29 ottobre 2026/Lettura: 7 minAI e ML
Dati pronti per l’AI: aspettare è più rischioso che iniziare
Mi capita regolarmente di avere la stessa conversazione con aziende di settori, dimensioni e aree geografiche diverse. Un dirigente descrive anni di investimenti nell’infrastruttura dati. Un programma di trasformazione è in corso e il team sta svolgendo un lavoro serio. Sono arrivati alla conclusione ragionevole che devono completare la trasformazione prima di poter iniziare a implementare l’AI.
Ecco cosa dico a queste aziende: la trasformazione non sarà mai perfettamente completa. Aspettare che il patrimonio dati sia completo può ritardare il valore che le organizzazioni potrebbero iniziare a dimostrare già oggi.
Nelle aziende globali, il 97% ha iniziative di AI attive, ma solo il 5% afferma che i propri dati sono pronti a supportarle. La maggior parte delle organizzazioni vede in questo divario un motivo per aspettare, mentre quelle stanno prendendo il largo lo considerano il punto di partenza.
Il nuovo ebook Snowflake “Gioca d’anticipo” analizza il principale freno all’enterprise AI: la convinzione che sia necessario aver completato la trasformazione dei dati prima di poter iniziare con l’AI.
Una buona indicazione è diventata una regola sbagliata
Il consiglio di preparare i dati prima di usare l’AI veniva dato quando il mondo era diverso. Quando i dati aziendali risiedevano in silos on-premise con formati di storage proprietari, eseguire l’analisi dei dati su più sistemi significava prima spostare fisicamente i dati in un unico posto. L’iter da seguire era tecnicamente valido: migrare, centralizzare, applicare la governance e poi sviluppare. Ogni fase sbloccava la successiva e, col tempo, nessuno la metteva più in discussione.
Col tempo, le organizzazioni hanno trasformato questo consiglio in una regola più rigida: Non prendere in considerazione l’AI prima di aver dismesso anche l’ultima piattaforma legacy e completato la migrazione. È un’interpretazione errata, ma è quella che ha preso piede.
Non può esistere il “patrimonio dati completo”
Il tuo patrimonio dati non è mai perfettamente completo. Si adottano nuove applicazioni. Le normative cambiano. Si fanno acquisizioni. I modelli AI evolvono. Se aspetti costantemente che le cose siano perfette prima di creare valore, non lo creerai mai.
Il rischio di non fare nulla, in un mercato competitivo, è spesso il rischio più grande. E nei mercati in cui l’AI amplifica il vantaggio operativo, ogni trimestre passato ad aspettare è un trimestre di vantaggio per la concorrenza.
3 modi in cui le organizzazioni si bloccano
Se è sbagliato pensare che la trasformazione debba essere completa prima di partire con l’AI, perché così tante grandi organizzazioni continuano a seguire questo approccio? La maggior parte delle aziende rientra in uno di tre archetipi.
I veterani della trasformazione. Hanno investito anni e capitali significativi nella trasformazione del proprio patrimonio dati. Hanno sentito la proposta del data warehouse, quella del data lake e quella del lakehouse. La proposta dell’AI può sembrare la stessa promessa riconfezionata. Ora si chiede di scegliere tra completare la trasformazione e iniziare con l’AI, ma entrambe le cose si possono fare insieme.
Chi parte da zero. Non ha ancora completato una trasformazione su larga scala e potrebbe sentirsi dire che l’organizzazione è indietro di anni. Questa diagnosi non considera un vantaggio importante: senza lo stesso debito tecnico e gli stessi costi irrecuperabili, i leader possono progettare per il panorama tecnologico di oggi, invece di riprodurre i modelli infrastrutturali del passato.
Il leader a metà mandato. Ha una strategia di AI e un mandato della leadership, ma è in ritardo con la trasformazione e questo blocca l’esecuzione. L’ostacolo sembra tecnico, ma si basa sull’idea che la piattaforma dati debba essere completa prima di poter iniziare con l’AI.
Queste organizzazioni partono da punti diversi, ma affrontano la stessa decisione. Continuare a considerare la trasformazione come prerequisito per l’AI, oppure portare avanti in parallelo l’implementazione dell’AI e la modernizzazione.
Portare avanti entrambi i percorsi contemporaneamente
Supponiamo che tu stia ristrutturando la cucina. Cosa fai se devi cucinare? Crei una cucina provvisoria altrove e continui a vivere in casa mentre i lavori procedono. Lo stesso vale per un’azienda.
Il modello parallelo applica questa logica all’AI. Divide il lavoro in due percorsi che procedono contemporaneamente.
Il percorso 1 è l’implementazione dell’AI. Identifichi un risultato di business dimostrabile in 90 giorni, trovi i dati che lo supportano e inizi a sviluppare. Questi dati sono imperfetti, distribuiti e si trovano nei sistemi in cui si sono sempre trovati. Li governi dove si trovano, utilizzando un unico livello di policy che si applica indipendentemente dal motore che li elabora. I carichi di lavoro di AI funzionano già oggi su questa data foundation.
Il percorso 2 è la modernizzazione. Le migrazioni continuano, i sistemi legacy vengono consolidati e le pipeline vengono migliorate. Questo lavoro procede secondo una propria tempistica, con le proprie milestone. La differenza è che non blocca più l’implementazione dell’AI. Quando una migrazione si completa, si collega con ciò che il percorso 1 ha già sviluppato. Niente viene buttato via e niente deve aspettare.
I due percorsi si influenzano anche a vicenda. Quando i carichi di lavoro di AI sono live su sistemi reali, diventa chiaro quali consolidamenti meritano priorità e quali piattaforme legacy possono aspettare. Modernizzi in ordine di valore dimostrato, con l’evidenza dei casi d’uso di AI in produzione a guidare la roadmap.
Questo estende gli investimenti esistenti. Ogni decisione sulla piattaforma, ogni migrazione e ogni pipeline già sviluppata resta in gioco. Il modello parallelo si basa su ciò che hai già, governato in modo coerente, offrendo risultati fin da subito. In “Gioca d’anticipo” la chiamiamo strategia per bruciare le tappe del vecchio modello sequenziale, senza saltare il lavoro.
Cosa significa essere “abbastanza pronti”
Per iniziare serve meno di quanto creda la maggior parte delle organizzazioni. Per muoversi sono sufficienti queste condizioni:
- Sapere da dove provengono i dati.
- Sapere chi ne è responsabile.
- Poterne governare l’accesso.
- Comprenderne i limiti.
- L’azienda è disposta a prendere decisioni sulla base di quei dati.
La maggior parte delle grandi aziende può raggiungere questa soglia con i dati che già possiede, anche prima che un programma di trasformazione sia completo.
Se sei un agricoltore, misuri il successo dalla quantità e qualità del raccolto, mentre il trattore ti aiuta nel lavoro. Lo stesso principio si applica all’AI. La piattaforma gestisce una parte maggiore dell’infrastruttura, mentre gli esperti di dominio individuano dove l’AI può migliorare decisioni e risultati.
Questo è il cambiamento: usare i dati e le competenze che già hai per dimostrare valore subito, mentre la modernizzazione continua in parallelo.
Il lavoro dell’agricoltore è il raccolto
Una volta chiarite le condizioni di partenza, l’attenzione si sposta sulle persone che sanno dove l’AI può creare valore. Implementare l’AI in azienda richiedeva in precedenza grandi team orizzontali: data engineer per spostare e trasformare i dati, data scientist per sviluppare i modelli, analisti per interpretare i risultati, program manager per coordinarli.
Questo modello sta cambiando perché la piattaforma dati ora gestisce una parte maggiore di ciò che quei team orizzontali facevano manualmente.
L’analogia che mi piace usare è quella dell’agricoltore. Se sei un agricoltore, non ti arrabbi perché è stato inventato il trattore. Il tuo lavoro non è arare il campo; il tuo lavoro è massimizzare il raccolto, e il trattore ti aiuta a farlo.
La stessa filosofia si applica quando si implementa l’AI in modo strategico nella propria azienda. La piattaforma gestisce l’infrastruttura e l’esperto di dominio individua dove applicare l’AI per avere un impatto sul business.
Nel retail, è il buyer a capire l’ottimizzazione degli sconti. Nel settore manifatturiero, è l’operations manager a sapere dove il tempo di inattività costa denaro. Nei servizi finanziari, è l’analista del credito o il compliance officer a comprendere il caso d’uso.
Questo è il cambiamento: usare i dati e le competenze che hai per dimostrare valore subito, mentre la modernizzazione continua in parallelo.
Scarica l’ebook per scoprire i cinque cambiamenti che hanno superato il vecchio modo di operare, il modello parallelo e come funziona nella pratica, e i passaggi per presentare il tuo primo risultato di AI al board.
