Il data management sta vivendo una trasformazione profonda, alimentata dall’innovazione tecnologica e dal mutamento delle esigenze sui fronti del business e della sicurezza. Da una parte c’è la crescita esponenziale nella quantità e varietà delle tipologie di dati che devono essere gestiti, dall’altra le esigenze di democratizzare l’accesso ai dati per permettere alle line of business di trarre il massimo valore dai dati.
Il primo fattore alimenta la necessità di ambienti ibridi in cui convivono basi dati locali, centralizzate e su servizi multi-cloud, scelti in funzione delle esigenze prestazione, tutela e contenimento dei costi IT. Questo alimenta l’esigenza di strumenti per l’unificazione semantica delle informazioni in grado di rendere semplice l’accesso, l’analisi e l’elaborazione su fonti e archivi dati diversi.
Complessità a cui rispondono l’integrazione delle piattaforme con strumenti di AI/ML e Agentic AI capaci di semplificare la vita ai data manager, assolvendo con l’automazione molti compiti onerosi negli ambiti dell’integrazione, del monitoraggio, della qualità dei dati, della gestione, della sicurezza di accesso e di applicazione delle policy. Sul fronte della fruizione dei dati, le capacità generative, tecniche di GenAI e strumenti di Retrieval augmented generation (RAG) promettono di cambiare per sempre le modalità con cui le informazioni sono ricercate e utilizzate dagli utenti finali. I principali player nel mondo database stanno adeguando le loro piattaforme per poter aggiungere funzioni di ricerca conversazionale e contestuale su dati strutturati e non, generare viste dei dati a partire da domande in linguaggio naturale.
L’impatto dell’AI/ML nelle capacità chiave del data management
- Master data management (MDM). Rientrano in questa categoria gli strumenti utili a mantenere versione unica e attendibile dei dati (anagrafiche clienti, prodotti, fornitori…) quindi garantirne la coerenza e la qualità nei processi su sistemi eterogenei e tra differenti reparti aziendali. L’introduzione delle tecnologie di AI/ML consente oggi di automatizzare le operazioni di matching e di deduplicazione dei dati. Altre innovazioni riguardano la semplificazione nelle gestioni multi-dominio e cloud-native con agenti intelligenti in grado di orchestrare operazioni di pulizia e sincronizzazione continua dei dati. Agentic AI e RAG (Retrieval augmented generation) permettono di ottenere viste sui dati critici per una gestione conforme alle normative.
- Data integration – ETL. Sono gli strumenti fondamentali che servono per mettere insieme flussi e fonti dati eterogenei per renderli accessibili e utilizzabili in modo centralizzato. In quest’area tecnica del data management, le tecnologie di AI/ML implementate su alcune piattaforme rendono disponibili all’utente, in chiave end-to-end i suggerimenti per ottenere il giusto matching tra le diverse fonti di dati, automatizzando le operazioni di controllo su qualità e arricchimento dei dati.
- Data quality. La qualità dei dati è fondamentale per qualsiasi iniziativa business di tipo data-driven. Quest’ambito funzionale contempla le funzioni di monitoraggio, controllo e correzione dei dati al fine di eliminare duplicazioni, errori e informazioni incomplete, migliorando quindi l’affidabilità delle informazioni. Gli algoritmi di ML riescono a rilevare in modalità automatica le anomalie, i duplicati e altre inconsistenze presenti nei dati, rendendo la gestione della qualità più efficace e meno soggetta agli errori umani.
- Data governance. Riguarda le strategie, le regole, le responsabilità e i processi per una gestione dei dati più sicura e in linea con le normative di legge e le policy interne aziendali. Questo segmento si avvantaggia delle capacità di AI per i compiti del policy management. Agenti intelligenti sono in grado di monitorare, applicare e adattare le policy in tempo reale, in base al contesto normativo. Questo consente formalizzazioni più strutturate della governance e una rapida adozione delle normative a cominciare, per esempio, dall’EU Data Act (in vigore dal settembre 2025) in tema di portabilità e verificabilità dei dati.
- Data security. Comprende i tool e le pratiche per proteggere i dati da accessi non autorizzati, quindi evitare violazioni e perdite, garantendo privacy e riservatezza. Capacità AI-driven aiutano a supportare il monitoraggio degli attacchi informatici, mentre agenti proattivi identificano e bloccano le violazioni prima che abbiano impatto sulla tutela dei dati o dei processi. L’AI permette anche una gestione automatizzata delle chiavi di cifratura utilizzate per la protezione più efficace dei flussi di dati, offre supporto alle capacità di auditing della sicurezza e nella governance permettendo reazioni più rapide ed efficaci.
- Data Lifecycle Management: Serve alla gestione dell’intero ciclo di vita del dato: dalla creazione all’archiviazione, fino alla definitiva cancellazione in accordo con le policy aziendali e le normative di settore. Capacità di AI/ML permettono di supportare classificazioni automatiche e archiviazioni intelligenti dei dati sia su sistemi locali sia multicloud. L’agentic AI consente una gestione adattiva delle policy di data retention, non solo per il rispetto delle tempistiche di legge ma, per esempio, sulla base del loro valore d’uso e costi di gestione.
- Database, data warehousing, data lake. Sono gli strumenti chiave per la raccolta, l’archiviazione e l’organizzazione dei dati a supporto delle attività di analisi, di reporting e di business intelligence d’impresa. Risorse in cloud e funzioni basate su AI/ML consentono di ottimizzare capacità, query e costi di gestione in funzione delle tipologie di dati e delle differenti esigenze di utilizzo. Sulla base dell’analisi predittiva, AI/ML e agentic AI possono orchestrare il bilanciamento ottimale tra workload locali e in cloud, offrire le capacità di supporto conversazionale RAG.