Il futuro della loyalty nell'era dei dati
Customer experience sempre più sofisticate e personalizzate...
Leggi di più
Ricordate la fiaba di Andersen I vestiti nuovi dell'imperatore? Due tessitori promettono al sovrano un abito magnifico, invisibile solo agli stupidi e agli incompetenti. I consiglieri si guardano bene dal dire che non vedono nulla. Il popolo applaude. Finché un bambino grida ciò che tutti sanno: l’imperatore è nudo.
L'AI è quel bambino.
Ecco un’altro cambiamento portato dell'intelligenza artificiale e questa volta non riguarda l'automazione. L’AI mette a nudo che le fondamenta della conoscenza delle aziende sono fragili. Non solo per l'AI, ma per tutti i processi enterprise che l'hanno preceduta.
Il 92% delle aziende prevede di aumentare gli investimenti in AI nei prossimi tre anni, eppure solo l'1% dei C-level descrive i propri progetti di generative AI come maturi1. Il divario tra l’entusiasmo dirigenziale e la realtà operativa non è mai stato così ampio. E l'AI lo sta facendo emergere rapidamente.
La crisi dei dati era facile da ignorare finché le persone potevano compensare. Dashboard decenti si costruivano anche con dati sporchi. L'analytics girava su dataset incompleti. il fatto che i data lake erano in verità data swamp (mal catalogati, incoerenti, pieni di record duplicati) veniva messo sotto il tappeto, perché i knowledge worker colmavano le lacune.
Tutti annuivano, fingendo che l'infrastruttura fosse solida. Segnalare i problemi significava diventare responsabili di risolverli e in qualche modo puntare il dito verso dei colleghi.
Cosa succede quando i dati funzionano davvero
Quando le aziende mettono ordine nei dati, l'AI trasforma la customer experience in modi che giustificano l'investimento. Il marketing propone offerte contestuali basate sullo storico di acquisto reale, non su ipotesi demografiche. I team di assistenza prevedono e prevengono il churn prima che il cliente pensi di andarsene. I team di prodotto identificano bisogni non soddisfatti partendo da pattern d'uso che difficilmente analisti in carne ed ossa individuerebbero.
La maggior parte delle aziende però non riesce a raggiungere questi risultati. Le fondamenta non reggono il peso.
S&P Global / 451 Research, Voice of the Enterprise: AI & Machine Learning
L'impalcatura invisibile crolla
I sistemi AI sono sofisticati, capaci e progettati per operare in autonomia. Ma l'autonomia fallisce quando la base di conoscenza dipende da analisti, team IT e operatori che compensano costantemente la scarsa qualità dei dati. Quell'impalcatura invisibile funzionava con le tecnologie precedenti, perché le persone sapevano aggirare i problemi. Con l'AI quei difetti strutturali diventano fallimenti operativi su larga scala.
Le magnifiche vesti dell'imperatore, alla prova dei fatti, erano workaround umani.
Pensiamo a cosa succede quando un sistema AI prova a elaborare dati clienti che hanno sette definizioni diverse in altrettanti dipartimenti. Un analista umano sa quale definizione usare in base al contesto, a regole non scritte, a anni di conoscenza istituzionale. L'AI non ha quel contesto. Vede sette verità in competizione e produce sette risposte differenti. Dov’è la verità?
Ma c'è un risvolto che merita attenzione: quello che per le tecnologie precedenti era un limite gestibile con intelligenza umana, per l'AI diventa un problema misurabile. E ciò che si misura, si può risolvere.
Il divario che nessuno vuole ammettere
I numeri raccontano una storia che la leadership preferirebbe non sentire. Secondo BCG, il 75% dei dirigenti classifica l'AI tra le prime tre priorità strategiche, ma solo il 25% ne sta ricavando valore significativo2. Un rapporto di tre a uno tra ambizione e risultati concreti.
Quando il 75% delle aziende aumenta gli investimenti nella gestione dei dati a causa dell'AI generativa3, sta implicitamente ammettendo che non può implementare la tecnologia che ha promesso agli investitori senza prima sistemare le fondamenta. Questa onestà crea opportunità. Le aziende che trattano la qualità dei dati come lavoro infrastrutturale, anziché come teatro dell'innovazione, stanno costruendo qualcosa destinato a durare nel tempo.
Secondo McKinsey, il 70% delle organizzazioni che ottengono i migliori risultati dall'AI ha incontrato difficoltà significative proprio con i dati: dalla definizione dei processi di data governance, alla capacità di integrare rapidamente i dati nei modelli, fino alla quantità insufficiente di dati di addestramento12.
Se persino chi riesce a generare valore dall'AI ha questi problemi, il quadro per le altre aziende è prevedibile. Solo il 26% dei Chief Data Officer si dichiara fiducioso che i propri dati possano supportare nuovi flussi di ricavi abilitati dall'AI10. Quando i dipendenti usano l'AI a livello personale, controllano il contesto, comprendono i limiti e possono verificare gli output rispetto alla propria conoscenza. Quando usano l'AI enterprise costruita su dati mal organizzati, la vedono produrre allucinazioni, contraddirsi tra una query e l'altra, presentare assurdità con assoluta sicurezza.
Che sia chiaro, non è l’Intelligenza Artificiale che in qualche modo è responsabile di questa situazione. Semplicemente è una forte presa di coscienza che le cose non funzionano e richiedono attenzione.
Concentrare non significa dare coerenza
Le organizzazioni spesso reagiscono ai fallimenti dell'AI correndo a consolidare i dati, convinte che la centralizzazione sbloccherà il valore. I dati smentiscono questa convinzione: l'82% delle aziende che hanno implementato programmi di Master Data Management dedica comunque uno o più giorni alla settimana alla risoluzione di problemi di qualità dei dati. E l'80% ha ancora divisioni che operano in silos, nonostante l'infrastruttura centralizzata9.
L'imperatore si procura un guardaroba più grande, ma i vestiti restano immaginari.
Riunire dati frammentati senza disciplina non genera insight. Genera rumore su scala. I duplicati si moltiplicano, le definizioni collidono e i sistemi AI ereditano confusione anziché chiarezza. Formati disallineati, record duplicati e dataset incompleti distorcono gli output indipendentemente da quanto lo storage sia centralizzato.
Ciò che separa dati utilizzabili da dati inutilizzabili è la struttura: definizioni coerenti, standard condivisi e attenzione continua alla qualità. Strutture dati standardizzate, convenzioni di denominazione e formattazione uniformi, processi costanti di deduplicazione, pulizia e arricchimento.
I dati non restano affidabili da soli. Appena circolano tra team, strumenti e modelli, iniziano a degradarsi. La governance rallenta quel degrado. Non come meccanismo di controllo, ma come framework di fiducia. Quando la data lineage (il tracciamento del flusso di dati) è chiara, la proprietà è definita e la qualità viene monitorata in continuo, gli output dell'AI diventano spiegabili, difendibili e utilizzabili nelle decisioni reali4.
La sfida dei dati non strutturati
La gran parte dei dati enterprise non è strutturata e in larga misura inutilizzata. Secondo IBM, solo l'1% circa dei dati aziendali viene sfruttato nei large language model tradizionali, e meno dell'1% dei dati non strutturati esiste in un formato adatto all'elaborazione AI4. Questa visione limitata della realtà contribuisce a spiegare perché solo il 16% delle iniziative AI raggiunge la scala enterprise5.
Nel frattempo, un accesso più ampio ai dati alza la posta in gioco. Man mano che i sistemi AI consumano e generano informazioni a velocità crescente, i rischi legati a sicurezza, privacy e uso improprio aumentano. Il costo medio globale di un data breach ha raggiunto i 4,88 milioni di dollari nel 20248, e nuove minacce come le fughe di dati e gli attacchi di prompt injection creano vulnerabilità che prima non esistevano.
Le organizzazioni più pronte trattano la sicurezza come un problema di dati, non solo di infrastruttura. Questo significa capacità di discovery per identificare e classificare i dati sensibili, protezione attraverso crittografia e controlli d'accesso, monitoraggio per rilevare comportamenti anomali in anticipo4.
Il costo aziendale della finzione
Le conseguenze di una gestione dati approssimativa vanno ben oltre i progetti AI falliti. Per il 67% dei dirigenti, i dati utilizzati per prendere decisioni in azienda non sono completamente affidabili, un dato in peggioramento rispetto al 55% dell'anno precedente11. Questo si traduce in adozione AI rallentata, con mesi spesi a sistemare problemi di base. Insight distorti che producono previsioni imprecise e obiettivi disallineati. Ritardi nel ritorno sull'investimento, mentre i team corrono a colmare le lacune nei dati prima di vedere qualsiasi risultato.
I silos creano strutture intrinsecamente inefficienti che richiedono passaggi aggiuntivi per la preparazione e l'uso dei dati, aumentando costo e complessità dei programmi AI e rallentando l'accesso alle informazioni necessarie per le decisioni4. La dispersione solleva preoccupazioni su compliance, controllo degli accessi e fiducia, proprio nel momento in cui le organizzazioni ne hanno più bisogno.
Un recente report di S&P Global mostra che il 42% delle aziende ha abbandonato la maggior parte delle proprie iniziative AI nel 2025, un balzo drammatico rispetto al 17% dell'anno precedente6. Non si è trattato di fallimenti dei modelli. Erano fallimenti dei dati, del tutto prevedibili.
Gartner rinforza il quadro con una previsione netta: entro il 2026, il 60% dei progetti AI privi di dati adeguati sarà abbandonato7. Le organizzazioni che stanno investendo con criterio verificano la readiness dei dati prima del deployment, definiscono tempistiche più lunghe e trattano la governance come infrastruttura, non come costo accessorio.
Ma se l'AI fa emergere il problema, è anche la cura
Fin qui il quadro potrebbe sembrare scoraggiante. Ma la fiaba ha un secondo atto che l'originale non racconta: il bambino che ha denunciato la nudità dell'imperatore sa anche cucire, e lo fa a una velocità che nessun sarto tradizionale potrebbe eguagliare.
Questa è la notizia che cambia la prospettiva. Anche quando i dati sono un disastro, rimettere tutto in ordine con l'AI è enormemente più semplice di quanto non fosse anche solo due anni fa. I sistemi AI moderni non solo diagnosticano i problemi di qualità dei dati: li risolvono. Algoritmi di entity resolution identificano e unificano record duplicati tra database diversi in ore, non in settimane. Modelli di natural language processing classificano e strutturano dati non organizzati che prima restavano inaccessibili. Strumenti di data profiling automatico individuano anomalie, incoerenze e lacune che richiederebbero mesi di lavoro manuale.
Questo cambia radicalmente l'economia della qualità dei dati. In passato, mettere ordine era così costoso e lento che molte aziende preferivano convivere con il disordine. Oggi il costo di rimediare è sceso al punto che non farlo diventa la scelta irrazionale.
Non significa che basti premere un bottone. La supervisione umana resta essenziale per definire le regole, validare i risultati e prendere le decisioni sulle eccezioni. Ma il rapporto tra sforzo e risultato è cambiato in modo significativo.
Cosa funziona davvero
Le organizzazioni che stanno ottenendo risultati concreti dall'AI non sono impegnate solo nella sperimentazione delle tecnologie più innovative. Fanno un lavoro più silenzioso e più difficile: rafforzare le fondamenta dati, chiarire le responsabilità e costruire fiducia negli output che l'AI produce.
Le aziende AI-Ready seguono uno schema riconoscibile:
Queste aziende comprendono che i dati pronti per l'AI devono essere unificati e resi accessibili per abbattere i silos e creare economie di scala. Devono essere governati attraverso politiche e standard chiari che assicurino integrità e sicurezza. Devono essere protetti con meccanismi di discovery e difesa che prevengano violazioni e abusi. E devono essere supportati da team con una comprensione profonda dei concetti AI e del loro utilizzo responsabile4.
La finestra si sta aprendo
L'AI non trasforma le aziende. Le mette a nudo. E ciò che rivela è spesso scomodo: anni di manutenzione rimandata, priorità in competizione che hanno messo la qualità dei dati in secondo piano e infrastrutture che non sono mai state progettate per supportare sistemi autonomi.
Il bambino nella fiaba di Andersen non aveva poteri speciali. Ha semplicemente detto ciò che tutti vedevano ma nessuno voleva ammettere. L'AI sta giocando quel ruolo adesso, portando alla luce fondamenta dati che non sono mai state abbastanza solide per reggere ciò che ci stiamo costruendo sopra.
La differenza rispetto alla fiaba è ciò che accade dopo. Il bambino di oggi non si limita a denunciare: sa anche come risolvere il problema, e lo fa più velocemente di quanto chiunque ritenesse possibile. Alcune organizzazioni tratteranno questa fase come una crisi, cancellando investimenti e aspettando un'AI "migliore" che funzioni con dati disordinati. Altre sfrutteranno l'AI stessa per mettere ordine, mentre i loro concorrenti continuano a fingere che vada tutto bene.
Questa scelta può determinare il futuro stesso dell’azienda.
Fonti
[1] McKinsey & Company, The State of AI: How Organizations Are Rewiring to Capture Value
[2] Boston Consulting Group, AI Radar: From Potential to Profit — Closing the AI Impact Gap
[3] Deloitte AI Institute, The State of Generative AI in the Enterprise
[4] IBM, What Is AI-Ready Data?
[5] IBM Institute for Business Value, CEO Study 2025
[6] S&P Global / 451 Research, Voice of the Enterprise: AI & Machine Learning, Use Cases 2025
[7] Gartner, Lack of AI-Ready Data Puts AI Projects at Risk
[8] IBM, Cost of a Data Breach Report 2024
[9] McKinsey & Company, Master Data Management: The Key to Getting More from Your Data
[10] IBM Institute for Business Value / Oxford Economics, CDO Study 2025
[11] Precisely / Drexel University LeBow College of Business, 2025 Outlook: Data Integrity Trends and Insights
[12] McKinsey & Company / QuantumBlack, The State of AI in Early 2024: Gen AI Adoption Spikes and Starts to Generate Value