla costruzione di un programma dati per l’era dell’AI.

Ahuja raccomanda di maturare un programma dati lavorando “da risultato a risultato”, creando una strategia e un’architettura dati per supportare un risultato guidato dall’AI e poi passando a quelli successivi.

“È un modo di pensare: ingegneria inversa da ciò di cui hai bisogno”, riassume Ahuja. “Metti qualcosa in produzione, assicurati di avere le giuste protezioni (guardrail), osservalo e modificalo affinché scali, poi inserisci il prossimo”.

8. Adottare un approccio interfunzionale alla costruzione del team dati

“I dati dovrebbero essere supportati da un ecosistema interfunzionale che include IT, governance dei dati, sicurezza e le unità di business che effettivamente usano i dati per guidare le decisioni”, conclude Wright. “La strategia dati dell’era dell’intelligenza artificiale funziona meglio quando questi team condividono la proprietà, dove i team IT abilitano l’infrastruttura, i team di governance assicurano fiducia e qualità, e i team di business definiscono il contesto e il valore”.