Cosa sono i dati AI-ready?

I dati preparati e gestiti correttamente sono fondamentali per il successo dell'AI, come si suol dire, "Dati scadenti producono risultati scadenti". Dati accurati, completi e coerenti generano migliori prestazioni e guadagni di produttività dall'AI aziendale. Nel frattempo, una strategia per dati ben governati e protetti aiuta a garantire la conformità alle normative e a salvaguardare la privacy degli utenti.

Man mano che le decisioni basate sull'AI diventano sempre più un vantaggio competitivo, molte organizzazioni si rendono conto che le pratiche tradizionali di gestione dei dati potrebbero non essere sufficienti per fornire dati AI-ready. Secondo un sondaggio del 2024 dell'IBM Institute for Business Value, solo il 29% dei leader tecnologici concorda fermamente che i propri dati aziendali soddisfino gli standard di qualità, accessibilità e sicurezza necessari per scalare in modo efficace l'AI generativa (gen AI).¹

Per raggiungere e mantenere la prontezza dei dati per l'adozione dell'AI, le organizzazioni possono concentrarsi su alcune pratiche essenziali dei dati: accesso unificato, governance, sicurezza e supporto. Mettendo in atto questi elementi fondamentali, le organizzazioni possono garantire che i loro dati siano veramente AI-ready e, così facendo, trasformare l'AI da un esperimento costoso in un potente motore di valore aziendale.

Senza dati affidabili, di alta qualità e ben gestiti, i risultati degli strumenti di AI possono essere deludenti nel migliore dei casi e imprecisi, distorti o un rischio per la privacy nel peggiore.

I dati AI-ready contribuiscono a garantire che le tecnologie AI offrano un reale valore aziendale e insight attuabili, abilitando:

Le organizzazioni che fanno fatica a realizzare il ROI dalle loro iniziative di AI spesso incontrano ostacoli significativi legati ai dati per una vera preparazione all'AI, tra cui:

• Proliferazione e frammentazione dei dati
• Scarsa qualità dei dati
• Colli di bottiglia operativi e lacune nelle competenze
• Rischi per la sicurezza e la governance

I silos di dati sono una piaga nei moderni ecosistemi di dati. La loro diffusione è determinata da diversi fattori, dalla struttura e cultura organizzativa alla complessità informatica e ai vincoli normativi. Questa frammentazione dei dati crea ostacoli sia alle operazioni quotidiane che alle iniziative strategiche, come l'AI.

I dati disconnessi sono intrinsecamente inefficienti, spesso non strutturati e richiedono passaggi aggiuntivi per una preparazione efficace. Sono incoerenti in tutta l'organizzazione e più difficili da gestire per i requisiti normativi e le politiche sulla privacy. Questi problemi rallentano in modo significativo l'accesso e la preparazione dei dati AI-ready, potenzialmente aumentando i costi e la complessità dei programmi di AI.

La scarsa qualità dei dati deriva da una varietà di fonti. Sebbene i silos dei dati e la frammentazione siano un esempio, altre cause comuni includono pratiche di gestione della qualità dei dati incoerenti, sistemi e architettura obsoleti e sfide di integrazione. Spesso è una combinazione di diversi di questi fattori.

Anche i modelli AI più avanzati sono influenzati da dati di scarsa qualità, con conseguenti output inaffidabili, inaccurati e potenzialmente distorti. Le conseguenze possono essere gravi: perdite finanziarie dovute a progetti di AI falliti, danni alla reputazione dovuti a decisioni distorte o alla riduzione della fiducia nel valore complessivo dell'AI.

L'esperienza umana rimane critica per l'implementazione dell'AI. Tuttavia, il rapido progresso dell'AI e delle nuove tecnologie sta cambiando i ruoli e ampliando il divario nelle competenze dell'AI. Molte organizzazioni sono in ritardo nella formazione e nell'aggiornamento dei dipendenti, spesso a causa di formati di apprendimento inefficaci, limiti di budget o accesso insufficiente agli strumenti e ai dati giusti.

Senza un numero adeguato di talenti tecnologici, i team di dati esistenti potrebbero trovarsi in difficoltà. Gestiscono ambienti di dati complessi e isolati e allo stesso tempo sono sotto pressione per fornire rapidamente dati AI-ready per progetti critici.

Sviluppa competenze fondamentali sui dati con IBM SkillsBuild: Inizia ad imparare gratuitamente.

Con la frammentazione e la complessità dei dati, emerge la realtà che i dati sensibili e protetti sono spesso distribuiti tra unità di business, piattaforme di dati e repository. Questa proliferazione di dati solleva preoccupazioni in merito alla conformità, al controllo degli accessi e alla fiducia.

La scalabilità dell'AI aziendale senza la sicurezza e la governance adeguate aumenta l'esposizione al rischio e alla complessità normativa. Le organizzazioni consapevoli di questa barriera, ma che faticano a risolverla, potrebbero vedere i loro progetti di AI bloccarsi. Per chi non lo sapesse, i rischi aumentano man mano che proseguono e scalano l'AI.

L'AI moderna (e soprattutto l'AI generativa) si basa su grandi volumi di dati per offrire un valore reale. Per fortuna, la generazione di dati non è limitata alle grandi imprese. Le organizzazioni di tutte le dimensioni producono notevoli volumi di dati ogni anno attraverso i loro siti web, i social media, i sistemi interni e le interazioni con i clienti.

Eppure la maggior parte delle organizzazioni non utilizza al meglio i propri dati. Le stime indicano che solo circa l'1% dei dati aziendali viene utilizzato nei modelli linguistici di grandi dimensioni (LLM) tradizionali.²

Perché lasciare che un carburante AI così prezioso vada sprecato? Perché la maggior parte dei dati aziendali è non strutturata. Non ha un formato predefinito e proviene da diverse fonti di dati come PDF, post sui social media, immagini, messaggi istantanei ed e-mail. Meno dell'1% di questi dati non strutturati si trova in un formato adatto al consumo diretto dell'AI.³ In altre parole, la stragrande maggioranza dei dati aziendali non è AI-ready.

Sebbene i dati strutturati rimangano estremamente preziosi, non utilizzare il potenziale dei dati non strutturati (diversificati, flessibili e ricchi di insight) rappresenta un passo strategico sbagliato e un ostacolo significativo alla scalabilità dell'AI aziendale.

Questa sfida si riflette nei risultati negativi dell'AI: Secondo il CEO Study 2025 dell' IBM Institute for Business Value (IBV), solo il 16% delle iniziative di AI ha raggiunto la scala aziendale.

Questo è un momento critico per le imprese. Il successo o il fallimento delle iniziative di AI dipende dall'efficacia con cui le organizzazioni gestiscono e preparano i dati di alta qualità, sia strutturati che non strutturati, per l'AI.

I dati che presentano le seguenti caratteristiche possono supportare casi d'uso di AI affidabili e di valore:

• Unificati e accessibili
• Governati
• Protetti
• Supportati

L'AI non può agire su ciò a cui non può accedere. Un primo passo essenziale verso la preparazione all'AI è la creazione di un accesso unificato ai dati aziendali. Significa abbattere i silos e creare una visione unificata e gestibile delle informazioni disseminate tra database, data lake, applicazioni e repository di documenti.

Più ampio è l'accesso, maggiori sono gli insight e il valore basati sui dati che l'AI può offrire. L'AI può andare oltre la semplice fornitura di risposte interne e iniziare a migliorare l'esperienza del cliente o l'efficienza operativa.

L'accesso unificato ai dati trasforma anche i dati isolati in asset riutilizzabili, più facili ed economici da gestire. Supporta più workload e consente lo sviluppo di economie di scala, trasformando i dati in una risorsa strategica.

Tecnologie come l'integrazione dei dati e le architetture data fabric rendono possibile l'accesso unificato:

L'integrazione dei dati trasforma e armonizza i dati provenienti da ambienti ibridi e multicloud in formati unificati e coerenti, pronti per casi d'uso dell'AI. L'integrazione dei dati in tempo reale supporta in modo specifico i casi d'uso dell'AI e dell'automazione.

I data fabric creano una visuale virtuale e unificata di tutti i dati aziendali senza spostarli fisicamente. Combinano funzionalità come cataloghi di dati, metadati federati, integrazione dei dati, virtualizzazione e machine learning per aiutare gli utenti a scoprire, accedere e utilizzare rapidamente i dati AI-ready. 

Una governance dei dati efficace aiuta a garantire l'integrità, la sicurezza, la qualità e l'accesso ai dati attraverso politiche, processi e standard chiari. Una solida base di governance trasforma i dati aziendali in asset di alta qualità e affidabili, essenziali per lo sviluppo di un'AI responsabile.

Le leggi sulla privacy dei dati e le normative relative all'AI si evolvono rapidamente e spesso richiedono una documentazione dettagliata dei modelli. Ciò include informazioni sulla provenienza dei dati, sulla loro storia e sull'idoneità allo scopo, con severe sanzioni in caso di inadempienza. Ad esempio, secondo l' EU AI Act, le sanzioni possono raggiungere 35 milioni di euro o il 7% del fatturato annuo mondiale di un'azienda, a seconda della violazione.

Anche la parzialità e l'accuratezza sono preoccupazioni crescenti: quasi la metà dei CEO intervistati si preoccupano di questi rischi. In settori ad alto rischio come la sanità e la finanza, in cui l'AI potrebbe influenzare decisioni critiche, una solida governance dei dati è fondamentale per salvaguardare l'equità e la fiducia.

Solidi framework di governance mitigano questi rischi e supportano dati di alta qualità attraverso misure come:

• Controlli dell'accesso, lineage dei documenti e linee guida per l'utilizzo che supportano la privacy dei dati e la conformità alle normative
  
  
• Standard chiari e applicabili lungo tutto il ciclo di vita dell'AI e strumenti automatizzati di rilevamento delle distorsioni per pratiche relative ai dati eque e accurate
  
  
• Soluzioni di pulizia dei dati, validazione dei dati e data observability che aiutano a garantire l'accuratezza, la pulizia e la tempestività dei dati
  
  
• Strumenti di gestione dei metadati che categorizzano i set di dati con metadati descrittivi, strutturali e  amministrativi, in modo che i modelli AI siano addestrati su informazioni accurate e pertinenti

Sebbene la sicurezza dei dati sia spesso considerata parte di una governance più ampia, merita un'attenzione particolare quando si tratta di dati AI-ready. L'AI generativa presenta un nuovo insieme di sfide alla sicurezza dei dati, come la fuga di dati e gli attacchi a iniezione di prompt, che richiedono un approccio proattivo.

Una singola violazione può devastare i profitti di un'organizzazione. Secondo il Report Cost of a Data Breach 2025 di IBM, il costo medio globale di una violazione dei dati ha raggiunto i 4,4 milioni di USD.

Per proteggere i dati durante tutto il ciclo di vita dell'AI (dalla raccolta alla preparazione fino alla formazione e allo smaltimento), le organizzazioni dovrebbero prendere in considerazione tre principi chiave della sicurezza dei dati: scoperta, protezione e monitoraggio.

I dati AI-ready non hanno valore se considerati isolatamente. Producono un impatto reale solo se supportati dalle competenze umane e dalle infrastrutture dati appropriate.

Per adottare e scalare con successo i sistemi AI, i team di tutte le funzioni richiederanno diversi livelli di formazione e riqualificazione. I dipendenti dovrebbero sviluppare una comprensione di base dei concetti di AI, workflow, del processo decisionale e dell'uso responsabile.

Anche se non tutti devono diventare data scientist, una cultura di alfabetizzazione dei dati e democratizzazione dei dati può dare alle persone la possibilità di utilizzare con sicurezza le applicazioni di AI e prendere decisioni informate dai dati. Inoltre, la formazione sull'etica e sull'identificazione delle distorsioni dell'AI può rafforzare la governance per un'AI affidabile.

Le organizzazioni dovrebbero inoltre valutare se la propria infrastruttura di data storage sia pronta a soddisfare le prestazioni e la capacità dei workload di AI. Gli LLM, in particolare, richiedono risorse di storage significative in più ambienti. Per soddisfare queste esigenze, molte organizzazioni oggi stanno adottando soluzioni di archiviazione come cloud object storage, flash storage e data lake, warehouse e lakehouse.