Un progetto AI fallisce quando l’azienda non ha una Source of Truth: i dati ci sono, ma vivono in sistemi che danno numeri diversi sulla stessa domanda, e il modello impara l’incoerenza invece di risolverla. Non è un limite della tecnologia: è una decisione di business rimandata. Sotto, il caso che lo mostra.
Conosco un’azienda che ha investito in un progetto AI per la previsione della domanda di mercato.
Il fornitore ha promesso di usare i dati storici per insegnare al modello come prevedere con precisione. Sei mesi dopo, il modello non è mai diventato veramente affidabile.
Gli errori di previsione erano tali che nessuno se ne fidava. Non riuscivano a usarlo in nessuna decisione seria.
Quando ho chiesto come mai, la risposta era semplice: “I dati provengono da cinque sistemi diversi. Nessuno ha mai provato a metterli insieme prima. Alcuni dicono una cosa, altri dicono un’altra. Il modello non sa quale credere.”
Quella non era una storia di AI cattiva.
Era una storia di dati che non si fidavano l’uno dell’altro e che non erano stati verificati correttamente prima.
Il modello AI non funziona anche se i dati ci sono: perché succede
Sembra un paradosso. Hai il gestionale, hai il CRM, hai il sistema di fatturazione, hai Google Analytics, hai fogli Excel con lo storico vendite: i dati ci sono.
Come mai il modello AI produce risultati inutilizzabili?
La risposta è nascosta in un concetto che i tecnici chiamano “Source of Truth” — la fonte unica dei dati. In parole semplici: se in azienda devo sapere “quanti clienti attivi abbiamo”, non dovrei dover chiedere a tre sistemi diversi e scoprire che uno dice 450, uno dice 480, e uno dice 520. Dovrei sapere: esiste una fonte, è autorevole, e dice 462.
Senza questa chiarezza, nessun modello AI può funzionare bene.
Ma la maggior parte delle aziende non ha una fonte unica dei dati. Ha il caos.
E non lo sa finché non prova a fare qualcosa di serio con quei dati — come un progetto AI.
Come l’AI amplifica il disordine nei dati aziendali
Un modello AI non “ripara” i dati sporchi. Non li interpreta. Non indovina. Li usa esattamente come sono.
Se i tuoi dati storici sono incoerenti — un cliente nel CRM è “acquisito nel 2020” e nello stesso sistema, in una vista diversa, risulta “censito nel 2021” — il modello AI apprende questa incoerenza. La assorbe. E quando fa previsioni, applica una logica che riproduce lo stesso errore, ogni volta, o peggio, errori diversi ogni volta.
Il risultato è un modello che sembra fare calcoli sofisticati ma che, in realtà, moltiplica il disordine che c’era già.
Peggio ancora: te lo presenta con sicurezza.
Ti dice “la probabilità che questo cliente smetta di comprare è del 73%.” Sembra preciso. Sembra affidabile. In realtà è un numero calcolato su fondamenta marce ed informazioni sbagliate.
Questo meccanismo vale ovunque. Nella previsione della domanda, nel marketing (dove l’AI dovrebbe segmentare i clienti ma li segmenta su dati duplicati), nell’eCommerce (dove il modello suggerisce prodotti basandosi su uno storico ordini pieno di buchi), nel controllo di gestione (dove l’AI analizza margini calcolati su costi allocati in modo incoerente).
L’AI non capisce cosa sia “coerenza.”
Sa solo riconoscere schemi. Se lo schema è “dati incoerenti”, lo impara e lo riproduce con precisione statistica producendo statisticamente errori.
Investire in AI senza governare i dati: la decisione che costa cara
La scelta implicita è quasi sempre questa: “Abbiamo dei dati. Lanciamo l’AI. I problemi li aggiustiamo in corso d’opera.”
Non funziona così.
Una vera decisione sull’AI dovrebbe iniziare dalla fonte: quali dati servono per rispondere alla domanda che mi pongo? Dove vivono oggi questi dati? In quanti sistemi? Sono coerenti? Chi li aggiorna? Secondo quale regola?
Solo dopo questa mappa puoi dire: “Ok, possiamo partire.”
Quasi nessuno fa questa domanda. O, se la fa, la fa male.
Chiama un consulente per un “audit dei dati”, riceve un report di decine di pagine con centinaia di problemi identificati, capisce che sistemarli costa tempo e soldi, e decide di procedere comunque. Sei mesi dopo, è punto e a capo — con quei soldi in meno.
Gli incentivi sbagliati che spingono a partire senza dati pronti
Il meccanismo è strutturale, non accidentale.
Il fornitore AI ha un incentivo a far partire il progetto subito. Se l’azienda dice “prima sistemiamo i dati”, il progetto si ritarda di tre o quattro mesi. Se parte subito, sono mesi di consulenza, implementazione, project management.
Il fornitore preferisce partire — non per malafede, per struttura e fedele al suo business model.
Il responsabile di progetto in azienda ha il suo incentivo: il KPI è “lanciare il progetto AI”, non “lanciare un progetto AI che funziona.” Quindi accetta il compromesso.
E l’imprenditore ha fretta. Vede i concorrenti che parlano di AI. Legge articoli. I fornitori lo pressano. Vuole risultati. Nessuno gli dice: “I tuoi dati non sono pronti” — perché dirlo significa rallentare, e rallentare non piace a nessuno.
Risultato: si parte, il modello non funziona bene, si resta bloccati per mesi a cercare di capire perché, si spendono altri soldi. E il progetto AI finisce nella lista dei progetti che non finiscono mai.
Cosa significa avere una fonte unica dei dati (e come costruirla)
Una fonte unica dei dati non significa avere un unico database fisico. Significa avere chiarezza totale su cinque punti.
Definizione. Cosa significa esattamente il dato? Un “cliente attivo” è un cliente che ha fatto un acquisto negli ultimi 12 mesi? Negli ultimi 6? Che è in trattativa? Finché questa definizione non è scritta e condivisa, ogni reparto userà la sua — e l’AI imparerà tutte le versioni contemporaneamente.
Localizzazione. Dove vive questo dato? Nel CRM? Nel gestionale? In un foglio Excel? In più posti? Se vive in più posti, quale versione fa fede?
Autorità. Quando ci sono discrepanze — il CRM dice una cosa, l’ERP dice un’altra — chi decide quale è corretta? Senza un’autorità chiara, nessuno risolve le discrepanze. Si accumulano.
Frequenza di aggiornamento. Il dato si aggiorna ogni giorno? Una volta a settimana? In tempo reale? Un modello AI che lavora su dati aggiornati mensilmente prenderà decisioni con un mese di ritardo.
Responsabilità. Chi è responsabile di mantenere il dato pulito e coerente? Non “l’IT.” Una persona con nome e cognome, che risponde se il dato è sporco.
Finché non hai risposte scritte a queste cinque domande, non hai una fonte unica dei dati. Hai solo speranza.
Il criterio per decidere se sei pronto a investire in AI
Prima di investire un euro in AI, rispondi a questa domanda: riesci a indicare, per ogni dato che il modello AI dovrà usare, una fonte unica e autorevole dove quel dato vive, e una persona responsabile di mantenerlo pulito?
Se la risposta è “più o meno”, non sei pronto.
Se la risposta è “no”, allora il primo investimento non è in AI. È nel governo dei dati. E il governo dei dati non è un progetto IT. È un progetto di governance aziendale — perché riguarda chi decide cosa significano i numeri, chi li mantiene, e chi risponde quando non tornano.
Non è divertente. Non è innovativo. Non crea entusiasmo in una riunione con gli stakeholder. Ma è il prerequisito assoluto perché l’AI abbia senso.
La sequenza giusta: dai dati all’AI in cinque passi
Se sei convinto di aver bisogno dell’AI, ecco l’ordine corretto.
Mappa dei dati. Identifica quali dati servono per la tua decisione AI. Non tutti i dati aziendali — solo quelli che contano per il problema che vuoi risolvere.
Verifica della coerenza. Per ogni dato, traccia dove vive oggi, in quale formato, con quale frequenza di aggiornamento. Se un dato vive in due posti, stabilisci quale è la fonte autorevole.
Piano di pulizia. Decidi cosa ripulire prima, cosa durante, cosa dopo. Non devi perfezionare tutto — ma devi partire da fondamenta stabili sui dati da cui dipendono le decisioni che vuoi automatizzare — non su tutti.
Governance minima. Nomina chi è responsabile di mantenere puliti questi dati. Metti in calendario una revisione mensile. Non è entusiasmante, ma è necessario. Senza competenze interne che presidino questo processo, si torna al caos in pochi mesi.
Lancio AI. Solo dopo. Non prima.
Questo percorso costa tempo e attenzione manageriale. Ma costa meno che scoprire a sei mesi di implementazione che il tuo modello AI è una scatola nera che genera numeri, non decisioni.
Dati e AI: cosa smettere di fare subito
Smetti di pensare che la qualità dei dati sia un problema tecnico che risolve l’IT. È un problema di governance: definizioni, responsabilità, regole. Se non lo tratti come tale, l’IT potrà pulire i dati oggi e saranno sporchi di nuovo tra tre mesi.
Smetti di credere che un fornitore possa ripulire i tuoi dati “durante l’implementazione.” Può provare, ma senza il tuo supporto attivo e i tuoi criteri chiari, farà scelte arbitrarie — e ogni scelta arbitraria sui dati è un errore che l’AI moltiplicherà.
Smetti di dare per scontato che i tuoi dati siano “buoni.” Non lo sono mai, finché non hai provato a usarli per prendere una decisione concreta.
E smetti di separare “governance dei dati” e “AI.” Non sono due progetti distinti. Il governo dei dati è il fondamento su cui poggia qualsiasi cosa abbia a che fare con l’intelligenza artificiale. Se non lo costruisci adesso, lo costruirai dopo — ma con costi molto più alti e il peso di un progetto AI che non ha funzionato.
Approfondimenti correlati
- AI in azienda: perché quasi nessun progetto arriva al valore (e non è colpa della tecnologia)
- Il vendor ti propone l’AI: 5 domande da fare prima di firmare
- Intelligenza artificiale in azienda: da dove si parte davvero
- La governance digitale che manca nelle aziende familiari
Risposte chiave per chi deve decidere
Come evitare che un progetto AI fallisca?
Per evitare che un progetto AI fallisca, parti dal problema, non dalla tecnologia. Definisci quale decisione l’AI deve supportare, verifica di avere dati puliti e centralizzati, scrivi le regole che l’AI deve seguire, e stabilisci come misurerai il successo. Senza questi quattro elementi, qualsiasi progetto AI diventa un esperimento senza fine. La regola del Metodo Belli è: AI solo dove esiste Source of Truth + Policy + Measurement.
Quali sono gli errori più comuni nei progetti AI aziendali?
Gli errori più comuni nei progetti AI sono: partire dalla tecnologia invece che dal problema, usare dati frammentati in sistemi diversi, non definire regole scritte su cosa l’AI deve fare, non avere KPI per misurare i risultati, e delegare tutta la responsabilità al vendor. Il risultato è un progetto che funziona tecnicamente ma non produce valore di business.
Domande frequenti
Perché i progetti AI falliscono nelle aziende familiari?
Nella maggior parte dei casi, perché i dati aziendali sono incoerenti, duplicati o incompleti. L’AI lavora sui dati che le dai: se le fondamenta sono marce, il risultato è un modello che produce numeri dall’aspetto preciso ma sostanzialmente sbagliati. Il problema non è mai il modello — è sempre cosa ci metti dentro.
Cosa significa “Source of Truth” per un’azienda?
Significa avere, per ogni dato importante, una fonte unica e autorevole: una definizione chiara (cosa vuol dire quel numero), un luogo dove vive (quale sistema fa fede), e una persona responsabile di mantenerlo pulito. Senza questo, ogni sistema — AI inclusa — lavora su informazioni contraddittorie.
Come capire se i dati aziendali sono pronti per l’AI?
Fai un test semplice: prendi un dato che il modello AI dovrebbe usare — ad esempio “fatturato per cliente negli ultimi 12 mesi” — e chiedi a tre persone di tirarlo fuori. Se ottieni tre numeri diversi, non sei pronto. Se ottieni lo stesso numero dalla stessa fonte, sei sulla strada giusta.
Quanto costa mettere in ordine i dati prima di un progetto AI?
Dipende dalla complessità, ma nella maggior parte delle aziende familiari il lavoro di governance dati richiede da due a quattro mesi e un investimento che è una frazione del progetto AI stesso. Il costo di non farlo è molto più alto: un progetto di AI da sei cifre che non produce risultati utilizzabili.
Il governo dei dati è un progetto IT o un progetto di business?
È un progetto di business. L’IT può costruire gli strumenti, ma le decisioni chiave — cosa significa un dato, chi lo mantiene, quale fonte fa fede — sono decisioni di governance aziendale. Se le deleghi all’IT, il reparto commerciale definirà “cliente attivo” in un modo, l’amministrazione in un altro, e il marketing in un altro ancora. Serve un owner di business.
Leggi anche
- AI e aziende familiari: le 3 condizioni prima di investire un euro
- AI nel marketing: quando ha senso e quando è solo un costo
- Dati ovunque, informazioni da nessuna parte
- Hai comprato il software sbagliato?
