Un agente di intelligenza artificiale può leggere correttamente una tabella e tuttavia fornire una risposta errata se interpreta in modo scorretto il significato di un indicatore. Per utilizzare efficacemente le informazioni aziendali non bastano i dati: servono definizioni condivise, relazioni esplicite, regole di calcolo chiare e controlli su qualità e accessi. Tutti questi elementi costituiscono la Data Foundation, ovvero l’insieme di dati, strumenti e regole che rende affidabili le applicazioni e ne supporta il funzionamento.
Il tema è al centro della tavola rotonda «Data Foundation first: l’architettura invisibile che abilita la scalabilità», durante il convegno «Decision First: Data e AI al servizio delle decisioni», organizzato recentemente dall’Osservatorio Data & Decision Intelligence del Politecnico di Milano.
La discussione – introdotta Irene Di Deo e coordinata da Nicola Ciani degli Osservatori Digital Innovatori – mette a confronto le esperienze di Quantexa, Natzka, Cluster Reply, Duferco e Data Reply.
Indice degli argomenti
Rendere le informazioni utilizzabili nelle decisioni
Le piattaforme aziendali raccolgono e organizzano le informazioni necessarie per analisi e reporting. L’introduzione dell’AI amplia le modalità di accesso ai dati e rende ancora più importante esplicitarne il contesto e il significato. Per questo, Di Deo richiama l’attenzione sul modo in cui le persone consultano le informazioni e le utilizzano nei processi decisionali quotidiani.
Catalogare i dati e definirne il significato
Secondo l’Osservatorio, cresce l’adozione di strumenti per la visualizzazione dei dati e iniziano a diffondersi applicazioni che consentono di interrogarli tramite domande in linguaggio naturale. Il livello di autonomia degli utenti dipende però anche dall’affidabilità del patrimonio informativo disponibile.
Come osserva Di Deo, «gli utenti riescono ad essere autonomi utilizzando questi strumenti soltanto nel momento in cui l’azienda garantisce una buona qualità dei dati».
Il Data Catalog descrive i dati disponibili e ne facilita l’individuazione, ma non è sufficiente a correggere errori, incoerenze o ambiguità interpretative. «Ciò che fa la differenza», sottolinea Di Deo, «è soprattutto il connubio tra il Data Catalog e la presenza di un’ontologia strutturata», capace di attribuire significati condivisi a variabili, metriche e indicatori.
Che cosa significano “margine” e “cliente attivo”
Concetti come “margine”, “fatturato” o “cliente attivo” possono assumere significati diversi a seconda della funzione aziendale che li utilizza. Per interrogare correttamente i dati è quindi necessario stabilire quale definizione adottare e quali regole di calcolo applicare. Un’ontologia formalizza questi concetti e le relazioni che li collegano, rendendoli comprensibili non solo alle persone, ma anche ai sistemi informatici.
L’Osservatorio rileva investimenti sempre più consistenti nel miglioramento della qualità dei dati, nella tracciabilità della loro origine e delle trasformazioni subite, nella gestione delle anagrafiche condivise e nelle attività di catalogazione.
In questo senso, uno strato semantico collega dati, definizioni e regole di business, consentendo di interpretare le informazioni in modo coerente. Può incorporare un’ontologia e svolge un ruolo chiave nel tradurre le richieste formulate dagli utenti in interrogazioni allineate al linguaggio e alle logiche dell’organizzazione.
Ricostruire le relazioni e guidare le interrogazioni
Gianluca Pedullà, Country Director Italy di Quantexa, e Andrea Masiero, Chief Product Officer di Natzka, affrontano due aspetti complementari della Data Foundation: il riconoscimento di persone e organizzazioni registrate in sistemi differenti e la definizione delle regole che consentono ai grandi modelli linguistici (LLM) di accedere correttamente alle informazioni aziendali.
Quantexa: ricostruire il contesto attraverso le relazioni tra dati
Pedullà porta l’esempio di una banca in cui lo stesso cliente può comparire con anagrafiche diverse, magari a causa di variazioni nella scrittura del nome o del cognome. La sfida consiste nel riconoscere che quei record appartengono alla stessa persona e nel ricostruirne i collegamenti con altri soggetti.
«La prima sfida è capire che queste tre anagrafiche fanno capo a una sola persona, e qui vediamo la fase di consolidamento», spiega Pedullà.
Mettere in relazione anagrafiche, società, conti correnti, indirizzi e transazioni consente poi di utilizzare il patrimonio informativo per finalità diverse, dall’analisi commerciale alla gestione del rischio, dalla prevenzione delle frodi alle verifiche di conformità. Come osserva Pedullà, «i dati sono gli stessi, ciò che cambia è l’interpretazione».
Per gli agenti AI che supportano operatori e consulenti bancari, queste connessioni ampliano il contesto disponibile e permettono analisi più affidabili.
Natzka: indicare fonti, significati e regole di utilizzo
Masiero osserva che il collegamento tra un modello linguistico e basi dati strutturate introduce ulteriori criticità legate alla selezione delle fonti e alla corretta interpretazione delle informazioni. Tabelle duplicate o data mart aggiornati in momenti diversi possono produrre risultati differenti se non viene specificato quale versione debba essere utilizzata.
A titolo di esempio, Masiero descrive un caso in cui il modello considera come un valore numerico da sommare una dimensione di analisi relativa al Days Sales Outstanding (DSO), l’indicatore che misura il tempo medio di incasso dei crediti commerciali. L’errore nasce dall’assenza di una descrizione esplicita del significato di quel campo.
Secondo Masiero, «nel momento in cui si collega il dato all’LLM, il dato dev’essere rappresentato ontologicamente, con il business meaning chiaramente espresso».
L’architettura proposta associa quindi alle definizioni dei dati una serie di strumenti con cui il modello può eseguire interrogazioni e operazioni specifiche. In questo contesto, il Model Context Protocol (MCP) può contribuire a standardizzare il collegamento tra l’applicazione AI e tali strumenti, mentre autorizzazioni e controlli di accesso devono essere definiti a livello implementativo.
Un ulteriore aspetto riguarda la quantità di contesto fornita al modello. Ogni LLM può elaborare solo una quantità limitata di testo, misurata in token, e un eccesso di informazioni aumenta il consumo di risorse senza necessariamente migliorare la qualità delle risposte.
Per questo Masiero mette in guardia dal rischio di costruire una «Bibbia del contesto» troppo ampia, che finirebbe per saturare la finestra di elaborazione disponibile e ridurre l’efficacia del sistema.
Componenti comuni per sviluppare più applicazioni
Emanuele Gallo, Associate Partner di Data Reply, propone un approccio che punta a condividere infrastrutture e componenti tra più progetti AI, riducendo tempi e costi necessari per sviluppare nuove applicazioni.
Una piattaforma dati e strumenti riutilizzabili
Il modello descritto da Gallo si articola su tre livelli:
- Il primo comprende le funzionalità di base della piattaforma dati, tra cui gestione delle informazioni, controllo degli accessi, catalogazione e definizione delle regole di utilizzo.
- Il secondo livello raccoglie componenti riutilizzabili, come modelli, connettori e basi di conoscenza già validati dall’organizzazione, evitando di ricostruire ogni volta elementi già disponibili. «Per garantire velocità, la Data Foundation dev’essere vista come una piattaforma abilitante», spiega Gallo.
- Il terzo livello riguarda la governance delle applicazioni. Gallo descrive un gateway centralizzato attraverso cui monitorare le interazioni con i modelli, applicare le policy aziendali e controllare le comunicazioni tra utenti, applicazioni e servizi AI. La stessa infrastruttura può inoltre raccogliere metriche di utilizzo, monitorare i costi operativi e mantenere la tracciabilità delle attività svolte.
L’approccio proposto prevede di costruire questi elementi in modo progressivo, parallelamente allo sviluppo dei primi casi d’uso. L’obiettivo è evitare che la realizzazione della piattaforma diventi un prerequisito per l’innovazione, creando invece una base condivisa che possa evolvere insieme alle applicazioni.
Duferco: analisi autonome con il supporto dell’IT
La possibilità di interrogare i dati in linguaggio naturale consente alle funzioni aziendali di esplorare nuove analisi senza dipendere costantemente dal dipartimento IT.
Fabio Iannello, Group Head of AI & Digital Innovation di Duferco, racconta come il gruppo stia bilanciando questa maggiore autonomia con la necessità di mantenere controllo e affidabilità delle soluzioni.
Le piattaforme dati di Duferco erano state progettate principalmente per supportare report e dashboard predefiniti. L’introduzione dell’AI genera però richieste più flessibili e spinge l’organizzazione a ripensare modalità e strumenti di accesso alle informazioni.
«Ci siamo inoltre chiesti come rendere il business più autonomo nel prendere decisioni», spiega Iannello, «fornendo strumenti di AI per interrogare i dati e sviluppare soluzioni in autonomia».
In un ambiente centralizzato, le diverse funzioni aziendali possono sperimentare applicazioni e casi d’uso nel proprio ambito operativo. Quando una soluzione dimostra un valore che va oltre le esigenze del singolo team, interviene l’IT per trasformarla in un’applicazione affidabile, manutenibile e pronta per l’utilizzo su larga scala. L’obiettivo è accelerare l’accesso alle analisi mantenendo al tempo stesso una gestione coerente delle informazioni aziendali.
Evitare la proliferazione di soluzioni isolate
Iannello richiama l’attenzione sul rischio che le diverse funzioni sviluppino strumenti indipendenti, difficili da governare e mantenere nel tempo. Una dinamica che, per certi versi, ricorda la proliferazione di fogli Excel creati autonomamente nei vari reparti e successivamente diventati difficili da controllare. L’ambiente condiviso serve proprio a evitare questa frammentazione, favorendo il riutilizzo e la supervisione delle iniziative.
Secondo Iannello, l’adozione dell’AI produce anche un cambiamento nel lavoro delle persone. Automatizzando attività ripetitive e a basso valore aggiunto, aumenta il peso delle attività decisionali e interpretative.
«Il carico cognitivo è cresciuto poiché le attività a basso valore vengono delegate all’AI e le persone sono chiamate a prendere più decisioni strategiche supportate dai dati», osserva.
Migliorare i dati mentre si sviluppano le applicazioni
Per molti relatori, la costruzione della Data Foundation non è un’attività preliminare da completare prima di avviare i progetti AI, ma un percorso che procede insieme allo sviluppo delle applicazioni.
Armando Stella, Manager Data & AI di Cluster Reply, osserva che l’intelligenza artificiale ha soprattutto il merito di rendere evidenti problemi già presenti nei sistemi informativi aziendali.
«L’intelligenza artificiale», afferma Stella, «non ha creato il problema del dato, lo ha semplicemente evidenziato».
Secondo Stella, per anni analisti e specialisti di business hanno compensato errori, duplicazioni e incoerenze attraverso verifiche e correzioni manuali. Con l’estensione dell’AI su larga scala, questi problemi rischiano però di propagarsi più rapidamente e di produrre effetti più ampi.
Utilizzare i dati senza sostituire subito i sistemi esistenti
Nel percorso di modernizzazione, Stella distingue chiaramente l’accesso ai dati dalla sostituzione delle applicazioni che li gestiscono.
«Distinguerei nettamente», spiega, «il “dismettere” dal “disaccoppiare”».
L’approccio prevede l’introduzione di uno strato di integrazione che renda disponibili le informazioni alle nuove applicazioni senza intervenire immediatamente sui sistemi di origine. In questo modo le organizzazioni possono procedere per fasi, continuando a utilizzare le piattaforme esistenti mentre costruiscono servizi e componenti riutilizzabili per i progetti futuri.
La capacità di riutilizzo rappresenta un requisito essenziale anche in prospettiva. Come osserva Stella, «un’architettura funziona se risolve un problema oggi, ma scala solo se è in grado di risolverne dieci domani».
Misurare il valore del riutilizzo
I benefici di una piattaforma condivisa sono spesso meno immediati rispetto a quelli di una singola applicazione AI. Per questo Stella invita a considerare anche quella che definisce la «tassa sul dato»: il tempo speso per riconciliare informazioni provenienti da fonti diverse, verificare report, correggere incongruenze e gestire eccezioni operative. Un costo spesso sottovalutato nelle valutazioni economiche.
Per giustificare gli investimenti, Stella propone un approccio incrementale, basato sull’identificazione di casi d’uso concreti e sull’estensione progressiva delle capacità sviluppate.
Anche Gallo sottolinea l’importanza di presentare al management risultati misurabili. «La risposta è fornire evidenze concrete», osserva, indicando tra gli indicatori più significativi costi, livelli di utilizzo, numero di utenti coinvolti e valore generato dalle iniziative.
Mentre metriche come utenti attivi e volumi di utilizzo consentono di misurare l’adozione, la valutazione del ritorno economico richiede di confrontare benefici e costi sostenuti. Un indicatore rilevante è anche il tempo necessario per sviluppare nuovi casi d’uso grazie al riutilizzo di componenti e servizi già disponibili.
Pedullà sintetizza infine uno dei rischi più frequenti nelle strategie AI: «L’errore più comune è sviluppare progetti di AI isolati, dovendo ripartire da zero per ogni nuovo caso d’uso».
FAQ: Intelligenza Artificiale
Che cos’è l’intelligenza artificiale?
L’intelligenza artificiale è la disciplina che studia la progettazione, lo sviluppo e la realizzazione di sistemi hardware e software dotati di capacità caratteristiche dell’uomo, come ragionamento, apprendimento, pianificazione e adattamento. Si tratta di un ramo della computer science che studia lo sviluppo di sistemi in grado di emulare le capacità cognitive umane, permettendo alle macchine di apprendere dall’esperienza, adattarsi a nuovi input e svolgere compiti che tradizionalmente richiedono l’intelligenza umana. L’AI non ha una definizione univoca e condivisa, poiché comprende un ampio spettro di discipline, dalla neurologia all’informatica, dalla neurobiologia alla matematica.
Quali sono le principali tecniche di apprendimento nell’intelligenza artificiale?
Le principali tecniche di apprendimento nell’intelligenza artificiale si suddividono in tre approcci fondamentali: l’apprendimento supervisionato, l’apprendimento non supervisionato e l’apprendimento per rinforzo. Nell’apprendimento supervisionato, l’algoritmo viene addestrato su un dataset etichettato per prevedere output corretti. L’apprendimento non supervisionato lavora su dati non etichettati per scoprire pattern o strutture intrinseche. L’apprendimento per rinforzo permette a un agente di imparare a prendere decisioni interagendo con un ambiente e ricevendo feedback sotto forma di ricompense o penalità. A questi si aggiunge il deep learning, una sottocategoria del machine learning che utilizza reti neurali artificiali con molti strati per modellare ed estrarre caratteristiche complesse dai dati.
Come è nata e si è evoluta l’intelligenza artificiale nel corso della storia?
L’intelligenza artificiale ha radici che risalgono al XVII secolo, quando furono costruite le prime macchine in grado di effettuare calcoli automatici da Blaise Pascal e Gottfried Wilhelm von Leibniz. Tuttavia, è nel 1943 che la gestazione dell’AI si avvicina al termine con il lavoro del neurofisiologo Warren Sturgis McCulloch e del matematico Walter Harry Pitts, che teorizzarono come semplici neuroni potessero essere combinati per calcolare operazioni logiche elementari. La locuzione “intelligenza artificiale” venne utilizzata per la prima volta nel 1955 dai matematici e informatici John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, in preparazione della conferenza di Dartmouth del 1956, considerata la vera “sala parto” dell’intelligenza artificiale. Dopo un periodo di grandi aspettative (1950-1965), l’AI attraversò una fase di difficoltà negli anni ’60, per poi rinascere negli anni ’80 grazie agli studi di Jay McClelland e David Rumelhart sul connessionismo e le reti neurali. Oggi, l’evoluzione delle nanotecnologie e lo sviluppo di algoritmi sempre più sofisticati hanno portato a una nuova generazione di AI capace di apprendimento autonomo e analisi complesse.
Qual è la differenza tra intelligenza artificiale debole e intelligenza artificiale forte?
La differenza tra intelligenza artificiale debole (weak AI) e forte (strong AI) rappresenta una distinzione fondamentale nel campo dell’AI. L’intelligenza artificiale debole agisce e pensa simulando di essere intelligente, ma non lo è realmente. Essa risponde a problemi sulla base di regole conosciute, confrontando casi simili ed elaborando soluzioni razionali senza una vera comprensione. Si occupa essenzialmente di problem solving, simulando il comportamento umano senza comprendere totalmente i processi cognitivi. L’intelligenza artificiale forte, invece, possiede capacità cognitive non distinguibili da quelle umane. Include i “sistemi esperti” che riproducono prestazioni e conoscenze di persone esperte in un determinato ambito, utilizzando un motore inferenziale che, come la mente umana, passa da una proposizione assunta come vera a una seconda proposizione con logiche deduttive o induttive. La caratteristica distintiva di questi sistemi è l’analisi del linguaggio per comprenderne il significato, elemento essenziale per una vera intelligenza.
Quali sono le applicazioni pratiche dell’intelligenza artificiale nel mondo aziendale?
L’intelligenza artificiale trova numerose applicazioni pratiche nel mondo aziendale, trasformando processi e strategie. Nel settore finanziario, l’AI viene utilizzata per personalizzare tassi di interesse, rilevare frodi e migliorare i servizi finanziari attraverso l’analisi dei dati sulle abitudini di rimborso e altri comportamenti dei clienti. Nel marketing e nelle vendite, le tecnologie cognitive aiutano a ottenere una comprensione a 360 gradi dei clienti, prevedendo le loro esigenze e migliorando la loro esperienza, portando a un migliore ingaggio e strategie più efficaci. Nell’industria manifatturiera, l’AI viene implementata per la manutenzione predittiva, consentendo di prevedere guasti e anomalie prima che si verifichino, riducendo i tempi di inattività e migliorando l’efficienza operativa. Altre applicazioni includono l’automazione di processi, l’ottimizzazione della supply chain, il supporto decisionale basato sui dati e il miglioramento della sicurezza informatica.
Come funziona il machine learning e quale relazione ha con l’intelligenza artificiale?
Il machine learning è un sottogruppo dell’intelligenza artificiale che conferisce alle macchine la capacità di ricevere dati e modificare gli algoritmi man mano che acquisiscono più informazioni su ciò che stanno elaborando. Si tratta di sistemi di apprendimento automatico che permettono alle macchine di adattarsi e migliorarsi senza necessità di riprogrammazione da parte dell’uomo. Il machine learning automatizza la costruzione di modelli analitici, utilizzando reti neurali, modelli statistici e ricerche operative per trovare informazioni nascoste nei dati e rispondere a nuovi input esterni. Può essere implementato attraverso diversi approcci, come l’apprendimento supervisionato, non supervisionato e per rinforzo. Un esempio classico di machine learning è un sistema di visione artificiale capace di riconoscere oggetti ripresi da una videocamera: l’algoritmo distingue tra animali, persone e cose, memorizzando nuove situazioni che arricchiscono la sua conoscenza. Il machine learning rappresenta il metodo che “allena” l’AI, consentendole di sviluppare capacità sempre più sofisticate di analisi e decisione.
Quali sono le tecnologie hardware che supportano lo sviluppo dell’intelligenza artificiale?
Lo sviluppo dell’intelligenza artificiale è supportato da diverse tecnologie hardware avanzate. Le GPU (Graphic Processing Unit), originariamente create per elaborare informazioni grafiche nei videogiochi, sono diventate fondamentali per l’AI grazie alla loro capacità di eseguire calcoli in parallelo, a differenza delle CPU che lavorano in modo seriale. Le TPU (Tensor Processing Unit), sviluppate da Google, sono circuiti specificamente progettati per operazioni di machine learning ad alto carico di lavoro, in particolare per ridurre il tempo dedicato alla fase inferenziale. Le ReRAM (memorie resistive ad accesso casuale) possono immagazzinare fino a 1 terabyte di dati in chip delle dimensioni di un francobollo, sono non volatili e consumano pochissima energia, rendendole ideali per costruire reti neurali. I computer quantistici rappresentano un’altra frontiera, operando secondo la logica quantistica che consente calcoli esponenzialmente più potenti rispetto ai computer tradizionali. Infine, i chip neuromorfici simulano il funzionamento del cervello umano, utilizzando una logica di funzionamento analogica che si attiva in maniera differente a seconda del gradiente di segnale scambiato tra le unità.
Quali sono i principali rischi e sfide etiche legati all’intelligenza artificiale?
L’intelligenza artificiale presenta numerosi rischi e sfide etiche che devono essere attentamente considerati. Tra questi, la sicurezza informatica è particolarmente critica: l’AI può essere utilizzata per creare attacchi più sofisticati, come il phishing personalizzato o la manipolazione di sistemi di sicurezza, e le stesse tecnologie AI possono essere vulnerabili ad attacchi che compromettono la loro integrità. Un altro rischio significativo è rappresentato dalle allucinazioni, ovvero la generazione di risposte false o imprecise presentate come fatti plausibili, che possono avere conseguenze gravi in settori come la sanità o la finanza. Vi sono poi preoccupazioni riguardo alla privacy dei dati, alla possibilità di bias e discriminazione nei sistemi AI, e all’impatto sull’occupazione. Questioni etiche emergono anche nel contesto delle auto autonome, come evidenziato dall’esperimento “The Moral Machine” che ha esplorato le scelte morali che un’auto a guida autonoma dovrebbe compiere in situazioni di emergenza, rivelando differenze culturali significative nelle preferenze etiche.
Come sta cambiando il ruolo del CIO con l’avvento dell’intelligenza artificiale?
Il ruolo del Chief Information Officer (CIO) sta subendo una profonda trasformazione con l’avvento dell’intelligenza artificiale. I CIO sono passati da gestori di sistemi IT a leader strategici che guidano l’innovazione e la trasformazione digitale all’interno delle loro organizzazioni. Sono ora responsabili di sviluppare strategie per integrare efficacemente l’AI nei processi aziendali, ottimizzando operazioni e riducendo costi attraverso l’automazione e l’analisi dei dati. I CIO devono garantire che i dati aziendali siano gestiti in modo sicuro e conforme alle normative sulla privacy, mentre implementano soluzioni AI che possono aiutare a identificare e mitigare le minacce alla sicurezza informatica. Devono anche pianificare e facilitare la formazione e lo sviluppo delle competenze necessarie per preparare il personale a lavorare con le tecnologie AI. La loro responsabilità si estende alla valutazione e alla scelta delle giuste piattaforme e infrastrutture per supportare soluzioni AI, considerando aspetti come scalabilità, interoperabilità e costi. Il CIO moderno deve gestire il cambiamento organizzativo che l’introduzione dell’AI comporta, affrontando le preoccupazioni dei dipendenti e promuovendo una cultura aziendale orientata all’innovazione.
Qual è la differenza tra intelligenza artificiale e intelligenza umana?
La differenza fondamentale tra intelligenza artificiale e intelligenza umana risiede nella capacità di creare valore in un sistema aperto e infinito. Mentre l’intelligenza artificiale opera in un sistema chiuso di valori già definiti, l’intelligenza umana si confronta con l’esperienza e con l’infinita variabilità del mondo. L’AI utilizza algoritmi basati sulle probabilità che possono intercettare il rapporto causa/effetto senza realmente comprenderlo, trasformando l’informazione in conoscenza attraverso modelli matematici. Al contrario, l’intelligenza umana è in grado di utilizzare l’invenzione e la fantasia per osservare il mondo in modi nuovi e inaspettati, esplorando possibilità che le macchine, con i loro algoritmi predefiniti, non possono concepire. Il linguaggio naturale utilizzato dalle macchine è efficiente nel trattare grandi volumi di dati, ma manca della profondità semantica e della capacità di innovare che caratterizza il linguaggio umano. Mentre l’AI può facilitare e ottimizzare molti aspetti della nostra vita, è l’intelligenza umana che mantiene la chiave dell’innovazione dirompente, capace di vedere oltre l’ovvio e di creare valore in modi che sfidano le convenzioni.







































Partecipa alla community