Perché i progetti di IA falliscono e i dati ne sono la vera causa

Oltre l’ottanta per cento dei progetti di IA all’interno delle organizzazioni non raggiunge la fase di produzione. Non si tratta di un insuccesso marginale, ma di un fallimento strutturale di cui nessuno vuole assumersi la responsabilità.

Gli investimenti nell’IA continuano ad aumentare. Vengono stanziati budget, acquistati strumenti e avviati esperimenti. E poi tutto si blocca. Non perché l’IA non funzioni. Non perché la tecnologia sia troppo complessa. Ma perché la maggior parte delle organizzazioni parte dal punto sbagliato: acquista lo strumento prima di aver costruito correttamente le fondamenta su cui esso deve funzionare.

La base è costituita dai dati. E nella maggior parte delle organizzazioni questa base semplicemente non è ancora a posto.

La promessa contro la realtà

Gli strumenti di IA promettono molto. Raccomandazioni personalizzate basate sul comportamento dei clienti. Analisi predittive che individuano gli ordini a rischio di ritardo prima che si verifichino problemi. Report automatizzati pronti ogni mattina senza che nessuno debba intervenire manualmente. Chatbot che rispondono alle domande dei clienti sulla base del tuo catalogo prodotti e della cronologia degli ordini.

Queste promesse sono realistiche, ma solo se i dati sottostanti sono corretti. I modelli di IA vengono addestrati sui dati. Imparano a riconoscere schemi nei dati storici. Effettuano previsioni sulla base dei dati attuali. Forniscono risposte basate sui dati che hanno indicizzato. Ciò che viene inserito determina ciò che ne risulta. Nessun modello di IA è in grado di compensare dati frammentati, incoerenti o obsoleti. Anzi, non fa altro che amplificare gli errori e diffonderli su scala più ampia.

«C'è un malinteso: si pensa che i modelli di IA riescano a cavarsela anche con dati imperfetti, poiché sono abbastanza intelligenti da filtrare il rumore. Ma non è così.»

I modelli di IA sono strumenti statistici: riconoscono schemi ricorrenti nei dati che vengono loro forniti. Se i dati forniti sono disordinati, incompleti o incoerenti, riconosceranno schemi ricorrenti proprio nel disordine che gli si fornisce.

Ciò di cui l’IA ha effettivamente bisogno è quanto segue:

Dati centralizzati: tutte le informazioni rilevanti in un unico posto, non sparse in sistemi separati che non comunicano tra loro.
Definizioni univoche: un unico modo per definire un cliente, un unico modo per calcolare il fatturato, un unico modo per classificare un ordine, applicati in modo coerente su tutte le fonti.
Dati puliti e completi: nessun campo mancante nelle colonne critiche, nessun duplicato, nessuna informazione contraddittoria tra i sistemi.
Profondità storica: una quantità sufficiente di dati storici su cui addestrare il modello, a seconda dell’applicazione, da un minimo di uno a tre anni.
Dati aggiornati: un’infrastruttura che aggiorna i dati con sufficiente frequenza.

Gartner ha previsto che, entro la fine del 2026, le organizzazioni prive di dati pronti per l’IA vedranno fallire oltre il sessanta per cento delle loro iniziative di IA.

Conclusione

La tentazione di lanciarsi nell’IA è forte: perché la concorrenza sta iniziando a utilizzarla, perché se ne discute a livello dirigenziale o perché gli strumenti sono ora disponibili a un costo irrisorio rispetto a quello che sarebbero costati dieci anni fa.

Ma uno strumento di IA basato su dati di scarsa qualità è come una vettura di Formula 1 che corre su un terreno sterrato. Il problema non è il veicolo, ma il circuito.

Le organizzazioni che investono oggi in una solida base di dati – integrazioni, ingegneria dei dati e qualità dei dati – saranno, tra due anni, quelle che riusciranno a trarre il massimo rendimento dall’IA.

La domanda, quindi, non è certo se l’IA sia utile per la tua organizzazione. La domanda è se i tuoi dati siano pronti a dare il massimo rendimento negli strumenti che intendi utilizzare.