perché le grandi aziende non comprendono più i propri dati

Il rischio sottovalutato dell’IA: perché il caos dei dati può costare alle aziende milioni

L’entusiasmo che circonda l’intelligenza artificiale sta cedendo il passo a una realtà ben più cruda per i vertici aziendali. Mentre i modelli linguistici di OpenAI, Google e altri diventano sempre più potenti, il loro utilizzo produttivo nella pratica fallisce spesso a causa di un problema enorme, ma spesso ignorato: il caos dei dati interni. Quando contratti, cronologie di chat, email e fogli di calcolo sono sparsi in modo disorganizzato in innumerevoli silos e dipartimenti, anche gli agenti IA più intelligenti si ritrovano in difficoltà o semplicemente non riescono a ottenere risultati. È proprio in questa vulnerabilità che sta emergendo un mercato in rapida crescita, del valore di miliardi di dollari. Startup specializzate e colossi tecnologici affermati stanno costruendo i cosiddetti livelli di dati semantici: il nuovo sistema operativo centrale per i dati aziendali. Ma questa tecnologia non solo offre enormi vantaggi in termini di efficienza e modelli di pagamento rivoluzionari, bensì cela anche rischi concreti in termini di sicurezza informatica e dipendenza. Questo articolo offre un’analisi approfondita dell’architettura del futuro dell’IA ed esplora cosa significhi questa trasformazione per l’economia, dalle grandi aziende alle medie imprese.

Correlato a questo:

Da un vecchio problema sta emergendo un mercato da un miliardo di dollari

Negli ultimi due anni, il dibattito sull’intelligenza artificiale in ambito aziendale ha subito una svolta radicale. Se inizialmente l’attenzione si concentrava su quale modello linguistico fornisse le risposte migliori, ora un aspetto ben più pragmatico ha assunto un ruolo centrale: la qualità, la tempestività e l’accessibilità dei dati con cui questi modelli dovrebbero operare. Un sondaggio condotto su cento dirigenti senior del settore dati e tecnologia di aziende con un fatturato superiore a due miliardi di dollari e più di cinquemila dipendenti offre un quadro allarmante. Quasi tutti gli intervistati – il 99% per l’esattezza – faticano a definire metriche aziendali coerenti tra i diversi strumenti e reparti. Quasi l’80% dei team di dati dedica più della metà del proprio tempo alla preparazione dei dati anziché all’estrazione di informazioni utili. Questi dati rivelano che l’incoerenza semantica non è più un problema marginale, ma rappresenta il sistema operativo stesso su cui molte grandi aziende si basano ancora.

Una nuova categoria di fornitori si sta inserendo proprio in questo vuoto, posizionandosi come anello di congiunzione tra la realtà frammentata delle aziende e le esigenze dei moderni sistemi di intelligenza artificiale. La loro promessa è quella di consolidare tutte le fonti di dati di un’azienda – dalle email e dai contratti ai sistemi ERP e CRM – in un livello costantemente sincronizzato e con funzionalità di governance. Il successo di questa promessa è evidente nel caso della startup californiana-israeliana-tedesca Unframe, che, a dodici mesi dal suo lancio ufficiale sul mercato, si è assicurata contratti per oltre cento milioni di dollari. L’ultimo round di finanziamento da cinquanta milioni di dollari, guidato da Highland Europe, ha portato il totale dei fondi raccolti a cento milioni di dollari. Tali cifre di crescita sono un segnale notevole di un’esigenza reale, e non solo dichiarata, in un segmento di mercato che esiste solo da pochi anni.

Perché le architetture dati tradizionali ostacolano l’intelligenza artificiale

Per comprendere le implicazioni di questo sviluppo, è utile esaminare la funzione storica dei data warehouse. Per decenni, questi sono stati ottimizzati per un unico scopo: la reportistica retrospettiva. Dati trimestrali, statistiche di vendita, indicatori chiave di performance per il management: tutto ciò poteva essere rappresentato in modo soddisfacente utilizzando database altamente strutturati e aggiornati periodicamente. Tuttavia, l’intelligenza artificiale, in particolare i sistemi basati su agenti progettati per prendere decisioni autonome o attivare azioni, richiede qualcosa di fondamentalmente diverso. Necessita di informazioni operative aggiornate in tempo reale e collegate ai processi aziendali effettivi. Un agente di intelligenza artificiale destinato a supportare una decisione nella catena di approvvigionamento non può lavorare con dati vecchi di tre settimane e preparati esclusivamente per analisi retrospettive.

Questa discrepanza è aggravata da un altro problema strutturale. Le stime delle principali aziende tecnologiche suggeriscono che fino al 90% dei dati aziendali non è strutturato, essendo disperso tra documenti, cronologie di chat, ticket di assistenza, fatture e voci di calendario. Questa enorme quantità di informazioni si trova in gran parte al di fuori dell’ambito dei tradizionali repository di dati basati su fogli di calcolo ed era semplicemente inaccessibile ai tradizionali strumenti di analisi. Senza un livello semantico unificato che rappresenti in modo coerente sia i contenuti strutturati che quelli non strutturati, rimane praticamente impossibile consolidare le informazioni provenienti da fonti diverse e fornirle a un modello di intelligenza artificiale come contesto affidabile.

Un progetto di benchmarking separato, volto a valutare la maturità dei dati per l’IA generativa, giunge a una conclusione strutturalmente simile, seppur con una diversa ponderazione. In questo studio, il 59% dei manager intervistati ha indicato la qualità e la coerenza dei dati come il principale ostacolo all’utilizzo produttivo dell’IA generativa, seguito dalla frammentazione dei dati (50%) e dalle problematiche relative alla sicurezza e alla privacy dei dati (anch’esse al 50%). È inoltre degno di nota che solo il 13% delle aziende che già utilizzano l’IA generativa è in grado di impedire che dati sensibili, come le informazioni sui clienti o sui dipendenti, vengano convogliati senza filtri nei modelli linguistici. Ciò evidenzia una lacuna nella governance che va ben oltre le problematiche di compatibilità tecnica e si estende direttamente all’ambito della protezione dei dati e della responsabilità normativa.

Il modello di business alla base del nuovo livello di dati

Il principio fondamentale perseguito da fornitori come Unframe può essere descritto in quattro fasi funzionali. In primo luogo, sistemi aziendali, applicazioni, repository di dati, file e API vengono connessi alla piattaforma. Successivamente, queste fonti eterogenee vengono trasformate in un unico livello dati con governance abilitata, applicabile all’intera organizzazione. La terza fase prevede la sincronizzazione continua con i sistemi di origine, garantendo che il livello dati non diventi una semplice istantanea obsoleta, ma rifletta invece lo stato reale dell’azienda. Solo nella quarta fase questa base viene utilizzata per alimentare l’intelligenza artificiale, l’analisi e l’automazione, il tutto costruito sulla stessa solida base.

Concettualmente, questo approccio assomiglia a una sorta di gemello digitale dell’organizzazione, ma non principalmente per simulare processi fisici. Serve piuttosto a mappare clienti, prodotti, contratti e transazioni in una rappresentazione coerente. Il vantaggio economico di un modello di questo tipo risiede nel fatto che ogni nuova applicazione di intelligenza artificiale non deve partire da zero per accedere ai dati aziendali rilevanti. Al contrario, ogni applicazione si basa sulla stessa struttura di dati, già elaborata e arricchita. Ciò riduce potenzialmente in modo significativo i costi di ogni successiva iniziativa di intelligenza artificiale, poiché la parte più complessa e spesso sottovalutata di un progetto di IA, ovvero l’integrazione e la pulizia dei dati, deve essere eseguita una sola volta.

Unframe descrive la sua offerta come composta da blocchi modulari e riutilizzabili che possono essere assemblati in soluzioni personalizzate senza richiedere un addestramento separato del modello per ogni caso d’uso. Il cosiddetto Framery funziona come un livello di piattaforma aperto in grado di connettersi a qualsiasi offerta Software-as-a-Service, API, database o formato di file, indipendentemente dal fatto che l’infrastruttura sia gestita nel cloud, on-premise o in un ambiente ibrido. Per le aziende europee, e in particolare tedesche, un altro aspetto è di notevole importanza: la piattaforma opera indipendentemente da qualsiasi fornitore specifico di modelli linguistici, il che significa che non vi è alcun vincolo con un fornitore particolare. Inoltre, viene esplicitamente pubblicizzata la conformità al Regolamento generale sulla protezione dei dati (GDPR) europeo e alla legge UE sull’intelligenza artificiale. I dati, per impostazione predefinita, non dovrebbero uscire dai confini del sistema del cliente a meno che non venga esplicitamente richiesto.

La determinazione dei prezzi in base ai risultati come segnale di fiducia in un mercato diffidente

Un aspetto particolarmente rivelatore della strategia aziendale risiede nel modello di prezzo. A differenza dei tradizionali fornitori di software che addebitano canoni di licenza a prescindere dai benefici effettivi, Unframe si basa su un modello di fatturazione a risultati. I clienti pagano solo quando una soluzione dimostra di funzionare e di produrre risultati concreti. Questa scelta non è affatto casuale, ma piuttosto una risposta diretta al profondo scetticismo presente nei consigli di amministrazione. Come ha dichiarato pubblicamente il co-fondatore dell’azienda, le imprese sono stanche di finanziare soluzioni che falliscono nella stragrande maggioranza dei casi, ed è per questo che richiedono un modello in cui il pagamento avvenga solo in caso di successo effettivo.

Questa osservazione si allinea con l’esperienza più ampia di molte aziende che da anni sperimentano i cosiddetti progetti “proof-of-concept” senza integrarli nei sistemi di produzione. Un considerevole arretrato di casi d’uso promettenti per l’IA, numerosi progetti pilota, eppure quasi nulla di effettivamente utilizzato nelle operazioni quotidiane: questo riassume il punto di partenza per molte aziende che si rivolgono a questa nuova categoria di fornitori. Il nucleo economico di questa promessa risiede nel trasferire il rischio di un progetto fallimentare dal solo cliente ad almeno una parte del rischio del fornitore. Ciò modifica radicalmente la struttura degli incentivi ed è probabilmente una delle ragioni principali delle dinamiche di crescita osservate, in particolare il già citato tasso di fidelizzazione dei ricavi netti del 400%, il che significa che i clienti esistenti hanno quadruplicato la loro spesa media in un anno.

Chi sono i clienti e cosa rivelano sul livello di maturità del mercato

I clienti di riferimento citati delineano un quadro interessante dei vari settori. Tra questi figurano le società immobiliari Cushman & Wakefield e Avison Young, l’azienda di cybersicurezza Armis e la casa editrice svizzera NZZ. Inoltre, vengono riportati casi d’uso per le compagnie aeree, per ottimizzare la pianificazione degli equipaggi, e per i rivenditori, per programmare le promozioni di vendita. Questa distribuzione tra settore immobiliare, media, sicurezza, aviazione e commercio al dettaglio suggerisce che non si tratta di una soluzione di nicchia per un singolo settore, bensì di un problema infrastrutturale trasversale che si manifesta evidentemente in contesti economici molto diversi.

Di particolare interesse è anche la struttura geografica e organizzativa dell’azienda. Con sede centrale a Cupertino, in California, e uffici aggiuntivi a Tel Aviv e Berlino, Unframe incarna una configurazione transatlantica o transcontinentale tipica del settore tecnologico, che combina capitali americani, sviluppo tecnologico israeliano e vicinanza al mercato europeo. Per un’azienda con un focus tedesco, è particolarmente rilevante che il co-fondatore responsabile delle attività operative lavori esplicitamente da Berlino e che l’azienda abbia partecipato ripetutamente a eventi digitali europei come la conferenza Mind the Tech di Berlino. Ciò segnala una precisa focalizzazione strategica sul mercato europeo che, a causa di requisiti più rigorosi in materia di protezione dei dati e di un atteggiamento generalmente più cauto nei confronti del trasferimento incontrollato dei dati aziendali ai fornitori di servizi cloud americani, presenta esigenze diverse rispetto al mercato nordamericano.

Il panorama competitivo e la corsa dei giganti della tecnologia

La tendenza descritta non è affatto limitata alle startup specializzate. Anche le aziende tecnologiche consolidate hanno individuato nel problema della frammentazione dei dati aziendali un’area chiave di crescita. Dell Technologies, insieme a Nvidia, ha sviluppato una piattaforma dati basata sull’intelligenza artificiale il cui obiettivo dichiarato è trasformare decenni di dati aziendali frammentati in informazioni utili. Un dirigente senior del marketing di prodotto di Dell ha giustamente affermato che la soluzione al problema dei dati non deve limitarsi al livello di archiviazione, ma deve comprendere l’intera pipeline, dall’acquisizione e gestione dei dati all’orchestrazione, in modo che i dati raggiungano in modo affidabile la potenza di calcolo dei processori grafici.

IBM, nella sua valutazione delle principali tendenze dei dati per il 2026, ha anche sottolineato che senza una piattaforma convergente che offra un accesso unificato a dati strutturati e non strutturati, le aziende non saranno in grado di implementare analisi e automazione autonoma con la velocità e l’affidabilità necessarie. Questa valutazione, proveniente da una delle più antiche e grandi aziende IT al mondo, evidenzia che non si tratta di un problema di nicchia per i piccoli fornitori, bensì di una sfida strutturale fondamentale identificata come un collo di bottiglia critico per l’intero settore. Significativamente, IBM sottolinea esplicitamente che nessun singolo fornitore può risolvere questo problema da solo, poiché l’integrazione di dati distribuiti e lo sviluppo dell’infrastruttura necessaria per i sistemi di intelligenza artificiale autonomi richiedono un ampio ecosistema di partner e tecnologie.

Questa valutazione getta una luce importante sulle dinamiche competitive reali. Non si sta delineando un mercato in cui un unico vincitore domina l’intera catena del valore, bensì una moltitudine di fornitori con focus diversi, alcuni complementari, altri in competizione tra loro. Fornitori specializzati come K2View si concentrano esplicitamente su architetture dati operative e pronte per la produzione, mentre aziende infrastrutturali come Dell e Nvidia forniscono la capacità di calcolo sottostante e fornitori di piattaforme come Unframe colmano il divario tra i dati grezzi e le applicazioni di intelligenza artificiale implementabili.