Dalla data governance all’AI in produzione: perché la qualità del dato è il vero vantaggio competitivo

Tutte le aziende si stanno muovendo verso l’AI, anche se con velocità, risorse e livelli di maturità molto diversi. Alcune seguono roadmap strutturate, altre procedono in modo più frammentato, anche per rispondere alla diffusione incontrollata della shadow AI. Al di là delle differenze, però, emerge un punto comune: per trasformare l’AI in uno strumento capace di generare valore per il business, bisogna partire dalla qualità e dalla governance del dato. Ed è proprio su queste fondamenta che molte organizzazioni mostrano ancora oggi le maggiori fragilità.

Data quality: un grande classico ormai imprescindibile

IT e direzioni aziendali si confrontano da decenni col tema della data quality. Disporre infatti di informazioni accurate, consistenti e affidabili è un presupposto essenziale per la reportistica, il supporto decisionale e, più in generale, per qualsiasi processo automatizzato data-driven.

Cosa cambia, quindi, con l’AI e con il crescente fenomeno dell’agentificazione? Tommaso Pozzi, Digital BU Director di Relatech, spiega che l’AI non modifica la natura del problema, ma ne amplifica le conseguenze: «La necessità di verificare coerenza e qualità del dato prescinde dall’intelligenza artificiale. Oggi, però, il tema assume un peso maggiore perché raccogliamo moli enormi di informazioni, molto eterogenee e provenienti da fonti diverse. Se dati non del tutto accurati vengono forniti a modelli sofisticati, possiamo ottenere output apparentemente straordinari e credibili, ma costruiti su presupposti sbagliati. Inoltre, si rischia di amplificare il fenomeno delle allucinazioni, trovandosi così a gestire due problemi anziché uno solo».

Il discutibile stato di maturità delle aziende

Nonostante decenni di trasformazione digitale e una presenza ormai stabile della data quality nelle agende dei CIO, gli interventi concreti da parte delle aziende italiane non sono sempre adeguati alle esigenze.

«Sul mercato riscontriamo ancora una certa immaturità – spiega Pozzi – la qualità del dato è untema storicamente poco gestito e coperto, sia sul piano metodologico sia su quello degli strumenti. La sfida principale comunque non è tecnica, ma metodologica e organizzativa: prima ancora di introdurre soluzioni applicative di data governance, occorre definire un modello di governance strutturato, che rappresenti il presupposto per una corretta gestione delle informazioni».

Il tema diventa ancora più urgente se si guarda all’evoluzione non solo verso l’AI come concetto generico, ma verso modelli agentici, nei quali moduli intelligenti acquisiscono informazioni, le elaborano attraverso LLM e le mettono a disposizione di altri agenti e sistemi. In questo scenario, non c’è solo un problema di risposta inaffidabile, ma il rischio che un’informazione errata venga assunta come valida da altri componenti, riutilizzata nei passaggi successivi e propagata lungo l’intera catena operativa, amplificando progressivamente l’errore. Per questo, prima di affrontare una trasformazione AI pervasiva, qualità e governance del dato devono essere presidiate a 360 gradi.

Oltre la qualità del dato: dalla data governance all’AI governance

Di fronte alla spinta dell’AI, le aziende si stanno muovendo con iniziative di formazione e sensibilizzazione, anche per contenere il rischio di una shadow AI pervasiva. L’obiettivo, soprattutto per le PMI, è capire come tradurre concretamente la tecnologia nei propri contesti operativi, mentre le realtà più mature stanno strutturando team interni trasversali che integrano competenze di processo e tecnologiche, spesso con il supporto di partner esterni chiamati ad accelerare il percorso.

Qualunque sia il punto di partenza, la data governance resta il presupposto fondamentale dell’AI, ma non il punto d’arrivo. La vera svolta, secondo Relatech, è affiancare alla governance del dato una seconda dimensione: la AI governance. Le aziende non devono più controllare soltanto le informazioni in ingresso, ma anche gli algoritmi, i modelli, gli agenti intelligenti e le soluzioni che lavorano su quei dati. Entrano così in gioco temi come trasparenza, tracciabilità e controllo degli output.

Secondo Pozzi, la AI governance rappresenta un’architettura di governo irrinunciabile per l’azienda rivolta al futuro, a prescindere dalle sue dimensioni: «La data governance è la “conditio sine qua non”: senza dati certificati non c’è modo di ottenere risultati di valore. Ma una volta raggiunto questo obiettivo e introdotta l’AI come forma mentis all’interno dell’azienda, emerge la necessità di governare anche le soluzioni e i modelli di AI che andiamo a implementare ed eseguire. I due ambiti sono vicini, ma la AI governance si posiziona al di sopra, come un vero e proprio sistema operativo necessario per garantire trasparenza, tracciabilità e controllo su algoritmi che altrimenti restano delle black box impenetrabili».

Il percorso, naturalmente, è tutt’altro che banale, soprattutto per quelle aziende che per anni hanno immaginato la AI transformation come un processo rapido e quasi automatico. Partner come Relatech affiancano quindi alle competenze metodologiche e consulenziali soluzioni tecniche per mettere a terra la governance dei dati e framework di AI governance capaci di presidiare l’intero ciclo di vita delle soluzioni intelligenti, con l’obiettivo di mantenerle sicure, conformi alla normativa e tracciabili.

Dalla AI governance a una biblioteca di soluzioni intelligenti e modulari

La visione di Relatech per superare l’adozione generica dell’AI si sviluppa lungo direttrici precise: accompagnare le aziende nei percorsi di data governance e AI governance e, parallelamente, trasformare l’AI in strumenti concreti da innestare nei processi.

L’obiettivo che l’azienda si è posta è costruire progressivamente una biblioteca di soluzioni verticali e agenti intelligenti, ciascuno progettato per rispondere a uno specifico bisogno operativo lungo la catena del valore, partendo dai settori e dai processi sui quali Relatech ha maturato maggiore esperienza, come il manufacturing.

Alla base di tutto c’è la logica moderna della modularità e del riutilizzo. Questo consente di valorizzare l’esperienza maturata sul campo, ridurre ogni volta il lavoro necessario e, allo stesso tempo, beneficiare dell’evoluzione continua e repentina delle tecnologie sottostanti.

«Vogliamo porci come partner capaci di supportare a 360 gradi l’evoluzione delle imprese nell’era dell’AI – spiega Pozzi – Si parte dai dati, senza dubbio, si passa alla governance dell’AI e si costruisce una macchina modulare e altamente personalizzabile, fondata su una biblioteca potenzialmente molto ampia di soluzioni AI-centriche e agenti intelligenti capaci di indirizzare singoli micro-bisogni di processo e di settore. Lo facciamo secondo una logica di “produttificazione” e standardizzazione dell’esperienza: partiamo dalla conoscenza profonda del processo e dalla sperimentazione concreta in un contesto reale, per poi rendere quella soluzione riutilizzabile in realtà simili che condividono lo stesso assetto e la stessa esigenza. È un percorso che stiamo sviluppando a partire dai contesti che conosciamo meglio, ma senza porci limiti».

Attraverso questo approccio, l’intelligenza artificiale smette di essere un concetto astratto o una successione di sperimentazioni isolate e diventa un insieme di componenti verticali, riutilizzabili e progressivamente evolutivi, capaci di inserirsi nei processi aziendali con obiettivi circoscritti, risultati misurabili e tempi di adozione più rapidi.

Articolo realizzato in collaborazione con Relatech