È sempre più complesso implementare in un’organizzazione una corretta strategia di data management, anche e soprattutto per l’impatto che l’intelligenza artificiale sta determinando sui processi aziendali. Oggi gli aspetti da governare sono molteplici. Non significa soltanto acquisire, memorizzare, organizzare, analizzare i dati per prendere più velocemente migliori decisioni di business, grazie a insight di maggior qualità. Significa anche incrementare l’efficienza e l’efficacia operativa attraverso l’automazione dei processi. E garantire la compliance e la mitigazione del rischio, in un quadro normativo che nell’Unione europea si fa sempre più rigoroso, con leggi come il regolamento generale sulla protezione dei dati (GDPR), l’AI Act, e il recente pacchetto di misure sulla sovranità tecnologica dell’Europa varate dalla Commissione europea.
A tutto ciò si aggiungono, appunto, fenomeni come la crescente diffusione dell’AI generativa (GenAI) e la progressiva integrazione degli agenti AI nei workflow di data management. Questi trend stanno ulteriormente complicando il quadro tecnologico e organizzativo, e ridefinendo lo stesso concetto di qualità del dato: sempre più, in prospettiva, il significato di data quality non sarà più semplicemente riconducibile, secondo i classici standard, all’accezione di dato pulito, accurato, coerente, completo, attuale, pronto per essere gestito e presentato a un umano nella dashboard di un strumento di reportistica. Sempre più, data quality identificherà anche un dato AI-ready, metabolizzabile dalla AI, gestito dinamicamente, arricchito di contesto semantico, costantemente e automaticamente verificabile, e idoneo ad alimentare o addestrare un modello di AI.
Scarica la scheda informativa sulla sovranità tecnologica QUI.
Scarica il Regolamento (UE) 2024/1689 QUI.
Data quality come problema infrastrutturale
Più i processi decisionali automatizzati (Automated decision-making, ADM) funzionano senza mediazione umana, utilizzando sistemi AI che prendono decisioni operative autonome sulla base del dato, più la data quality si trasforma, da problema analitico, a questione infrastrutturale critica che tocca da vicino la definizione e gestione di un piano di data management. Guardando avanti, una strategia avanzata di data management implica un cambio del modello organizzativo, capace di trattare il dato non come un ‘sottoprodotto’ delle applicazioni o dei processi aziendali, da ‘ripulire’ e normalizzare a posteriori, ma come un prodotto vero e proprio (Data as a product, DaaP), progettato fin dalla nascita con standard di qualità, documentazione ed altri requisiti tipici.
Quando l’uomo non partecipa al processo decisionale (human-out-of-the-loop) con la sua conoscenza del contesto, responsabilità, capacità di giudizio e di compensare un errore a valle, un dato corrotto generato rapidamente da un processo automatizzato, in assenza di adeguate verifiche di qualità, può compromettere la validità o l’efficacia del processo stesso, dando luogo a decisioni errate e conseguenze potenzialmente catastrofiche.
Ad esempio, in un’applicazione di manutenzione predittiva in cui un sensore malfunzionante per una deriva di calibrazione rileva su un motore elettrico dell’impianto vibrazioni inferiori a quelle reali, tale capacità di compensazione dell’errore dev’essere ingegnerizzata nel processo, traducendola in allarmi di deriva, soglie di anomalia contestuali, regole di validazione automatizzate. Altrimenti, succederà che il modello AI, non identificando anomalie, non attiverà segnalazioni, blocchi di sicurezza o interventi di riparazione o sostituzione. Il motore continuerà a funzionare fino alla rottura strutturale, causando un fermo macchina non programmato, o altre conseguenze e danni.
Dati sintetici: serve un approccio zero-trust anche per la data governance
Sempre in tema di data quality e verificabilità del dato nell’era della AI, un ulteriore fattore aggravante della complessità di gestione del data management è costituito dall’aumento dei cosiddetti dati sintetici. Con dati sintetici si intendono i dataset generati da algoritmi o simulazioni, invece che acquisiti da eventi reali o osservazioni, e utilizzati per il training dei modelli AI quando i dati reali sono scarsi, difficili da reperire, o di natura critica, come i dati sensibili. Il problema è evidentemente tale da richiedere il passaggio, anche nel dominio della data governance, a un paradigma come zero-trust, solitamente applicato all’area disciplinare della cybersecurity.
Stando a quanto prevede Gartner in un documento pubblicato a inizio anno, entro il 2028 il 50% delle organizzazioni adotterà un approccio zero-trust alla data governance, a causa della proliferazione di dati non verificati generati dalla AI.
Applicare il principio zero-trust alla data goverance significa non concedere credibilità implicita a nessun dato, e non usarlo, senza prima averne verificato la provenienza e l’integrità. “Le organizzazioni non possono più fidarsi implicitamente dei dati, né dare per scontato che siano stati creati dall’uomo”, ha spiegato Wan Fui Chan, managing vice president di Gartner, aggiungendo che man mano che i dati generati dall’intelligenza artificiale diventano diffusi e indistinguibili da quelli creati dagli esseri umani “un approccio zero-trust, che preveda misure di autenticazione e verifica, è essenziale per tutelare i risultati aziendali e finanziari”.
Via via che le organizzazioni accelerano l’adozione e gli investimenti in iniziative AI, il volume dei dati AI-generated continuerà ad aumentare. Di conseguenza, le future generazioni di LLM (Large language model) saranno sempre più addestrate sui risultati dei modelli precedenti, aumentando il rischio di model collapse, il collasso del modello, in cui le risposte degli strumenti AI – avverte Gartner – potrebbero non riflettere più accuratamente la realtà. Per far fronte al problema, tutte le organizzazioni dovranno essere in grado di identificare e contrassegnare i dati generati dall’intelligenza artificiale. Il successo dipenderà dalla disponibilità degli strumenti adeguati e di una forza lavoro qualificata nella gestione delle informazioni e delle conoscenze, nonché da soluzioni di gestione dei metadati, che sono indispensabili per la catalogazione dei dati. Le pratiche di gestione attiva dei metadati (active metadata management) diventeranno, secondo Gartner, un fattore chiave di differenziazione, consentendo alle organizzazioni di analizzare, generare avvisi e automatizzare il processo decisionale su tutte le proprie risorse di dati.
In Italia solo il 38% ha un piano per mettere a frutto il valore dei dati
Le sfide tecnologiche e organizzative che lo sviluppo dell’intelligenza artificiale sta ponendo, a livello globale, a chi ha la responsabilità di definire e gestire un piano di data management sono molto impegnative. Ciò fa sì che, nonostante l’urgenza di affrontarle, il mondo imprenditoriale fatichi comunque a tenere il passo. Ad esempio, analizzando la situazione nel mercato del nostro Paese, l’Osservatorio Big Data & Business Analytics del Politecnico di Milano, ribattezzato Osservatorio Data & Decision Intelligence, mette in luce che solo il 38% delle grandi aziende italiane ha definito una chiara strategia di valorizzazione dei dati, e appena il 20% ha nominato un executive alla sua guida, con il ruolo di Chief data officer o Chief data & analytics officer. In aggiunta, nell’area della data science, oltre un quarto delle grandi aziende italiane non ha ancora avviato alcun progetto di advanced analytics.
Questi e altri trend fotografano un settore, quello delle infrastrutture, del software e dei servizi legati alla gestione e analisi dei dati (data management & analytics), in cui, nel 2025, la spesa delle organizzazioni italiane ha registrato una crescita del 20%, raggiungendo un valore di 4,1 miliardi di euro.
All’interno del comparto, la spesa è guidata dalla componente business intelligence & data science (+27%). Quest’ultima include sia nuove applicazioni AI e generative AI (GenAI) in logica progettuale, sia soluzioni di GenAI pronte all’uso e messe a disposizione di un’ampia schiera di dipendenti delle organizzazioni.
In materia di data strategy, per quanto attiene all’architettura dei dati, l’87% delle grandi aziende ha realizzato una data platform, ma sono ancora poche quelle che riescono a governare in maniera completa l’intero ciclo di vita del dato, che è un aspetto nodale per creare valore attraverso le metodologie di intelligenza artificiale.
Nelle Piccole e medie imprese italiane, nel 2025 l’89% svolge attività di analisi dei dati (10 punti in più del 2024), ma in molti casi si tratta di pratiche occasionali, attuate utilizzando fogli elettronici e senza adottare figurare dedicate.
Analizzando questo quadro generale, l’Osservatorio del Politecnico di Milano raccomanda la necessità d’integrare in maniera sinergica le componenti data e AI, l’importanza di migliorare i processi di decision-making, e, al contempo, di implementare piattaforme dati aziendali per diventare aziende AI-ready.
Data management, l’orizzonte tecnologico
Il processo di data management è definibile come una disciplina in continua evoluzione per l’acquisizione, organizzazione, controllo, protezione, storage, elaborazione e valorizzazione del dato lungo il suo completo ciclo di vita. Ma, come anticipato, con l’introduzione dei processi decisionali automatizzati dalla AI, oggi il requisito che tale dato deve possedere è più elevato: non basta che sia corretto e comprensibile per la lettura in un report o in un cruscotto digitale. Serve che sia sempre verificato, contestualizzato e idoneo al training o al potenziamento di un modello AI.
Il data management include inoltre policy e procedure di data governance che definiscono come i dati dovrebbero essere memorizzati e gestiti all’interno di un’azienda per massimizzare l’efficienza operativa, la competitività, e rispettare la conformità con regolamenti e normative di settore. Tutte queste attività e mansioni possono naturalmente essere supportate attraverso un’ampia varietà di tecnologie e strumenti di gestione dei dati: moderne piattaforme di gestione attiva dei metadati, software di data lineage automatizzato, semantic layer (Cube, dbt), unified data platform (Cloudera, Databricks, Snowflake, Google BigQuery, Microsoft Fabric), vector database (Pinecone, Milvus) e quant’altro. Va comunque premesso e chiarito che la sola acquisizione di tecnologia, seppure allo stato dell’arte, da sola non basta alla riuscita di un progetto di gestione dei dati, se prima non si attua la trasformazione del modello organizzativo, ridefinendo processi, team dedicati, ruoli, responsabilità e competenze necessarie.
Software di gestione attiva dei metadati
Seguendo l’orizzonte tecnologico delineato da Gartner, per le organizzazioni con una maturità già consolidata nel data management, nell’inventario e nella qualità del dato di base, una priorità strategica è l’implementazione di pratiche di active metadata management.
Le piattaforme con funzionalità di gestione attiva dei metadati (Atlan, Alation, Collibra) non si limitano ad acquisire e catalogare i metadati, ma ne analizzano l’utilizzo, li aggiornano e arricchiscono automaticamente di continuo in base agli eventi (frequenza di aggiornamento event-driven). Garantendo metadati costantemente aggiornati e contestualizzati, inclusa la tracciabilità della loro origine e delle loro trasformazioni (data lineage), tali funzionalità contribuiscono a ridurre le allucinazioni dei modelli AI, migliorando la qualità e il contesto del dato che il modello utilizza per generare le proprie risposte. Attraverso l’uso di grafi di conoscenza (knowledge graph) e il machine learning (ML), questa tecnologia automatizza la scoperta dei dati, e può rilevare, ad esempio, anomalie statistiche che spesso caratterizzano i dati sintetici, attivando segnalazioni.
Negli attuali ambienti multi-cloud e ibridi, la tecnologia di active metadata management consente inoltre di ridurre i silos informativi, connettendosi tramite API (application programming interface) a molteplici tool e piattaforme, per estrarre le informazioni e creare un layer unificato di metadati per l’intero ecosistema aziendale.
Tra i top trend tecnologici per data and analytics, Gartner identifica l’agentic data streaming. A differenza del tradizionale batch processing (elaborazione in batch), non idoneo a soddisfare requisiti real-time, nell’agentic data streaming gli agenti AI possono intervenire direttamente sui flussi di dati event-driven, eseguendo vari compiti. In architetture event-driven basate su piattaforme come Apache Kafka e motori di stream processing come Apache Flink, gli agenti AI sono in grado di operare sui singoli eventi in tempo reale, arricchendoli di contesto, filtrandoli o adattandone il routing, prima che vengano utilizzati dai sistemi a valle.
La società di ricerche e consulenza Forrester sottolinea la valenza di una moderna streaming data platform, capace di fornire dati aggiornati, completi e attendibili alla velocità della tecnologia digitale. Chiarito che l’active metadata management deve andare, in prospettiva, a costituire l’infrastruttura di osservabilità e governance matura, basata su grafi e machine learning consolidato, l’agentic data management, assieme all’agentic data streaming, rappresenta a sua volta la tecnologia per superare i limiti dei tradizionali processi di data management e razionalizzare le operazioni aziendali. Ciò perché l’uso degli agenti AI per il data management, precisa Gartner, permette di ottimizzare i processi core di gestione dei dati, consentendo di attuare azioni in tempo reale, identificare pattern e fornire indicazioni volte a garantire maggiore agilità e risposte più rapide.