Indice

• I dati che la maggior parte delle aziende non usa mai
• La maggior parte dell'AI non raggiunge mai la scala
• I limiti del formare tutti
• Cosa significa davvero "utilizzabile"
• Progettare intorno alla persona

La maggior parte delle organizzazioni ha già più dati di quanti riesca a usare e più strumenti di AI di quanti riesca a gestire. Le dashboard sono state costruite e le pipeline girano ogni notte. Eppure la persona che un martedì mattina ha bisogno di una risposta non riesce a ottenerla senza aprire una richiesta e aspettare giorni per un analista. La complessità non è sparita con l'arrivo della tecnologia. Si è solo avvicinata alle persone che avrebbero dovuto trarne beneficio.

È questo il fallimento silenzioso al centro dell'attuale ondata di AI. La scala avrebbe dovuto risolverlo. Le aziende hanno raccolto più dati e addestrato modelli più grandi, e ciascuna di queste due cose ha funzionato, di per sé. Ciò che la scala non ha risolto è la distanza tra quella capacità e le persone che dovrebbero usarla. I sistemi che costruiamo continuano a chiedere alle persone di ragionare come ingegneri prima di poter ragionare come decisori.

I dati che la maggior parte delle aziende non usa mai

Partiamo dalla materia prima. Da anni gli analisti stimano che la maggior parte dei dati aziendali sia "dark": raccolta e conservata durante le normali operazioni e poi lasciata inutilizzata. Gartner ha reso popolare il termine, paragonando i dark data alla materia oscura perché costituiscono più della metà di ciò che gran parte delle organizzazioni possiede. Il Rethink Data Report di Seagate ha messo un numero su tutto questo, rilevando che solo circa il 32% dei dati disponibili viene effettivamente sfruttato e che circa due terzi restano inattivi. La ricerca di Splunk è andata nella stessa direzione : la maggior parte dei dirigenti intervistati dichiara che oltre la metà dei propri dati è dark e gran parte ammette di faticare a trovarli e a usarli.

Nessuno di questi è un problema di archiviazione. I dati esistono. Sono sottoposti a backup e vengono pagati. Ciò che manca è un modo pratico perché una persona qualunque possa rivolgere loro una domanda e ricevere in cambio qualcosa di utile. Il volume non è mai stato la parte difficile. Lo è l'accesso.

La maggior parte dell'AI non raggiunge mai la scala

Lo stesso schema si ripresenta a un livello più su, nell'AI stessa. L'indagine globale 2025 di McKinsey ha rilevato che l'88% delle organizzazioni usa ormai l'AI in modo regolare in almeno una funzione, in crescita rispetto al 78% dell'anno precedente. Con questo metro, l'adozione è quasi universale. Poi i numeri cambiano. Solo circa un terzo delle organizzazioni dichiara di aver portato l'AI su scala in tutta l'azienda e appena il 39% rileva un qualche impatto sull'EBIT a livello aziendale. La maggior parte delle aziende porta avanti progetti pilota che non arrivano mai alla produzione.

McKinsey è diretta sul perché. Portare l'AI su scala dipende da dati puliti e ben governati e da flussi di lavoro ridisegnati intorno alla tecnologia. Attaccare un modello a un processo rimasto invariato produce una demo, non un risultato. Abbiamo approfondito questi dati in una precedente analisi del report. Il divario tra usare l'AI e ottenerne valore è, in gran parte, un divario di usabilità.

I limiti del formare tutti

C'è una risposta allettante a tutto questo: insegnare a ogni dipendente a lavorare con i dati. I fatti suggeriscono che questa strada porta solo fino a un certo punto. Uno studio di Accenture su oltre 9.000 lavoratori ha rilevato che solo il 21% si sente sicuro delle proprie competenze nell'uso dei dati, e le indagini di Gartner sui chief data officer collocano ripetutamente la scarsa data literacy tra i principali ostacoli a diventare un'organizzazione guidata dai dati.

La formazione aiuta e va portata avanti. Ma pretendere che ogni marketer e ogni responsabile operativo diventi fluente nei linguaggi di query e nei distinguo statistici non è un piano. È un collo di bottiglia travestito da aspirazione. Un sistema utilizzabile si fa carico di quel peso, così che la persona che lo usa non debba farlo.

Cosa significa davvero "utilizzabile"

L'usabilità è facile da dichiarare e difficile da progettare. In pratica si riduce a pochi impegni che orientano ogni decisione.

Incontrare le persone nella loro lingua. Un sistema utilizzabile accoglie una domanda semplice come farebbe un collega, e restituisce una risposta semplice. Il linguaggio naturale è l'interfaccia che quasi tutti già conoscono. Quando qualcuno può scrivere "com'è cambiata la disoccupazione giovanile in Spagna negli ultimi cinque anni" e ricevere una risposta chiara con il grafico già pronto, la complessità è stata assorbita dal sistema anziché dall'utente.

Trasformare l'output in risposte. Un muro di righe non è una risposta. Un sistema utilizzabile fa l'interpretazione, mette in evidenza il dato che conta e lo colloca nel contesto, così che la persona possa prendere una decisione invece di iniziare un secondo lavoro.

Nascondere il meccanismo. Mantenere visibile il ragionamento. Le pipeline e le chiamate ai modelli devono restare invisibili. La logica dietro una risposta no. Un sistema si guadagna la fiducia mostrando da dove arriva un numero e dicendo chiaramente quando non sa, invece di presentare una supposizione sicura di sé.

Rispettare i confini dei dati. Un sistema utilizzabile è onesto sulla propria copertura. Se una domanda va oltre ciò che i dati possono sostenere, lo dice invece di inventare una risposta ordinata. È questa misura a rendere credibili le risposte utili.

Nessuno di questi principi riguarda il rendere l'AI più potente. Riguarda il puntare la potenza esistente verso la persona che ne ha bisogno.

Progettare intorno alla persona

È questo il principio con cui costruiamo in Neodata. Tra video, documenti e dati strutturati, l'obiettivo resta lo stesso. Prendere un sistema davvero complesso e dare alle persone un modo semplice per entrarci.

equa, il nostro assistente in linguaggio naturale per le statistiche europee, ne è un esempio concreto. Eurostat e ISTAT custodiscono un'enorme quantità di dati pubblici sui 27 Paesi dell'UE, e per un non specialista di fretta quasi nulla di tutto ciò è raggiungibile. equa permette a chiunque di porre una domanda in linguaggio semplice e ottenere una risposta con fonte e grafico, senza imparare un solo codice di dataset. La complessità dei dati sottostanti non è stata eliminata. È stata spostata dove le compete, dentro il sistema e lontano da chi pone la domanda.

La fine della complessità dei dati non significa dati più semplici. I dati continueranno a crescere e a diventare più disordinati. Significa che la complessità smette di essere un problema dell'utente. È questo lo standard a cui vale la pena progettare, ed è ciò che separa un'organizzazione che possiede una grande quantità di dati da una che riesce davvero a usarli.

Se stai cercando di ridurre la distanza tra i dati che possiedi e le decisioni che prendi, saremo lieti di parlare di come potrebbe essere un'AI utilizzabile per il tuo team.