L'intelligenza artificiale non ha bisogno di dati perfetti: l'idea sbagliata che costa anni alle aziende – Sconfiggi il mito della migrazione

La fine della preparazione infinita: come l'intelligenza artificiale sta finalmente offrendo un reale valore aggiunto

L'intelligenza artificiale ha un potenziale enorme, ma nella pratica aziendale spesso degenera in una costosa illusione. Il motivo è tanto semplice quanto fatale: le aziende trasformano inconsapevolmente le loro ambiziose iniziative di intelligenza artificiale in giganteschi progetti di migrazione dei dati ad alta intensità di risorse. L'obiettivo originale di ottenere risultati aziendali rapidi e misurabili si trasforma in una lotta prolungata per un'infrastruttura dati perfetta e un consolidamento senza soluzione di continuità nei data warehouse centrali. Mentre miliardi vengono investiti nella preparazione, due terzi delle aziende rimangono bloccati nella fase pilota e l'effettiva creazione di valore viene vanificata.

Questo articolo spiega perché aderire rigidamente a una strategia "infrastruttura-prima-tutto" porta regolarmente al fallimento e perché una migrazione completa dei dati non è necessariamente necessaria per il successo dell'IA. Delinea un cambio di paradigma tanto necessario: chi pianifica a ritroso partendo da risultati aziendali concreti e si affida all'accesso federato ai dati non deve attendere il completamento di megaprogetti IT che richiedono anni. Scopri come mantenere i dati dove si trovano, fornire all'IA solo il contesto specifico di cui ha bisogno e raggiungere un successo misurabile attraverso "quick win" mirati in tempi molto brevi. È tempo di spostare l'attenzione dalla pura perfezione dei dati alla creazione pragmatica di valore dell'IA.

Correlato a questo:

• UNFRAME.AI: La migrazione dei dati non è mai stata la soluzione. Lo sono stati i risultati dell'intelligenza artificiale.

Uscire dalla trappola dei dati: pensare all'intelligenza artificiale dal punto di vista del risultato

Il principale killer dell'intelligenza artificiale è la migrazione dei dati

I progetti di intelligenza artificiale di solito falliscono non a causa della tecnologia in sé, ma perché degenerano in semplici progetti di infrastruttura IT. Il consolidamento di tutti i dati è erroneamente considerato un requisito obbligatorio.

Pensare dal risultato (reverse engineering)

Invece di chiedersi come preparare tutti i dati per l'intelligenza artificiale, la domanda essenziale è: di quale contesto dati specifico ha bisogno l'intelligenza artificiale qui e ora per fornire un risultato aziendale concreto?

Contesto invece di copia (accesso federato)

L'intelligenza artificiale non ha bisogno dell'intero data warehouse. Tecnologie come l'accesso federato ai dati, la virtualizzazione dei dati e il RAG (Retrieval-Augmented Generation) consentono di conservare i dati nei sistemi sorgente e di assemblarne il contesto solo al momento dell'interrogazione. Questo consente un enorme risparmio di tempo e costi.

Funzionamento parallelo anziché fermo

La migrazione dei dati a lungo termine (processi ETL per reporting, cronologia, ecc.) può e deve continuare. Tuttavia, l'iniziativa di intelligenza artificiale non deve attendere, ma può accedere in parallelo ai dati esistenti e distribuiti.

L'agilità batte il perfezionismo

Tentare di costruire uno schema dati completo è inefficiente. I modelli di contesto orientati al dominio e specifici per caso d'uso (simili all'approccio data mesh) sono decisamente più promettenti.

Il potere delle “vittorie rapide”

Per riconquistare la fiducia, spesso erosa, degli stakeholder, i progetti di intelligenza artificiale devono dimostrare rapidamente un ritorno sull'investimento (ROI). Un caso d'uso iniziale ideale (alta frequenza, base misurabile, dati esistenti) fornisce risultati tangibili entro poche settimane, giustificando così ulteriori investimenti.

Perché le aziende investono miliardi in infrastrutture invece di fornire finalmente valore aggiunto

La trasformazione digitale degli ultimi anni ha prodotto un modello paradossale che interessa tutti i settori. Le aziende investono somme ingenti nell'intelligenza artificiale, ma nella maggior parte dei casi la creazione di valore effettiva è inferiore alle aspettative. Il motivo raramente risiede nella tecnologia in sé. Risiede nel modo in cui le organizzazioni affrontano il percorso verso l'IA. Invece di concentrarsi su risultati aziendali misurabili, le iniziative di IA si trasformano gradualmente in enormi progetti di infrastrutture dati che sviluppano una vita propria e perdono di vista il loro scopo originale. Ciò che è iniziato come un'iniziativa strategica per sfruttare l'IA spesso si conclude con anni di migrazione dei dati senza alcun ritorno sull'investimento visibile.

Secondo le previsioni di Gartner per dicembre 2025, la spesa globale per l'intelligenza artificiale raggiungerà circa 1,8 trilioni di dollari nel 2025 e si prevede che crescerà fino a 4,7 trilioni di dollari entro il 2029. Allo stesso tempo, il McKinsey Global Survey 2025 sullo stato dell'IA mostra che l'88% delle aziende intervistate utilizza già l'IA in almeno una funzione aziendale, ma quasi due terzi sono ancora in fase sperimentale o pilota. Solo circa il 6% delle aziende si qualifica come "AI high performer", dove oltre il 5% dell'EBIT è attribuibile all'IA. Queste cifre illustrano una discrepanza fondamentale tra il denaro investito nell'IA e il valore generato. L'analisi di questa discrepanza rivela un problema strutturale che va ben oltre le questioni tecniche.

Come il progetto infrastrutturale ha inghiottito l'iniziativa dell'IA

La catena logica che conduce le aziende a questa situazione sembra plausibile a prima vista. L'intelligenza artificiale ha bisogno di dati. I dati sono frammentati su numerosi sistemi. Quindi devono essere consolidati. Il consolidamento richiede migrazione. La migrazione richiede trasformazione. La trasformazione richiede governance. La governance richiede programmi di qualità dei dati. Ogni singola decisione in questa catena è ragionevole di per sé. Ma prese insieme, trasformano un'iniziativa di intelligenza artificiale in un programma di infrastruttura dati che impiega anni prima che un singolo risultato di intelligenza artificiale diventi visibile.

Questo fenomeno è sorprendentemente evidente nei dati. Secondo il Data Migration Report 2025 di Caylent, solo il 6% delle aziende intervistate ha dichiarato di aver completato i progetti di migrazione più complessi nei tempi previsti. Quasi la metà degli intervistati ha riscontrato tempi di inattività superiori a cinque ore durante le migrazioni critiche, con conseguenti problemi di customer experience, perdite di fatturato e ritardi operativi. Un'analisi di oltre 500 recensioni aziendali rivela che circa il 73% dei progetti di migrazione dei dati fallisce a causa di una pianificazione inadeguata, lacune nella governance e mancanza di competenze specifiche sulla piattaforma. Sforamenti di tempo, in media del 150%, non sono l'eccezione, ma la regola.

Questi progetti di migrazione sviluppano una dinamica propria. Attirano team dedicati, generano i propri indicatori chiave di prestazione (KPI) e si assicurano sponsor a livello di consiglio di amministrazione, che mettono in gioco la propria reputazione sul completamento del progetto. I casi d'uso originali dell'IA vengono rinviati alla fase successiva, poi al periodo post-migrazione e, infine, scompaiono silenziosamente dalle discussioni di pianificazione. Nessuno pianifica questo risultato. Deriva da mille piccole decisioni, ciascuna giustificabile di per sé, ma che, prese nel loro insieme, si traducono in un'errata allocazione strategica di risorse e attenzione.

Uno scenario tipico illustra il problema. La revisione trimestrale aziendale inizia come negli ultimi due anni. Il team di trasformazione dei dati presenta i suoi progressi. La migrazione è completata al 73%. Le metriche di qualità dei dati sono migliorate in sei domini. L'architettura del data warehouse ha superato l'ultimo audit. Lo sponsor esecutivo annuisce con approvazione ai grafici delle milestone. Poi qualcuno pone la domanda che tutti hanno evitato: quando sarà operativa l'IA? Segue il silenzio. Qualcuno accenna alla fase due. Qualcun altro sottolinea le dipendenze. La tempistica originale, che prometteva insight basati sull'IA entro diciotto mesi, è diventata una nota a piè di pagina in un progetto di infrastruttura dati che ha preso vita propria.

La perdita di miliardi di dollari dei preparativi incompiuti

La dimensione economica di questo problema è significativa. Gartner prevede che entro la fine del 2026, le organizzazioni prive di dati compatibili con l'intelligenza artificiale (IA) vedranno oltre il 60% dei loro progetti di IA fallire e abbandonarsi. La Harvard Business Review stima il tasso di fallimento complessivo per i progetti di IA all'80%, quasi il doppio del tasso di fallimento per i progetti IT che non prevedono l'IA. Secondo un sondaggio del 2025 condotto da S&P Global Market Intelligence, il 42% delle aziende ha abbandonato la maggior parte delle proprie iniziative di IA, un aumento significativo rispetto al solo 17% dell'anno precedente. In media, l'organizzazione ha scartato il 46% delle sue proof of concept di IA prima ancora che raggiungessero la fase di produzione.

Gartner prevede inoltre che almeno il 30% dei progetti di intelligenza artificiale generativa verrà abbandonato dopo la fase di proof of concept a causa della scarsa qualità dei dati, di controlli di rischio inadeguati, di costi crescenti o di un valore aziendale poco chiaro. L'Informatica CDO Insights Survey 2025 identifica chiaramente i maggiori ostacoli al successo dell'intelligenza artificiale: qualità e maturità dei dati (43%), mancanza di maturità tecnica (sempre 43%) e carenza di personale qualificato (35%).

Questi dati evidenziano un malinteso fondamentale diffuso in molte organizzazioni. Il problema non è che i casi d'uso dell'IA stiano fallendo. Il problema è che la migrazione è diventata l'attività stessa, piuttosto che il mezzo per raggiungere un fine. Consolidare tutti i dati in un data warehouse centrale è diventato un fine in sé, mentre il valore aziendale originale passa in secondo piano. Nel frattempo, gli investimenti in dati compatibili con l'IA stanno esplodendo. Gartner prevede che il mercato dei dati di IA crescerà da 134 milioni di dollari nel 2024 a 14,6 miliardi di dollari entro il 2029, con un tasso di crescita annuo composto del 155%. Il denaro scorre, ma sta andando nella direzione sbagliata se il provisioning dei dati viene affrontato come un progetto monolitico e preparatorio piuttosto che come un processo iterativo.

Pensate in termini di risultato, piuttosto che pianificare dal punto di vista dell'infrastruttura

L'approccio alternativo parte da una domanda fondamentalmente diversa. Invece di chiedersi come preparare i dati per l'intelligenza artificiale, ci si dovrebbe chiedere di quale contesto l'intelligenza artificiale abbia bisogno per fornire uno specifico risultato aziendale. Questo capovolgimento di prospettiva modifica l'intera architettura del progetto.

La maggior parte dei casi d'uso dell'IA richiede un contesto da tre a cinque sistemi, non un portafoglio dati completamente migrato. I requisiti di contesto sono specifici. Un'IA per l'analisi dei contratti necessita di contratti, emendamenti, parti e obblighi. Non ha bisogno dell'intero data warehouse. Un'IA per il servizio clienti necessita di cronologie delle interazioni, dati di prodotto e record di gestione dei casi. Non ha bisogno di tutte le tabelle in ogni sistema sorgente.

Il percorso dati minimo richiesto è quasi sempre più ristretto rispetto all'ambito del progetto di migrazione. La migrazione è ottimizzata per ogni possibile query futura. L'intelligenza artificiale necessita del contesto giusto per casi d'uso specifici, nel qui e ora. Questi due requisiti sono fondamentalmente diversi e trattarli come equivalenti è proprio il meccanismo attraverso il quale i progetti infrastrutturali divorano le iniziative di intelligenza artificiale.

Partendo dal risultato dell'IA, spesso si scopre che i dati necessari sono già accessibili. Non è necessario spostarli. Devono essere connessi, organizzati per il caso d'uso e resi disponibili in fase di esecuzione. Una gestione efficace dei dati dell'IA inizia con questa consapevolezza: prima definire il risultato, poi trovare il percorso più semplice per raggiungere il contesto che lo abilita.

Qui scoprirai come la tua azienda può implementare soluzioni di intelligenza artificiale personalizzate in modo rapido, sicuro e senza elevate barriere all'ingresso.

Una piattaforma di intelligenza artificiale gestita è la soluzione completa e senza pensieri per l'intelligenza artificiale. Invece di dover gestire tecnologie complesse, infrastrutture costose e lunghi processi di sviluppo, riceverai una soluzione pronta all'uso, su misura per le tue esigenze, da un partner specializzato, spesso entro pochi giorni.

I principali vantaggi in sintesi:

⚡ Implementazione rapida: dall'idea all'applicazione pronta all'uso in pochi giorni, non mesi. Forniamo soluzioni pratiche che creano un valore aggiunto immediato.

🔒 Massima sicurezza dei dati: i tuoi dati sensibili restano con te. Garantiamo un'elaborazione sicura e conforme alle normative, senza condividere i dati con terze parti.

💸 Nessun rischio finanziario: paghi solo per i risultati. Gli elevati investimenti iniziali in hardware, software o personale vengono completamente eliminati.

🎯 Concentrati sul tuo core business: concentrati su ciò che sai fare meglio. Ci occupiamo dell'intera implementazione tecnica, del funzionamento e della manutenzione della tua soluzione di intelligenza artificiale.

📈 A prova di futuro e scalabile: la tua IA cresce con te. Garantiamo ottimizzazione e scalabilità continue e adattiamo i modelli in modo flessibile alle nuove esigenze.

Maggiori informazioni qui:

• Piattaforma di intelligenza artificiale gestita

L'accesso ai dati federati come modello architettonico alternativo

L'intelligenza artificiale senza migrazione dei dati non è una scorciatoia. È un'architettura diversa che riflette il modo in cui l'intelligenza artificiale funziona effettivamente negli ambienti di produzione. Tre principi fondamentali caratterizzano questo approccio.

In primo luogo, l'accesso federato collega l'intelligenza artificiale ai sistemi sorgente in cui risiedono i dati, senza richiedere una centralizzazione preventiva. I dati del CRM rimangono nel CRM. I documenti rimangono nel repository dei documenti. I dati operativi rimangono nell'ERP. Il livello di intelligenza artificiale può accedere a tutto questo senza attendere la sincronizzazione. L'accesso federato ai dati mantiene i dati nella loro posizione originale, sfrutta le tecniche di virtualizzazione per fornire una vista unificata e consente approfondimenti in tempo reale su richiesta. A differenza del data warehousing, in cui i dati vengono fisicamente trasferiti in una posizione centrale, l'accesso federato elimina i rischi e i costi associati alla duplicazione dei dati e migliora l'efficienza operativa.

In secondo luogo, i modelli di contesto specifici per ogni caso d'uso definiscono le esigenze specifiche di ogni applicazione di intelligenza artificiale. Invece di costruire uno schema universale che tenti di coprire tutto, il sistema definisce le entità, le relazioni e i segnali specifici rilevanti per ogni singolo caso d'uso. Questo principio è in linea con il concetto di architettura data mesh, in cui i team orientati al dominio gestiscono in modo indipendente i rispettivi dati e mantengono standard di governance personalizzati che riflettono specifici requisiti aziendali.

In terzo luogo, l'assemblaggio runtime assembla il contesto al momento della decisione, anziché in anticipo tramite pipeline batch. Quando l'IA deve rispondere a una domanda, compila il contesto pertinente da tutte le fonti, ovunque si trovi. Nessun ritardo di sincronizzazione. Nessuna snapshot obsoleta. Dati aggiornati, assemblati su richiesta. Questo principio ha subito una maturazione tecnologica con la proliferazione della Retrieval Augmented Generation (RAG). Le architetture RAG consentono ai sistemi di IA di recuperare informazioni esterne rilevanti al momento dell'interrogazione e di incorporarle nel contesto, invece di affidarsi esclusivamente a conoscenze pre-addestrate. Entro la metà del 2026, oltre il 66% delle implementazioni di IA generativa aziendale utilizzerà architetture RAG.

L'implementazione pratica di questa architettura è evidente in ambienti aziendali reali. La Federated Machine Learning Library di SAP, ad esempio, sfrutta l'architettura di federazione dei dati di SAP Datasphere per esporre in modo intelligente dati SAP e non SAP per l'apprendimento automatico, senza richiedere replica o spostamento dei dati. Aziende come Downer, uno dei maggiori fornitori di servizi integrati in Australia, hanno implementato una piattaforma federata di dati e intelligenza artificiale che combina agilità decentralizzata con governance centralizzata, consentendo alle unità aziendali di innovare in modo indipendente, condividendo al contempo i dati aziendali in modo fluido e sicuro.

Confronto tra virtualizzazione dei dati ed elaborazione batch

La scelta tra l'accesso federato tramite virtualizzazione dei dati e il consolidamento tradizionale basato su ETL non è binaria, ma piuttosto una questione di allineamento con i requisiti del rispettivo carico di lavoro. La virtualizzazione dei dati offre tempi di risposta più rapidi quando si interrogano dataset più piccoli e distribuiti. Tuttavia, con l'aumento dei volumi di dati e la complessità dei requisiti di trasformazione, l'ETL può essere più efficiente grazie alla sua capacità di elaborare dataset di grandi dimensioni utilizzando regole di trasformazione predefinite.

Il compromesso fondamentale è che la virtualizzazione dei dati sostituisce il consolidamento fisico con l'integrazione logica. Si ottengono dati più aggiornati, poiché le query accedono direttamente ai sistemi sorgente, e si evitano i costi e la complessità di copiare tutti i dati in un unico warehouse. Allo stesso tempo, si diventa dipendenti dalla disponibilità e dalle prestazioni di ciascun sistema sottostante. Per query analitiche complesse, nell'ordine dei petabyte, i warehouse con aggregati precalcolati e storage colonnare superano di almeno dieci volte le prestazioni delle query federate su più reti.

La soluzione intelligente è utilizzare entrambi gli approcci in modo complementare. L'ETL gestisce l'elaborazione di dati storici strutturati per la reportistica e garantisce la coerenza. La virtualizzazione dei dati consente un accesso agile a dati live o distribuiti per query con tempi critici. Quando si integra una nuova fonte dati, la modifica dei flussi di lavoro ETL può richiedere giorni o settimane. La virtualizzazione dei dati consente l'integrazione immediata di fonti dati temporanee o sperimentali. Questo approccio ibrido ottimizza allo stesso modo prestazioni, costi e flessibilità.

Il percorso più breve per ottenere risultati misurabili dall'intelligenza artificiale

La logica economica alla base dell'approccio orientato ai risultati è convincente. La durata media di un progetto di intelligenza artificiale segue uno schema familiare: tre mesi di pianificazione, sei mesi di sviluppo, sei mesi di test, tre mesi di implementazione, per un totale di diciotto mesi fino al ROI. Secondo Gartner, in media solo il 48% dei progetti di intelligenza artificiale raggiunge la fase di produzione e il percorso dal prototipo di intelligenza artificiale alla produzione dura otto mesi. Solo il 35% dei progetti di intelligenza artificiale raggiunge la fase di produzione.

Ma c'è un'altra strada. Secondo uno studio di IDC, il 92% delle implementazioni di intelligenza artificiale di successo genera un ritorno sull'investimento positivo entro dodici mesi. Il 40% delle aziende registra un ritorno positivo entro sei mesi. La chiave sta nello scegliere il giusto caso d'uso iniziale ed evitare preparativi infrastrutturali eccessivamente ambiziosi.

Il quadro per un rapido ritorno sull'investimento in IA si basa su quattro principi. Il primo caso d'uso ideale è caratterizzato da un'elevata frequenza; l'attività in questione viene eseguita quotidianamente o settimanalmente. Ha una base di partenza chiara e le prestazioni attuali possono essere misurate. I dati esistono già e il caso d'uso presenta dipendenze limitate da altri sistemi. Se questi criteri sono soddisfatti, è possibile ottenere risultati misurabili entro poche settimane.

L'impatto di questi rapidi successi va ben oltre l'immediato ritorno finanziario. Un fornitore di telecomunicazioni ha implementato un chatbot basato sull'intelligenza artificiale per le cinque richieste più frequenti dei clienti in materia di fatturazione. Entro 60 giorni, la soluzione ha risolto il 35% delle richieste senza intervento umano, riducendo il tempo medio di risoluzione da 24 ore a 10 minuti e migliorando i punteggi di soddisfazione dei clienti del 22%. Un'azienda manifatturiera di medie dimensioni ha implementato la manutenzione predittiva basata sull'intelligenza artificiale su una linea di produzione critica. Il progetto pilota, durato 45 giorni, ha prodotto una riduzione del 62% dei tempi di inattività non pianificati, 157.000 dollari di perdite di produzione evitate e una riduzione del 28% dei costi di manutenzione. L'assistente AI di Klarna ha risolto due terzi di tutte le richieste di chat dei clienti nel primo mese e ha ridotto il tempo medio di risoluzione da undici minuti a meno di due minuti.

Perché la fiducia degli stakeholder è la valuta più forte

Questi successi rapidi svolgono una funzione che va oltre il semplice risparmio sui costi. Ripristinano la fiducia degli stakeholder, erosa da anni di progetti infrastrutturali senza risultati visibili. I successi rapidi forniscono una prova rapida e tangibile che l'IA crea valore aziendale. Questo rafforza la fiducia dei decisori, riduce la resistenza all'adozione e apre la strada a maggiori investimenti nell'IA.

I successi rapidi creano cicli di feedback positivi che accelerano l'adozione dell'IA. Il successo iniziale genera entusiasmo e risorse per un'implementazione più ampia. L'ampliamento dell'implementazione crea valore aggiunto e apprendimento organizzativo. Questo apprendimento consente applicazioni più sofisticate e maggiori vantaggi. I maggiori vantaggi giustificano maggiori investimenti nelle capacità di IA.

I dati di McKinsey sottolineano questo meccanismo. Le aziende ad alte prestazioni basate sull'intelligenza artificiale (AI) – il 6% delle aziende con un contributo EBIT misurabile derivante dall'AI – hanno una probabilità tre volte maggiore rispetto alle altre di dichiarare che la propria organizzazione intende utilizzare l'AI per un cambiamento trasformativo. Queste aziende hanno una probabilità quasi tre volte maggiore rispetto alle altre di riprogettare radicalmente i flussi di lavoro, e questa riprogettazione intenzionale dei flussi di lavoro dimostra uno dei contributi più significativi al raggiungimento di un impatto aziendale misurabile. Le aziende ad alte prestazioni implementano regolarmente l'AI in più funzioni aziendali rispetto al loro gruppo di pari e hanno una probabilità tre volte maggiore di espandere l'uso di agenti AI.

Funzionamento parallelo invece di dipendenza sequenziale

Il progetto di migrazione non deve essere interrotto. Potrebbe servire a scopi che vanno oltre l'intelligenza artificiale. Reporting normativi, analisi storiche o dashboard esecutive sulla roadmap interna potrebbero effettivamente richiedere dati consolidati. L'investimento nella costruzione di queste fondamenta non è sprecato per questi scopi.

Ma l'intelligenza artificiale non deve attendere il completamento della migrazione. Le due cose possono procedere in parallelo. La migrazione prosegue secondo i propri tempi e per gli scopi previsti. L'intelligenza artificiale fornisce risultati immediati, basandosi sui dati disponibili oggi.

L'approccio pragmatico inizia con l'identificazione di due o tre casi d'uso di intelligenza artificiale che possano generare un valore aziendale misurabile. Segue la mappatura del contesto dati specifico richiesto per ciascun caso d'uso. Quindi, si verifica se tale contesto sia direttamente accessibile senza richiedere la migrazione. Infine, l'intelligenza artificiale viene sperimentata sul percorso dati più stretto possibile.

Questo approccio è in linea con i risultati dell'analista di Gartner Haritha Khandabattu, che descrive un graduale passaggio dall'IA generativa come focus centrale ai fattori abilitanti fondamentali che supportano l'implementazione sostenibile dell'IA, inclusi dati e agenti AI pronti per l'IA. Gli investimenti si stanno spostando da una strategia incentrata sull'infrastruttura a un'architettura incentrata sui dati e sulle capacità. Le organizzazioni che considerano la preparazione dei dati un fattore secondario sono quelle con maggiori probabilità di rimanere tra il 94% che non supera mai la fase pilota.

La riorganizzazione della logica degli investimenti

I dati di spesa di Gartner rivelano un cambiamento radicale nella logica degli investimenti. Sebbene le infrastrutture di intelligenza artificiale rimangano di gran lunga la categoria di spesa più ampia, con 965 miliardi di dollari nel 2025, il loro tasso di crescita è relativamente moderato, pari al 29% annuo. L'accelerazione si sta verificando altrove: i dati di intelligenza artificiale crescono del 155% annuo, la sicurezza informatica dell'intelligenza artificiale del 74% e i modelli di intelligenza artificiale del 68%. Il denaro segue i colli di bottiglia, non i titoli dei giornali.

Nel mercato dei dati basati sull'intelligenza artificiale, i fattori di crescita sono ancora più evidenti. La generazione di dati sintetici cresce a un tasso annuo del 178%, passando da 41 milioni di dollari a 6,8 miliardi di dollari entro il 2029. I set di dati pronti per l'intelligenza artificiale, ovvero dati pre-curati e strutturati per i flussi di lavoro basati sull'intelligenza artificiale, crescono del 136% annuo. Le aziende sono disposte a pagare per scorciatoie di produzione. Questo è un chiaro segnale che il mercato privilegia la rapida disponibilità dei dati rispetto a una migrazione lenta e completa.

Le organizzazioni vincenti, quelle che realmente traggono vantaggio da questa trasformazione, investono nelle capacità che consentono ai sistemi di intelligenza artificiale di funzionare su scala aziendale: preparazione dei dati, governance, integrazione e sicurezza. Invertono i tipici rapporti di spesa, dedicando dal 50 al 70% del loro tempo e budget alla preparazione dei dati, ovvero all'estrazione, alla normalizzazione, ai metadati di governance, ai dashboard di qualità e ai controlli di conservazione. Tuttavia, questa preparazione dei dati non è intesa come un progetto di migrazione monolitico, ma piuttosto come un processo iterativo, basato sui casi d'uso.

Dal perfezionismo dei dati al pragmatismo dell'intelligenza artificiale

Il risultato centrale di questa analisi può essere riassunto in un principio: l'obiettivo non è mai stato un'infrastruttura perfetta. L'obiettivo era ottenere risultati dall'intelligenza artificiale e, fortunatamente, questo non richiede un consolidamento completo dei dati. I team che riconoscono questo smettono di considerare la migrazione come un prerequisito e iniziano a considerare i risultati dell'intelligenza artificiale come la metrica veramente importante.

I dati parlano da soli. L'88% delle aziende utilizza l'intelligenza artificiale, ma solo un terzo ha iniziato a scalarla. Il 73% dei progetti di migrazione fallisce a causa di problemi di implementazione, non della tecnologia in sé. Il 42% delle aziende abbandonerà la maggior parte delle proprie iniziative di intelligenza artificiale entro il 2025. Allo stesso tempo, il 6% più ricco dimostra che la strada per il successo risiede in obiettivi ambiziosi, flussi di lavoro riprogettati e rapida scalabilità, non nel completamento dei progetti di migrazione.

Questo rappresenta un chiaro invito all'azione per CIO e CTO. La questione non è più come consolidare tutti i dati prima di poter implementare l'IA. La questione è quale contesto dati specifico sia necessario per il prossimo caso d'uso dell'IA e come questo contesto possa essere fornito nel modo più rapido ed economico. L'accesso federato, i modelli di contesto specifici per il caso d'uso e l'assemblaggio runtime sono gli strumenti architetturali che consentono questo approccio. Sostituiscono il paradigma della preparazione completa con il paradigma della creazione di valore iterativa.

Le aziende che considerano l'IA non come un beneficiario secondario dei progetti infrastrutturali, ma come una forza trainante che determina i requisiti dei dati, saranno quelle che passeranno più rapidamente dalla fase pilota a quella di scalabilità. Il progetto di migrazione può proseguire, ma l'IA non deve aspettare.

Sarei felice di fungere da tuo consulente personale.

Puoi contattarmi all'indirizzo wolfenstein∂xpert.digital o

Chiamami al numero +49 7348 4088 965 .

LinkedIn