La qualità dei dati è un fattore di successo decisivo per l’IA: ecco perché

I dati hanno sempre rappresentato una risorsa fondamentale per l’attività aziendale, ma con l’intelligenza artificiale la loro qualità si trasforma in un fattore di successo decisivo. Con informazioni incomplete, obsolete o contraddittorie, infatti, calano l’utilità, la fiducia e la scalabilità delle applicazioni di IA.

Com’è la situazione a livello di dati e IA nelle aziende svizzere?

Lo studio Swiss IT condotto nel 2026 da Computerworld evidenzia il teso equilibrio nel mercato svizzero: il 57,1% delle aziende utilizza già l’intelligenza artificiale a livello produttivo in singoli settori, mentre il 32,1% indica la qualità dei dati come il principale ostacolo per i casi d’uso dell’IA. Molte aziende sono già uscite dalla fase di sperimentazione e affrontano ora la sfida della scalabilità, dell’affidabilità e dell’implementazione della governance dei dati e dell’IA.

Per quale motivo l’IA necessita di dati validi?

Ne conseguono modelli imprecisi, definizioni errate delle priorità e basi decisionali compromesse, previsioni errate e risultati lacunosi di processi automatizzati. «La qualità dei modelli dipende dalla qualità dei dati su cui si basano», riassumono gli autori dello studio OT Security in transition, PAC, 2025/26.

L’IA non utilizza solo le conoscenze, ma anche gli errori. In altre parole, dati affidabili rendono l’IA più sicura e ne aumentano l’utilità per l’azienda e la fiducia nelle applicazioni. È questa è la conclusione che emerge anche dal manuale svizzero per l’IA (Das Schweizer KI-Handbuch, 1^a edizione).

Questa correlazione è più difficile da riconoscere nel caso dell’IA generativa. Infatti, la GenAI formula risposte, elabora riassunti, raccomandazioni o produce interi testi che funzionano dal punto di vista linguistico e appaiono immediatamente plausibili anche quando le informazioni alla base non sono di buona qualità. Il personale deve quindi verificare in modo critico questi output: gli assistenti IA non specificano se le risposte fornite si basano su dati aggiornati, corretti e completi.

Come si riconoscono dei dati scadenti?

I dati scadenti sono dati non sufficientemente attendibili per il rispettivo scopo per cui vengono utilizzati. Può trattarsi di informazioni errate, incomplete, obsolete, contraddittorie, duplicate o di difficile accesso oppure il loro significato non è chiaro in un dato contesto aziendale. Facciamo un esempio: per l’elaborazione di un report semplice possono applicarsi requisiti di qualità diversi rispetto ai requisiti posti a un assistente IA che formula raccomandazioni o automatizza processi.

Quali sono le cause di una scarsa qualità dei dati?

La scarsa qualità dei dati è raramente riconducibile a un singolo errore. Spesso le cause risiedono nella frammentazione dei sistemi, nella disomogeneità dei dati di base, nell’assenza di responsabilità definite o in processi di gestione dei dati poco chiari. Se diversi reparti registrano, aggiornano o interpretano i dati in modo diverso, si creano record di dati incoerenti. A ciò si aggiunge il fatto che spesso collaboratrici e collaboratori raccolgono i dati nel lavoro quotidiano per un processo specifico e non nell’ottica di poterli utilizzare successivamente anche per applicazioni di IA.

Quali problemi causa la scarsa qualità dei dati nell’IA?

L’inadeguatezza dei dati si ripercuote direttamente su efficienza, decisioni e fiducia. Vengono prodotti report meno solidi, le analisi perdono di significatività e aumenta il lavoro necessario per rivedere e, soprattutto, per correggere a posteriori i risultati dell’IA. Anziché accelerare i processi, il lavoro si trasferisce dalla stesura alla verifica e alla correzione, risultato chiaramente improduttivo.

Di contro, i vantaggi di una buona qualità dei dati nel lavoro quotidiano sono subito evidenti: le decisioni poggiano su basi più solide, si riducono le correzioni manuali e i dati possono essere riutilizzati per diversi casi d’uso. Una buona qualità dei dati non solo migliora i risultati dell’IA, bensì aumenta anche l’efficienza, la trasparenza e la fiducia nei processi digitali nel loro complesso.

In che modo è possibile individuare precocemente dati di scarsa qualità?

Spesso la qualità scadente dei dati si evidenzia già nelle prime fasi. Un chiaro segnale d’allarme è quando persone esperte non sono d’accordo circa una stessa risposta: la persona A ritiene che un output del sistema sia corretto, la persona B che sia invece errato. Con ogni probabilità ciò dipende non tanto da un problema puramente tecnico, quanto piuttosto da una definizione poco chiara degli obiettivi o conoscenze contraddittorie all’interno dell’azienda.

Altri segnali d’allarme sono la mancanza di determinati valori in campi critici, informazioni duplicate, documenti obsoleti o più versioni con affermazioni differenti. Nel caso specifico delle applicazioni di machine learning o deep learning è importante definire in modo univoco a livello specialistico determinate caratteristiche, ossia punti di dati e attributi, e interpretarle correttamente.

Come si distinguono dei dati validi e quando possono essere considerati idonei per l’IA?

In generale, non serve che i dati siano perfetti. L’essenziale è che siano sufficientemente accurati, completi, aggiornati, coerenti e comprensibili per il rispettivo caso d’uso.

Per le applicazioni di IA, le aziende devono preparare, rendere accessibili e documentare le informazioni rilevanti in modo chiaro affinché il personale specializzato possa utilizzarle in modo comprensibile. Ne fanno parte responsabilità chiare, diritti di accesso oculati, fonti documentate e la comprensione di quale base di dati sia idonea per quale caso d’uso dell’IA. Pertanto, accertandosi della qualità dei dati si contribuisce all’utilizzo responsabile dell’IA.

Breve lista di controllo: quando i dati sono idonei all’IA?

Criteri che i dati devono soddisfare per essere compatibili con le applicazioni di IA. Illustrazione: Swisscom

In che modo le aziende possono migliorare la qualità dei dati per l’IA?

Le aziende devono individuare le informazioni rilevanti per i loro processi più importanti e per i casi d’uso dell’IA, stabilire responsabilità e definire le regole di gestione, accesso e utilizzo. La qualità dei dati non è quindi solo una questione tecnica, bensì è anche un’attività strategica e organizzativa.

Decisiva è l’interazione tra strategia dei dati, governance dei dati e governance dell’IA: Tim Giger, Principal Data & AI Consultant presso Swisscom, riassume così il concetto: «La strategia dei dati definisce lo scopo per cui vanno utilizzati i dati. La governance dei dati indica chi stabilisce quali regole, responsabilità e controlli. Il data management applica tali regole nel lavoro quotidiano a livello tecnico e operativo. E la governance dell’IA assicura che l’intelligenza artificiale venga utilizzata in modo responsabile poggiando su questa base.»

Cos’è una strategia dei dati?

La strategia dei dati risponde innanzitutto alla domanda strategica: quali dati sono particolarmente preziosi per l’azienda, per quali obiettivi aziendali l’organizzazione intende utilizzarli e quali sono le priorità nella creazione di una base di dati solida? Stabilisce pertanto l’orientamento, ad esempio se focalizzarsi in primo luogo sulla clientela, sui dati di processo, sulle conoscenze documentali o sul management reporting.

Altrettanto importante è disporre di una cultura dei dati solida: il personale deve capire il motivo per cui la qualità dei dati è importante e in che modo la gestione dei dati influisce su decisioni, processi e sull’output dell’IA.

Cos’è la governance dei dati?

La governance dei dati, o data governance, definisce regole, responsabilità e processi per la gestione dei dati. Stabilisce chiaramente quali raccolte di dati sono critiche per l’azienda, chi ne è responsabile, quali requisiti di qualità applicare e in che modo tali dati si mantengano reperibili, comprensibili e utilizzabili in modo controllato.

La governance dei dati riunisce tre diversi ambiti: gestione dei dati, IT-Security nonché conformità ed etica. La gestione dei dati, o data management, assicura che le informazioni siano di qualità, aggiornate e fruibili. L’IT-Security protegge tali informazioni da accessi non autorizzati o da perdita. La conformità e l’etica garantiscono che il trattamento dei dati sia corretto sul piano legale, trasparente e responsabile.

Quale ruolo riveste la gestione dei dati?

Mentre la governance dei dati definisce regole, ruoli e responsabilità, la gestione dei dati assicura che tali regole siano messe in atto nell’attività quotidiana. Non si tratta solo di informazioni strutturate in tabelle, banche dati o sistemi, ma anche di contenuti non strutturati presenti in documenti, e-mail, immagini o knowledge base. La GenAI ha messo in evidenza il valore proprio di tali dati non strutturati.

Riassumendo, la gestione dei dati ha acquisito ancor più importanza con l’introduzione dell’IA e si riferisce alla gestione dei dati lungo il loro intero ciclo di vita, dalla registrazione e strutturazione all’aggiornamento, alla garanzia della qualità e alla documentazione fino all’utilizzo regolamentato. Anche il manuale «Schweizer KI-Handbuch 2026» (1^°a edizione) sottolinea che una solida gestione dei dati è un prerequisito indispensabile per evitare output errati dell’IA.

Cos’è la governance dell’IA?

La governance dei dati e la governance dell’IA vengono spesso citate congiuntamente, ma svolgono compiti diversi: la governance dei dati stabilisce i requisiti per la garanzia della qualità dei dati, la governance dell’IA disciplina l’utilizzo responsabile dei sistemi di intelligenza artificiale. Fondamentali sono questioni come: quali applicazioni di IA sono effettivamente consentite? Quando è necessaria una verifica da parte degli umani? E in che modo le aziende possono controllare che i risultati siano affidabili, comprensibili e adeguati? Anche gli aspetti di equità sono importanti: le imprese devono valutare se i dati impiegati per l’addestramento e i dati di utilizzo sono rappresentativi, se possono nascere distorsioni e in che modo individuare e ridurre il rischio di bias.

Anche gli sviluppi normativi rivestono un ruolo importante. Per le imprese che intervengono sul mercato UE può essere rilevante l’EU AI Act, che, sulla scorta di un approccio basato sul rischio, pone requisiti differenti in termini di trasparenza, gestione e tracciabilità in funzione del tipo e dell’ambito di impiego dei sistemi di IA.

Quanta strategia dei dati e quanta governance vanno messe in campo per l’IA?

I principi della strategia dei dati e della governance dei dati si applicano a tutte le aziende. Nel momento in cui si utilizza l’IA, interviene come ulteriore elemento anche la governance dell’IA. La differenza risiede soprattutto nella portata e nella formalizzazione: le PMI possono iniziare con un approccio pragmatico partendo da un numero ridotto di banche dati rilevanti ai fini dell’attività aziendale, responsabilità chiare e semplici regole per la qualità.

Le grandi aziende solitamente necessitano di ruoli più formalizzati, di standard trasversali e di strutture di governance. In settori regolamentati intervengono anche disposizioni specifiche, ad esempio requisiti FINMA nel settore finanziario e assicurativo, disposizioni sulla protezione dei dati e sulla sicurezza delle informazioni nel settore sanitario o requisiti legali in materia di tracciabilità e archiviazione nella pubblica amministrazione.

In generale, si può riassumere che il passo più importante non è creare subito una struttura di governance a 360 gradi, bensì partire dai dati critici per l’azienda e dai casi d’uso dell’IA. Definendo con chiarezza responsabilità, criteri di qualità e regole di utilizzo, si crea una base solida per un’IA efficace.