L’analisi dei dati davanti all’AI

L’intelligenza artificiale sta aprendo nuove possibilità per i dati e l’analisi in ogni ambito. Il successo, però, non dipende soltanto dalla velocità di adozione, ma dalla capacità di individuare il percorso più efficace verso la creazione di valore, gestendo al tempo stesso rischi e costi. È questa una delle principali riflessioni emerse durante il Gartner Data & Analytics Summit dello scorso marzo, che ha evidenziato come l’evoluzione dell’intelligenza artificiale stia trasformando profondamente il mondo del data & analytics. Secondo i ricercatori, un approccio equilibrato tra velocità e direzione consente ai responsabili di D&A di ottenere benefici concreti dall’intelligenza artificiale.

Nel dettaglio, sebbene oltre la metà dei leader IT esprima preoccupazione per l’aumento dei costi, meno di uno su cinque tra i responsabili di D&A e AI ritiene che l’incertezza economica possa limitare il valore dell’AI. Inoltre, è il 44% delle organizzazioni ad aver già adottato pratiche di AI FinOps o strumenti di controllo finanziario dedicati. In questo scenario, i leader di D&A devono dimostrare di saper generare valore reale, andando oltre l’entusiasmo e i timori legati a una possibile ‘bolla’ dell’intelligenza artificiale. Il valore dell’AI non può essere misurato esclusivamente attraverso il ROI finanziario, ma deve includere anche aspetti strategici, organizzativi e culturali. Da qui, viene sottolineato, emergono tre direttrici fondamentali. La prima è la definizione di un’ambizione chiara per l’AI, garantendo un ritorno sull’intelligenza. Quindi il rafforzamento delle fondamenta dell’AI per assicurare un ritorno sull’integrità. Infine la valorizzazione delle persone e le competenze, favorendo un ritorno sugli individui e sulla trasformazione organizzativa. Per rendere il data & analytics una funzione realmente strategica e trasversale, i responsabili devono inoltre ripensare il modello organizzativo. Quello più efficace è capace di bilanciare capacità centralizzate, orientate all’abilitazione, e strutture decentralizzate focalizzate sui risultati.

L’obiettivo non è di fatto scegliere tra centralizzazione e decentralizzazione, ma combinare entrambe le logiche in modo coerente con le esigenze dell’organizzazione. Gli analisti di Gartner suggeriscono quindi di adottare più livelli interconnessi di organizzazione D&A (globale, regionale e locale) definendo con chiarezza responsabilità, dipendenze e modalità di collaborazione tra le diverse funzioni. In questo contesto, i team interfunzionali e multidisciplinari diventano essenziali per garantire agilità operativa e coerenza strategica. Allo stesso tempo, per valorizzare pienamente le capacità dell’AI, le organizzazioni devono spostare l’attenzione dai ruoli tradizionali alle competenze realmente necessarie per sostenere le iniziative prioritarie. È fondamentale mappare le competenze esistenti, i livelli di padronanza e le esigenze future, creando basi solide per la pianificazione di carriere, talenti e strutture organizzative.

Governance, cultura e multimodalità

L’intelligenza artificiale richiede anche una governance efficace, ambito (è emerso dall’evento) nel quale molte organizzazioni mostrano ancora significative difficoltà. Le aziende con una bassa maturità nella governance dei dati hanno infatti maggiori probabilità di non riuscire a generare valore dall’AI nel prossimo futuro. Per migliorare la governance dei dati, gli analisti suggeriscono alcune azioni concrete che partono dalla chiara comprensione degli obiettivi di business alla base della governance. Quindi è necessario concentrarsi sui risultati prioritari per accelerare il ROI, trasformare la governance in una responsabilità condivisa e integrare cultura e governance nei flussi operativi quotidiani. I dati Gartner dicono che solo il 26% delle organizzazioni include cultura e comunicazione nella propria strategia di governance di D&A, segno di quanto il tema sia ancora sottovalutato.

La crescita della GenAI sta inoltre aumentando la necessità di estrarre, qualificare e gestire enormi volumi di dati non strutturati. Le organizzazioni devono quindi implementare pipeline in grado di coordinare estrazione delle entità, dati vettoriali ed arricchimento semantico, così da rendere i dati realmente pronti per l’intelligenza artificiale. Secondo le previsioni, entro il 2027 la spesa IT dedicata alla gestione dei dati multistrutturati rappresenterà il 40% della spesa complessiva per tecnologie e servizi di data management. Tra il 2025 e il 2029, inoltre, la quota di investimenti destinati alla preparazione dei dati per l’AI crescerà di sette volte, trainata dalla necessità di disporre di dati affidabili, strutturati e utilizzabili dai modelli intelligenti.

I responsabili della gestione dei dati che non riusciranno a supportare modelli multimodali sempre più ‘affamati’ di informazioni rischiano di rimanere indietro nell’implementazione delle strategie di intelligenza artificiale. Diventa quindi essenziale verificare costantemente l’allineamento tra strategia dati e strategia AI, cercando opportunità di integrazione tra pratiche di gestione dei dati strutturati e non strutturati. Parallelamente, l’intelligenza artificiale continua a evolvere rapidamente, con approcci sempre più orientati all’adattabilità in contesti incerti e in continuo cambiamento. Nonostante i progressi raggiunti, il suo potenziale non è ancora pienamente sfruttato e rimangono visioni differenti persino tra gli esperti sul concetto stesso di ‘vera’ intelligenza artificiale. Tra le principali tendenze emergono l’AI potenziata, basata su capacità computazionali sempre più estese e l’AI composita e neurosimbolica, che integra tecniche differenti fondate sia sui dati sia sulla conoscenza. Le organizzazioni sono quindi chiamate a non limitarsi a un unico approccio all’AI, ma a mantenere apertura verso modelli alternativi ed emergenti, andando oltre le sole logiche predittive, generative o agentiche.

L’era agentica

Anche le piattaforme di analytics e business intelligence stanno integrando agenti AI per trasformare il modo in cui vengono analizzati i dati e generati gli insight. Tuttavia, secondo gli analisti Gartner, l’analisi agentica non è sempre la soluzione migliore, soprattutto in presenza di requisiti stringenti di compliance, bassi ritorni economici o scarsa maturità dei dati. L’idea è che per evitare il rischio della ‘scatola nera’, i leader di D&A devono di fatto dare priorità alla trasparenza, alla spiegabilità e alla tracciabilità dei processi decisionali. Allo stesso tempo, è necessario evitare fenomeni di ‘agent washing’ (ad esempio semplici chatbot presentati come agenti autonomi evoluti) adottando criteri di valutazione basati su prove concrete, scenari reali e roadmap verificabili.

È stato spiegato che la governance, già analizzata in precedenza, di dati e analytics rappresenta oggi uno dei punti più critici per il successo delle strategie AI. Se in passato è stata spesso percepita come un’area poco innovativa, oggi rischia di diventare il principale punto di fallimento delle ambizioni legate all’intelligenza artificiale. I suoi principi fondamentali – responsabilità, diritti decisionali, chiarezza, integrità e fiducia – diventano ancora più importanti in ambienti caratterizzati da crescente complessità. Per questo motivo, i modelli di governance devono evolvere verso framework più sofisticati, adattivi e scalabili. Tenendco ocnto di alcune bets practice quali governance orientata ai risultati di business e alla gestione del rischio, modelli adattivi e scalabili per dati e asset derivati, integrazione della governance nei modelli operativi, stewardship dinamica e diversificata e controlli comportamentali supportati dalla tecnologia. Infine, con l’espansione continua dei dati, cresce anche la difficoltà di garantire accessi efficienti e analisi rapide su interi dataset.

In questo contesto si afferma il concetto di ‘data twin’: un sottoinsieme rappresentativo e molto più ridotto dell’intera popolazione dati, fornito come prodotto di dati. I data twin, nella definirizone di Gartner, consentono di effettuare esplorazioni, inferenze e verifiche delle ipotesi senza operare direttamente sui dataset completi, offrendo vantaggi in termini di agilità della data science, ottimizzazione della gestione dei dati e velocità di accesso alle informazioni. Nel complesso, rappresentano un approccio più flessibile ed efficiente per mettere a disposizione dati pronti per l’intelligenza artificiale.