Non è difficile chiedere qualcosa a un assistente AI. È difficile essere sicuri che la risposta abbia una base affidabile.
Hai già provato a chiedere a un’AI di analizzare i dati della tua azienda. Forse hai copiato un file Excel dentro ChatGPT, o hai collegato un tool generico al tuo CRM sperando in una risposta chiara. E se la risposta non è stata quella che ti aspettavi, il problema potrebbe non essere il modello che hai usato.
È una domanda che quasi nessuno si pone prima di partire: i tuoi dati sono davvero pronti per essere messi al lavoro da un sistema intelligente?
Da dashboard ad AI agent: chi decide davvero?
Prendi un caso concreto: le vendite del tuo trimestre sono calate dell’8%.
La Business Intelligence risponde a una domanda: cosa è successo? Meno 8%.
L’AI risponde alla domanda successiva: perché è successo? Il calo è concentrato in un segmento specifico di clienti e coincide con un cambiamento nelle modalità di acquisto.
Un AI agent risponde a una terza domanda: cosa possiamo fare? Identifica i clienti coinvolti, prepara un’azione commerciale secondo regole definite, e te la sottopone per l’approvazione.
E alla fine resta sempre una quarta domanda, quella che nessun sistema può rispondere al posto tuo: cosa decidiamo di fare?
La differenza è il livello di autonomia: il software esegue istruzioni, l’AI analizza e genera, un agente può arrivare a pianificare e agire.
Ma c’è qualcosa che nessuno dei tre livelli può aggirare: i dati. In questo esempio la differenza tra BI, AI e agente non dipende dal modello che scegli, ma da quanto i dati di vendita, CRM e comportamento d’acquisto sono già collegati tra loro prima ancora che tu faccia la domanda.
Il budget c’è, la messa a terra no
Il Qlik 2025 Agentic AI Study, condotto da Enterprise Technology Research su oltre 200 decision maker enterprise, racconta bene la fase in cui siamo. Quasi tutte le grandi aziende hanno già stanziato un budget per l’Agentic AI. Ma meno di una su cinque dichiara di averla implementata completamente.
Il dato interessante non è questo divario in sé, ma cosa lo causa. Ai primi posti tra i freni alla scalabilità ci sono qualità dei dati e disponibilità di accesso ai dati, prima ancora di integrazione, competenze e governance. Il denaro c’è. La tecnologia c’è. Manca il collegamento tra i due e i dati reali dell’azienda.
In Italia la storia si ripete, con una svolta
Anche in Italia l’adozione dell’AI sta accelerando davvero: secondo l’ultima rilevazione Istat, in un solo anno l’uso dell’AI tra le imprese con almeno 10 addetti è più che raddoppiato, dall’8,2% al 16,4%. Ma cresce a due velocità nette, le grandi aziende corrono, le PMI restano molto più indietro, e il divario tra i due mondi si allarga anno dopo anno invece di ridursi.
Tra le imprese che hanno preso in considerazione l’AI senza poi adottarla, quasi una su due indica proprio l’indisponibilità o la scarsa qualità dei dati necessari come ostacolo, secondo solo alla mancanza di competenze.
Se sei alla guida di una PMI, quindi, il problema non è necessariamente da dove iniziare con l’AI.
È capire se l’organizzazione, i dati e le competenze che hai già a disposizione sono sufficienti per trasformare una sperimentazione in un risultato concreto.
E qui arriva la parte meno scontata della storia. Non è vero che le aziende italiane partono da zero sui dati. Una ricerca globale di SAS e IDC, che dedica una sezione specifica al nostro paese, mostra che oltre la metà delle organizzazioni italiane ha già un’infrastruttura dati con procedure di governance stabilite, anche se non ancora pienamente a regime, e solo il 12% si trova ancora in una situazione frammentata o priva di struttura. Eppure l’adozione dell’AI resta indietro rispetto a questa base. Il ostacolo principale, secondo lo stesso report, non è l’infrastruttura ma la carenza di personale qualificato in grado di farla lavorare davvero.
La conclusione, quindi, non è “l’Italia non ha dati in ordine”. È più precisa, e più interessante: avere un’infrastruttura abbastanza solida non significa automaticamente avere la maturità per farla lavorare con l’AI.
Fai questa verifica prima di chiederti quale AI adottare
Prova a rispondere, con onestà, a queste domande:
I tuoi dati commerciali, economici e operativi vivono in sistemi diversi che non si parlano tra loro, CRM da una parte, ERP dall’altra, fogli Excel sparsi nel mezzo?
Se chiedessi oggi una visione unica dell’azienda, sapresti da dove partire per costruirla?
I tuoi KPI vengono calcolati sempre allo stesso modo, indipendentemente da chi li produce?
Sai chi, all’interno della tua azienda, può accedere a quali dati, e chi può modificarli?
Quanto tempo perdi ogni settimana per raccogliere e ricomporre a mano informazioni che dovrebbero già essere collegate?
Se anche solo due di queste domande ti hanno messo a disagio, potresti aver trovato una delle ragioni per cui il tuo primo tentativo con l’AI non ha prodotto il risultato che speravi.
Dal dato alla decisione: la catena che conta davvero
Il vero salto non è dall’uomo all’AI. È dal dato alla decisione.
Possiamo rappresentarlo come un percorso: Dati, Data Foundation, Business Intelligence, Analytics/AI, Decisione.
La BI rende il dato leggibile. L’AI lo rende analizzabile in modi nuovi. Ma alla base di ogni passaggio resta sempre lo stesso elemento: il dato. Se quel dato è frammentato, tutta la catena diventa più fragile, indipendentemente da quanto è potente lo strumento che ci costruisci sopra.
È proprio qui che una data foundation diventa importante: capire dove sono i dati, come sono collegati, e come renderli disponibili a chi ne ha bisogno.
Nexus è la piattaforma cloud di Global Informatica che integra i dati e costruisce una base coerente sulla quale lavorano Business Intelligence, analytics e altri strumenti aziendali, e il primo lavoro che facciamo con un’azienda non riguarda mai l’AI in sé. Riguarda proprio questo.
Più autonomia significa più responsabilità. E più responsabilità significa più bisogno di controllo, a partire dalla base su cui tutto il resto viene costruito.
La domanda giusta, quindi, non è più soltanto se adottare l’AI. È se i nostri dati sono pronti a sostenerla. Perché più responsabilità affidiamo all’AI, più dobbiamo fidarci dei dati su cui lavora.