Cosa serve per costruire una base dati AI-ready: Insight da Think 2026
L'intelligenza per l'AI si sta evolvendo.
Dove un tempo si poneva semplicemente l'accento sull'accesso ai dati, oggi gli standard per i dati AI-ready sono più elevati. Le aziende che stanno superando la sperimentazione dell'AI per passare alla trasformazione dell'AI stanno trasmettendo i dati in tempo reale, arricchendoli con il contesto e garantendo che siano attendibili.
"L'intelligenza deve evolversi dal semplice fatto di essere disponibile a diventare qualcosa di fruibile", ha spiegato Rob Thomas, vicepresidente senior del settore Software e direttore commerciale di IBM, durante il suo discorso di apertura al Think 2026. "Senza questo, la tua AI non farà altro che amplificare la frammentazione già presente in molte organizzazioni."
Durante la conferenza, Thomas, altri leader IBM e partner IBM hanno spiegato come watsonx.data e Confluent di IBM, la principale piattaforma di data streaming recentemente acquisita da IBM, stiano aiutando le aziende a superare la frammentazione e altre sfide relative ai dati, migliorando le prestazioni dell'AI su larga scala.
"Confluent fornisce la colonna portante degli eventi in tempo reale, acquisendo e distribuendo i dati in tempo reale", ha dichiarato Scott Brokaw, IBM Vice President of Product, watsonx.data integration, durante una sessione Think sulla creazione di un'architettura più intelligente per l'AI. "IBM sta raccogliendo questi dati, gestendoli, arricchendoli e predisponendoli affinché l'AI possa utilizzarli".
Jay Kreps, cofondatore e CEO di Confluent, si è unito al discorso di Thomas per spiegare in che modo le aziende stanno abbattendo i silos di dati e traendo valore dai dati aziendali.
"I dati sono passati dall’essere qualcosa di confinato all’interno di singoli sistemi a qualcosa che circola realmente tra le organizzazioni e che alimenta gran parte degli attori", ha affermato Kreps.
Ha citato casi di successo come quello di Marriott, che ha utilizzato la tecnologia di Confluent per integrare fonti di dati disparate e migliorare l'esperienza dei clienti.
La catena alberghiera ha riunito "tutti i dati in suo possesso sui clienti (tutta la personalizzazione, i programmi di fidelizzazione, il marketing) per riunire davvero tutto ciò che sapeva sulle persone che alloggiavano presso le sue strutture e cercare di ottimizzare quell'esperienza", ha affermato Kreps. Secondo quanto affermato, questa importante iniziativa ha generato un fatturato di oltre 250 milioni di dollari.
Per Suresh Visvanathan, Group Chief Operating Officer della Nationwide Building Society con sede nel Regno Unito, un fornitore di servizi finanziari retail, sfruttare dati tempestivi in tutta l'azienda significa "giocare sia in attacco che in difesa."
L'obiettivo era offrire ai clienti un servizio personalizzato, e farlo in tempi rapidi. "Se non si riesce a soddisfare le esigenze di un cliente nel momento in cui ne ha bisogno, è già un po’ troppo tardi", ha affermato Visvanathan, ospite della sessione di Thomas.
Dal punto di vista della gestione, i dati in tempo reale hanno aiutato l'azienda a risolvere piccoli inconvenienti prima che si trasformassero in problemi gravi. "L'observability è un aspetto fondamentale nel nostro settore, come in molti altri", ha affermato. "E così la capacità di capire se un bancomat è fuori servizio, se l’app mobile non funziona, a quale punto della catena si verifica effettivamente il malfunzionamento e come reagire diventa fondamentale."
Non sono solo le grandi aziende come Marriott e Nationwide Building Society ad andare oltre la sperimentazione con l'AI per vedere risultati trasformativi. Le aziende AI-forward di qualsiasi dimensione, indipendentemente da dove si trovino nel loro percorso di AI, possono adottare misure per sfruttare il valore dei loro dati aziendali attraverso un contesto e una governance in tempo reale.
Le aziende possono iniziare con piccoli passi: individuando un caso d'uso che abbia il potenziale per produrre un impatto significativo. Possono costruire una base per la preparazione all'AI, scalabile per dominio in un secondo momento, attraverso quello che Sean Falconer, Head of AI, Product di Confluent, definisce un "approccio fondamentalmente diverso ai dati".
Falconer, che ha partecipato alla sessione di Brokaw, ha affermato che invece di elaborare e governare i dati a valle, le aziende di successo hanno "spostato il problema più vicino alla fonte dei dati, dove vengono creati e dove sono già in fase di trasmissione".
"Il risultato è che sono in grado di creare prodotti di dati in tempo reale, riutilizzabili e universali", ha affermato Falconer. "Questi asset di dati governati sono immediatamente accessibili nel momento in cui ne hanno bisogno."
L'approccio corretto ai dati può alimentare una delle tecnologie AI più potenti di oggi: gli agenti AI. Ad esempio, Jay Kreps di Confluent ha spiegato che gli agenti potrebbero essere progettati per gestire i reclami dei clienti relativi alla consegna di cibo a domicilio.
"È possibile collegarsi direttamente ai sistemi di origine per ottenere queste informazioni, alle applicazioni e al database, per rilevare tali modifiche in tempo reale e gestire il flusso di reclami in arrivo", ha affermato, "e integrarle in tempo reale con tutte le informazioni relative alla consegna", compresi i dettagli sul cliente e sull’autista.
Il risultato? Un agente dispone delle informazioni necessarie per determinare i prossimi passi, come l'emissione di rimborsi o l'invio di un avviso di frode.
"E alla fine, quell'agente dispone del contesto completo di ciò che sta accadendo nell'azienda, solo le informazioni che ci interessano, non quelle che non ci servono", ha affermato Kreps. "Dati ben governati e ben strutturati su cui poter agire."
Inoltre, quegli stessi dati che alimentano le decisioni in tempo reale dell'agente possono essere sfruttati per ottenere altre informazioni che possono offrire valore aggiuntivo tramite watsonx.data.
"Posso prendere i dati che arrivano in tempo reale, sui quali sto già agendo, e metterli a disposizione di tutte le funzionalità di analisi e dei tipi di domande che sorgeranno spontaneamente", ha affermato Kreps. "Posso analizzare la situazione e cercare di capire cosa sta effettivamente succedendo in produzione, cosa sta facendo il nostro agente?" Quali sono i tipi di clienti che arrivano? ...Qual è la tendenza generale?»
"Abbiamo fatto un'integrazione eccellente con watsonx.data, ed è incredibilmente potente," ha detto Kreps.
L'esempio della consegna di cibo a domicilio mostra cosa succede con un approccio corretto alla gestione dei dati. Ma cosa succede quando questo approccio viene a mancare?
Durante la sua presentazione, Brokaw ha illustrato come dati affidabili, tempestivi e contestualizzati possano fare la differenza tra il normale svolgimento delle attività e gravi interruzioni in un ambiente agentico. Ha proposto uno scenario tipico dell'e-commerce: elaborare ordini notturni dei clienti.
Di norma, quando un articolo è esaurito dopo che è stato ordinato, un addetto alla gestione degli ordini potrebbe accorgersi del problema, contattare il cliente e procedere al rimborso. La situazione non è ideale, ma almeno è sotto controllo, ha detto Brokaw.
La situazione può però cambiare radicalmente quando è un agente AI ad occuparsene. Gli agenti AI hanno bisogno di accedere ai dati giusti: dati in tempo reale per decisioni tempestive e dati storici per comprendere tendenze e anomalie. Senza tale intelligenza, la piattaforma dell'azienda potrebbe continuare ad accettare ordini.
"Quando qualcuno se ne accorge, non si tratta di un solo ordine [non evaso], ma di centinaia o addirittura di 1000, l'agente non ha risolto il problema. Anzi, lo ha solo amplificato", ha detto Brokaw. "L'errore dell'agente richiede un nuovo approccio alla gestione dei dati, progettato sia per gli umani che per gli agenti".
Watsonx.data e Confluent rafforzano questo nuovo approccio. Nel nuovo stack di dati di IBM, Confluent, con funzionalità di data streaming in tempo reale basate sulle tecnologie Kafka e Flink, può garantire che un agente operi con dati nuovi invece che con informazioni obsolete. Quindi, nel livello di contesto dello stack di dati, "i dati diventano intelligenti", ha affermato Brokaw.
La nuova funzione Context di Watsonx.data consente ai sistemi AI di accedere alle informazioni, strutturate o non strutturate, in ambienti distribuiti. OpenRAG su watsonx.data aiuta a trasformare i documenti aziendali in conoscenza AI-ready per workflow di recupero e ragionamento, migliorando il modo in cui gli agenti scoprono e utilizzano il contesto aziendale pertinente. E il Real-Time Context Engine di Confluent fornisce dati aziendali arricchiti ai sistemi AI tramite il protocollo Model Context.
Mentre i dati vengono curati e distribuiti, vengono anche gestiti: watsonx.data applica definizioni condivise, monitora i segnali di qualità dei dati e la loro provenienza, e fa rispettare le politiche di governance. "Le decisioni prese dagli agenti sono decisioni di cui bisogna potersi fidare quando gli agenti agiscono in modo autonomo alla velocità di una macchina", ha affermato Brokaw. "La governance non può essere un ripensamento a posteriori."
Con i progressi nella fornitura di dati tempestivi, contestuali e affidabili all'AI, il mondo aziendale sta vivendo uno spostamento del "centro di gravità dei dati", ha detto Brokaw. "Abbiamo costruito le basi: segnale in tempo reale in ingresso, contesto affidabile in uscita."