Le frodi ai danni dei programmi pubblici sono entrate in una fase completamente nuova. Reti criminali sempre più sofisticate, che fanno leva sull’intelligenza artificiale, stanno erodendo i bilanci e minando la fiducia dei cittadini nelle istituzioni. È una realtà con cui i governi devono ormai confrontarsi apertamente. Ciò che un tempo era un fenomeno prevalentemente opportunistico e frammentato si è trasformato in un’attività organizzata, industrializzata e sempre più transfrontaliera. I truffatori non si limitano più a colpire isolatamente un singolo sistema di sussidi, un’imposta o una procedura di appalto. Al contrario, le reti criminali coordinano attacchi su più programmi, più enti e più giurisdizioni contemporaneamente, sfruttando deliberatamente i silos di dati, le lacune normative e la lentezza dei controlli tradizionali. Secondo SAS, per le amministrazioni fiscali, gli enti previdenziali e i dipartimenti di finanza pubblica, la vera sfida nel 2026 non è più semplicemente individuare la frode ma riconoscere quanto il fenomeno sia cambiato nella sua natura profonda, e adattare di conseguenza modelli operativi, strumenti e forme di collaborazione tra istituzioni.

Da abuso opportunistico a crimine organizzato

I controlli antifrode tradizionali della pubblica amministrazione sono stati concepiti per un’epoca diversa. Partivano dal presupposto che i malintenzionati fossero individui isolati e relativamente poco sofisticati. Questa ipotesi, oggi, non regge più. Le frodi attuali sono spesso coordinate, ripetibili e scalabili. Gruppi organizzati pianificano le proprie operazioni, mettono in comune risorse e si dividono i compiti, replicando frequentemente le tattiche di successo su più programmi e oltre i confini nazionali. Le stesse persone possono comparire contemporaneamente in richieste di sussidi sociali, dichiarazioni fiscali o come fornitori di servizi, ma dietro identità diverse. È l’opportunità strutturale a permettere il persistere di questo coordinamento criminale. Quando una frode attraversa più programmi, enti e giurisdizioni, la sua individuazione dipende dalla capacità dell’amministrazione di collegare tra loro le informazioni. Troppo spesso, però, questi collegamenti restano sepolti all’interno di singoli fascicoli e attività isolate. La frode prospera proprio perché è un’attività lucrativa progettata per restare invisibile. Questo scenario pone le basi per comprendere le grandi tendenze che stanno ridisegnando la frode nel settore pubblico.

I fattori determinanti, dalla frammentazione agli abusi normativi

Nella pubblica amministrazione ogni area di competenza tende a vivere per conto proprio. Il fisco ha i suoi archivi, il welfare i suoi, gli uffici lavoro e quelli degli appalti altri ancora: ciascun comparto costruisce nel tempo un patrimonio informativo notevole, ma quasi mai qualcuno ha accesso a una visione d’insieme che unisca questi mondi. Chi organizza attività fraudolente conosce bene questa debolezza strutturale e la sfrutta apertamente, spostandosi da un programma all’altro proprio perché sa che nessun ufficio, da solo, può accorgersene. Il risultato è che molte frodi vengono alla luce solo a cose fatte: un dipendente che segnala un’anomalia, un controllo interno che fa emergere qualcosa, una verifica contabile condotta dopo l’erogazione dei pagamenti. A quel punto, però, recuperare le somme già versate è spesso impossibile.

Dichiarazioni dei redditi, assegni sociali, bandi di sostegno, contributi straordinari: il numero di pratiche che un ente pubblico deve gestire ogni giorno ha raggiunto livelli mai visti prima. Verificare tutto a mano, applicando le solite regole fisse, è ormai un esercizio fuori scala. Chi si affida ancora a questo modello finisce davanti a una scelta scomoda: alzare l’asticella dei controlli, rassegnandosi a servizi più lenti e a fascicoli investigativi che si accumulano; oppure tenere il passo con la domanda, accettando però che il personale si esaurisca e che le porte restino più aperte agli abusi. Le organizzazioni criminali conoscono bene questo dilemma e ne approfittano, muovendosi con una rapidità che nessuna regola statica riesce a eguagliare. Quando finalmente un funzionario individua uno schema fraudolento, è probabile che quello stesso schema sia già in corso altrove, sotto un’altra giurisdizione o dentro un programma diverso.

Una linea sempre più sottile tra dolo, errore ed errata interpretazione

C’è poi un problema di definizione, prima ancora che di controllo. Sempre più spesso chi froda non ruba apertamente, ma si muove in una zona grigia: interpreta a proprio vantaggio un requisito ambiguo, presenta documenti parzialmente alterati, forza le condizioni di accesso a una prestazione. Distinguere tra un abuso deliberato e un errore commesso in buona fede diventa quindi un compito arduo, che grava soprattutto su chi opera in prima linea, dagli sportelli agli uffici investigativi fino ai revisori. Le domande che ne derivano non sono affatto semplici: quali fascicoli meritano un approfondimento, un’azione legale o una segnalazione formale? Con quali criteri si stabilisce dove concentrare risorse investigative limitate? E come si fa a restare equi verso i cittadini onesti mentre si protegge il denaro pubblico? Continuare ad aggiungere nuovi controlli senza affinare il modo in cui si valuta il rischio, o senza anticipare i segnali d’allarme, significa restare sempre un passo indietro rispetto a chi froda.

Gli stessi strumenti digitali che aiutano le amministrazioni vengono usati anche contro di esse. I dati trapelati da violazioni informatiche diventano materiale per costruire identità false e ottenere prestazioni non dovute; l’intelligenza artificiale generativa permette di produrre documenti e immagini contraffatte a sostegno di richieste fraudolente. D’altro canto, mai come oggi il settore pubblico ha a disposizione tecnologie capaci di ribaltare il rapporto di forza: analisi avanzate dei dati, apprendimento automatico, mappatura delle relazioni tra soggetti, sorveglianza continua dei processi. Per un ente che vuole passare da iniziative isolate contro le frodi a una gestione del rischio estesa a tutta l’organizzazione, la strada passa da tre mosse concrete: mettere in comunicazione i dati oggi sparsi tra programmi ed enti diversi; spostare il baricentro dalle indagini a posteriori all’individuazione anticipata dei rischi; incorporare i controlli antifrode dentro i processi quotidiani, invece di relegarli alle sole attività di audit. Chi riesce in questa transizione ottiene una fotografia condivisa del rischio a livello di intera organizzazione, e la possibilità di intervenire proprio nel momento in cui l’intervento pesa di più.

Per un approfondimento scarica l’ebook dedicato  Gone missing: Can AI save public funds from fraud, waste and abuse?

L'articolo Le frodi su larga scala: le tendenze che il settore pubblico non può più ignorare proviene da Data Manager Online.

Questa però non è più la domanda giusta.

È una delle conclusioni più nette che emergono dalla quinta edizione del report The Modern Marketing Data Stack di Snowflake, costruito sull’analisi di oltre 11.500 clienti attivi e su cinque anni di osservazione continua dell’ecosistema. Nel 2026, le organizzazioni marketing più avanzate non si chiedono quale tool aggiungere allo stack. Si chiedono come fare in modo che l’intelligenza artificiale possa operare nell’organizzazione esistente in modo scalabile, affidabile e responsabile. 

Dall’AI che assiste all’AI che agisce

Negli ultimi due anni, l’adozione dell’AI generativa nel marketing è diventata pervasiva. Ma il cambiamento più rilevante che il report Snowflake ha registrato non riguarda la generazione di contenuti o il supporto all’analisi. Riguarda l’emergere dei primi workflow agentici: sistemi che non assistono su un task singolo, ma disegnano workflow, lanciano azioni e influenzano decisioni.

Scott Brinker, analista di chiefmartec e voce di riferimento del settore, lo ha sintetizzato in modo preciso: “L’AI non ha ridefinito lo stack principalmente sostituendo gli strumenti, ma creando un nuovo control plane al di sopra di essi”. I sistemi esistenti continuano a gestire canali ed esecuzione. Ma l’intelligenza si è spostata a monte, in un layer che assembla il contesto, prende le decisioni, e poi guida l’azione su tutto il resto.

Questo significa che la qualità dello stack non si misura più sulla somma delle funzionalità dei singoli tool, ma dalla capacità di quel layer di controllo governato di operare efficacemente. 

Il tradeoff che la maggior parte degli stack non risolve

C’è una tensione strutturale che emerge con chiarezza dai dati di questa edizione. Le organizzazioni marketing, oggi, sono chiamate a fare due cose contemporaneamente, e in apparente contraddizione: proteggere i dati del cliente, per soddisfare requisiti di privacy, fiducia e compliance, e usare quegli stessi dati ovunque possano creare valore, dalla personalizzazione alla misurazione all’AI.

La maggior parte degli stack affronta un aspetto lasciando l’altro in secondo piano. Architetture costruite su decine di copie dei dati distribuite tra tool diversi creano latenza, frammentazione e gap di governance che diventano insostenibili nel momento in cui entrano in gioco agenti automatizzati. Il problema non è tecnico, è architetturale. E ha conseguenze dirette sulla velocità con cui un’organizzazione può scalare l’AI in modo sicuro. 

La governance non è il freno. È l’infrastruttura.

C’è un malinteso diffuso da correggere. Governance non significa rallentare l’innovazione per soddisfare il team legal. Significa costruire l’architettura che permette agli agenti AI di agire con autonomia, offrendo ai team un modo per muoversi più rapidamente senza perdere il controllo.

Kate Mackie, Chief Marketing Strategy and Operations Officer di EY, lo dice in modo diretto: “Senza dati affidabili e ben gestiti, ogni ambizione nel campo dell’AI si riduce a rumore: lenta, rischiosa e impossibile da scalare. I team che oggi hanno successo sono quelli che stanno modernizzando le proprie data foundation, prima di ogni altra cosa.”

La governance deve essere integrata nei processi di accesso, condivisione e attivazione dei dati, non gestita manualmente a monte tramite policy. Semantiche condivise, identity resolution affidabile, consent enforcement automatizzato: non sono requisiti tecnici astratti. Sono le precondizioni perché un agente possa agire senza doversi chiedere ogni volta se si stanno usando i dati giusti nel modo giusto.

Cosa ci dicono cinque anni di dati

L’arco delle cinque edizioni del report racconta una progressione coerente. Nel 2022 venivano mappate sei categorie, con focus sull’adozione. Oggi le categorie sono molte di più, e per la prima volta la governance degli agenti non-umani emerge come categoria esplicita di rischio e opportunità.

I numeri dell’ecosistema confermano una maturazione, non una frammentazione: l’84% dei vendor presenti nell’edizione precedente sono ritornati anche in questa, e l’86% delle organizzazioni che erano leader nel report dell’anno scorso ha mantenuto la propria posizione. Quattordici vendor hanno mantenuto lo status di leader in tutte e cinque le edizioni, un segnale che la rilevanza duratura richiede molto più che feature aggiornate. Richiede integrazione profonda con la realtà operativa dei clienti. Il 64% dei vendor indicati come “ones to watch” nella prima edizione è oggi riconosciuto come leader: il mercato premia chi dimostra di saper crescere, non chi promette di farlo.     

La scelta da fare adesso

Il prossimo capitolo del marketing data stack non si gioca sul numero di agenti AI che le organizzazioni riescono a distribuire, ma sulla loro affidabilità e sulla capacità di governarli con piena visibilità su ciò che fanno e sul perché.

Il successo delle organizzazioni non risiede necessariamente nell’estrema automazione, ma piuttosto nel costruire un sistema in cui l’AI può agire in maniera affidabile: con i dati giusti, i permessi giusti, il contesto giusto, e la supervisione umana nel momento in cui conta davvero.

Questo è il significato di governing the agentic enterprise. Ed è una scelta architetturale che le organizzazioni marketing stanno facendo adesso, e che determinerà chi sarà in grado di scalare nei prossimi tre anni.

Articolo a cura di Denise Persson, Chief Marketing Officer, Snowflake

L'articolo Il marketing ha smesso di scegliere i tool. Ora governa gli agenti. proviene da Data Manager Online.

Molte organizzazioni pubbliche si trovano oggi in una situazione paradossale: dispongono di più dati e strumenti di intelligenza artificiale che mai, eppure il carico di lavoro del personale non è affatto diminuito. Anzi, in diversi casi è addirittura cresciuto, perché l’IA e gli analytics producono un volume crescente di segnalazioni, insight e raccomandazioni che qualcuno deve comunque leggere, valutare e trasformare in decisioni operative. Questo pone una domanda scomoda ma centrale: si può davvero parlare di efficienza se ogni singolo suggerimento generato dagli algoritmi richiede comunque un intervento manuale? Una volta colti i frutti più facili dell’automazione, la vera sfida diventa un’altra: trasformare gli insight prodotti dagli strumenti analitici in azioni automatizzate, coerenti e verificabili. Per gli enti pubblici, spesso alle prese con budget limitati e organici ridotti, questa trasformazione rappresenta un’opportunità enorme. Diverse indagini di settore indicano che la maggioranza dei dirigenti pubblici guarda all’intelligenza artificiale soprattutto come leva per migliorare l’efficienza e l’efficacia dei processi interni, più che come strumento per altri obiettivi.

Il problema delle decisioni che contano davvero

Molte delle decisioni più delicate della macchina amministrativa, l’idoneità a percepire un sussidio, la conformità fiscale, gli esiti sanitari, la prevenzione delle frodi, la risposta alle emergenze, vengono ancora oggi gestite attraverso processi manuali, sistemi informativi scollegati tra loro o analisi puntuali che non reggono l’urto della realtà quando la pressione aumenta. Nel settore pubblico, semplicemente, non è concesso fallire. Un ente pubblico non può sospendere un servizio, ritirarsi da un ambito di competenza o scegliere di servire solo una parte della popolazione quando la domanda esplode o le condizioni cambiano improvvisamente. Che si tratti di rispondere a una calamità naturale, gestire un picco di richieste di sussidi o elaborare milioni di dichiarazioni fiscali, le amministrazioni devono garantire decisioni su vasta scala mantenendo allo stesso tempo equità, conformità normativa e trasparenza. È proprio in questo spazio che si inserisce il concetto di decision intelligence, ovvero l’insieme di tecnologie e metodologie che permette di automatizzare le decisioni ricorrenti.

Che cos’è, in pratica, la decision intelligence

La decision intelligence unisce diverse tecnologie con l’obiettivo di automatizzare le decisioni di routine. Applicata insieme all’intelligenza artificiale, consente a un’amministrazione di ottimizzare le proprie operazioni automatizzando sia le decisioni standard sia le azioni che ne conseguono. È importante chiarire un equivoco diffuso: non si tratta di sostituire il giudizio umano, bensì di renderlo operativo su scala, incorporando analytics, regole di business e componenti di IA in flussi decisionali ripetibili, capaci di funzionare in modo continuo, di adattarsi ai cambiamenti e di reggere il confronto con il controllo pubblico. In moltissimi processi della pubblica amministrazione, l’intelligenza artificiale è già in grado di generare raccomandazioni, ma restano le persone a doverle esaminare e mettere in pratica. Quando i volumi sono contenuti, questo modello di revisione umana funziona bene. Il problema nasce quando i casi da gestire salgono a decine o centinaia di migliaia: a quel punto lo smistamento e la definizione delle priorità in modo manuale diventano un collo di bottiglia, generando arretrati e ritardi.

In questo scenario si inserisce l’approccio di SAS alla decision intelligence, che combina analytics, intelligenza artificiale, machine learning e regole di business per supportare decisioni operative su larga scala. Soluzioni come SAS Intelligent Decisioning, basato su SAS Viya,  consentono di orchestrare modelli, regole e workflow decisionali, aiutando le organizzazioni a passare dall’analisi all’azione in modo più rapido, coerente e verificabile.

La decision intelligence interviene proprio qui: organizza, prioritizza e instrada automaticamente i casi su larga scala, liberando il personale da compiti ripetitivi affinché possa concentrare le proprie competenze dove producono più valore. Molte amministrazioni utilizzano già gli analytics per identificare rischi, prevedere la domanda o individuare pattern significativi. La domanda successiva, però, resta aperta: cosa succede quando un modello produce un risultato? Chi agisce concretamente su quel risultato? Con quale rapidità? E in base a quali regole? Uno strumento evoluto di decision intelligence risponde proprio a queste domande, fungendo da livello di orchestrazione tra l’analisi dei dati e l’azione concreta. Stabilisce quale modello applicare, quali regole devono governare i risultati, quali soglie fanno scattare un’escalation verso un operatore umano e come i sistemi devono eseguire le decisioni prese. Altrettanto importante è la capacità di questi sistemi di documentare come e perché ogni decisione è stata presa. Questo permette alle amministrazioni di trasformare processi lenti, manuali o incoerenti in flussi automatizzati che continuano comunque a riflettere l’intento delle politiche pubbliche, i vincoli normativi e la supervisione umana necessaria.

Dove la decision intelligence sta già generando valore pubblico

Diversi ambiti della pubblica amministrazione e della sanità pubblica stanno già sperimentando concretamente i benefici di questo approccio. In contesti di grandi call center sanitari pubblici, la decision intelligence orchestra modelli di elaborazione del linguaggio naturale, tecniche di retrieval-augmented generation, regole di business e agenti basati su intelligenza artificiale per classificare e risolvere gli incidenti anche in condizioni di crisi. Automatizzando classificazione, definizione delle priorità e instradamento degli incidenti, le organizzazioni possono ridurre in modo significativo i tempi di risoluzione, migliorare la coerenza degli interventi e scalare le operazioni durante le emergenze.

Le agenzie delle entrate utilizzano la decision intelligence per valutare in tempo reale le dichiarazioni fiscali nel momento stesso in cui vengono presentate. Confrontando i dati inseriti con lo storico, con fonti terze e con le regole normative, le amministrazioni possono fornire indicazioni immediate ai contribuenti, segnalare potenziali errori e assegnare un punteggio di rischio senza ricorrere automaticamente a misure sanzionatorie. Il risultato è una maggiore compliance fiscale spontanea, un uso più efficiente delle risorse investigative e una relazione di fiducia rafforzata tra cittadini e amministrazione fiscale. Nell’ambito dell’integrità dei pagamenti sanitari, la decision intelligence coordina modelli di machine learning, analisi delle reti relazionali e regole di business lungo l’intero ciclo di vita delle richieste di rimborso. Le decisioni su quali richieste bloccare, sottoporre a verifica o liquidare vengono prese in modo trasparente e coerente, permettendo di prevenire pagamenti indebiti prima ancora che i fondi vengano erogati.

I criteri che contano davvero nella scelta di una soluzione

Il software decisionale non è certo una novità nel panorama tecnologico, ma molte piattaforme esistenti faticano ancora a rispondere alle esigenze specifiche del settore pubblico. Nella valutazione di una soluzione di decision intelligence, è opportuno privilegiare le piattaforme capaci di operare su vasta scala e di incorporare la governance già nella progettazione stessa del sistema. Trattandosi di decisioni ad alto impatto, le amministrazioni hanno bisogno di processi spiegabili, verificabili e sottoposti a monitoraggio continuo, nel pieno rispetto delle regole di business e dei vincoli operativi già definiti da normative e politiche pubbliche.

È altrettanto fondamentale che questi strumenti si integrino con le tecnologie agentiche e generative senza però perdere il controllo del processo. Le amministrazioni devono poter automatizzare le decisioni dove è opportuno farlo, mantenendo però un supervisore umano dove la normativa lo richiede. Serve inoltre la flessibilità di adattare i sistemi nel tempo, al mutare delle politiche pubbliche, senza dover ogni volta reingegnerizzare l’intera piattaforma da zero. Per chi guida oggi un ente pubblico, la domanda non è più se gli analytics e l’intelligenza artificiale possano migliorare l’efficienza e l’efficacia dei processi. La vera domanda è come renderli operativi in modo responsabile, su larga scala e sotto una supervisione costante. La decision intelligence rappresenta esattamente questo ponte: trasforma l’analisi dei dati in decisioni affidabili, e le decisioni in risultati trasparenti e verificabili per i cittadini.

L'articolo Dall’analisi all’azione: perché il decision intelligence è decisivo per la pubblica amministrazione proviene da Data Manager Online.

L'articolo SAS potenzia i controlli integrati nella propria piattaforma di data management AI-ready, pensata per operatori di settore e automazione proviene da Data Manager Online.

Nel XVII secolo, il grande scienziato inglese Sir Isaac Newton rivoluzionò la comprensione dell’universo. Tra le sue scoperte più celebri figurano le leggi del moto, la legge di gravità universale e lo studio della composizione della luce. Il suo modello cosmologico rimase il riferimento scientifico dominante per oltre tre secoli, fino a quando, agli inizi del XX secolo, le teorie della relatività di Einstein cambiarono completamente il modo di concepire le relazioni tra spazio, tempo e gravità.

Quando gli fu chiesto come fosse riuscito a compiere scoperte tanto rivoluzionarie, Newton rispose con straordinaria modestia: «Se ho visto più lontano degli altri, è perché sono salito sulle spalle dei giganti». Con questa frase riconosceva che i suoi risultati erano il frutto dell’eredità scientifica dei suoi predecessori, e che nulla di ciò che aveva scoperto sarebbe stato possibile senza le solide basi che essi avevano posto. Oggi, scienziati, governi e grandi imprese stanno investendo risorse finanziarie sempre più ingenti, ma anche tempo e fiducia, nell’intelligenza artificiale per accelerare il cammino della conoscenza in tutti i campi del sapere: dal clima all’energia, dalla salute all’industria. I benefici potenziali dell’AI appaiono quasi illimitati, il che spiega perché gli investimenti globali, secondo le previsioni dei diversi analisti, potrebbero raggiungere 968 miliardi di dollari entro il 2032.

Le radici dell’intelligenza artificiale

L’AI è una tecnologia dirompente: la sua applicazione rivoluzionerà il mercato, offrirà nuovi approcci alla risoluzione dei problemi, migliorerà l’esperienza dei clienti e accelererà i processi decisionali. Molti dei benefici promessi sono realizzabili. Ma per tradurre il suo potenziale in un vero salto di qualità, chi la sviluppa e la utilizza deve riconoscere le sue radici: la gestione dei dati. Come Newton ha potuto guardare più lontano, salendo sulle “spalle dei giganti”, così l’intelligenza artificiale può compiere grandi passi in avanti a condizione di poggiare sulle fondamenta del data management.

Ci sono però segnali che destano preoccupazione. Nella corsa all’adozione dell’AI, molte organizzazioni stanno perdendo di vista questo punto di riferimento, cercando di implementare soluzioni senza un’adeguata attenzione al data management. Secondo molti studi, i progetti di intelligenza artificiale falliscono a causa della scarsa qualità dei dati, della gestione del rischio insufficiente, dei costi fuori controllo e del valore di business non chiaro. È evidente che l’AI non può essere migliore dei dati su cui viene addestrata e che analizza. Per imparare la lezione, purtroppo, vale ancora la vecchia regola: sbagliare.

Come è accaduto molte volte nella storia dell’IT, la consapevolezza che la qualità dei dati è una condizione essenziale del successo arriverà in modo reattivo e non proattivo. La buona notizia è che l’AI riporterà l’attenzione sull’importanza di disporre di dati completi, affidabili e accurati, il che è un vantaggio non solo per l’AI, ma per l’efficienza aziendale in generale.

Il prerequisito della data strategy

Secondo il Data Management Body of Knowledge (DMBOK) della Data Management Association (DAMA), esistono undici discipline principali che abilitano l’AI e ne garantiscono l’efficacia. La data governance assicura che i dati siano ben gestiti, con responsabilità chiare e policy di gestione del rischio, consentendo all’AI di operare entro confini legali, normativi ed etici. La data quality fornisce set di dati affidabili e di alto valore, fondamentali sia per l’addestramento dei modelli sia per le analisi operative. I metadati aggiungono significato e contesto ai dati, migliorando l’accuratezza e l’affidabilità degli algoritmi. Le discipline di data warehousing e business intelligence trasformano i dati strutturati in report e insights fruibili, mentre un efficace master data management permette che i dati di riferimento siano coerenti, puliti e governati. Con l’AI che abbatte i confini tra dati strutturati e non strutturati, la gestione di documenti e contenuti diventa essenziale per sfruttare appieno tutte le fonti informative.

L’integrazione dei dati e l’interoperabilità consentono all’AI di accedere rapidamente a molteplici fonti attraverso pipeline e interfacce efficienti. Allo stesso tempo, la data security protegge i dati e i modelli da usi impropri e attacchi, salvaguardando la privacy e l’integrità delle informazioni. Data storage e operations assicurano archiviazioni scalabili e accessibili, prerequisito per performance e validità dei modelli.

Infine, discipline come data modelling e design definiscono strutture e relazioni tra i dati, mentre la data architecture definisce il framework, costruendo le fondamenta su cui i modelli AI possono funzionare con precisione e affidabilità. In sintesi, l’AI non può eccellere senza un ecosistema di gestione dei dati solido, strutturato e strategicamente governato. La carenza anche in uno solo di questi punti compromette l’intero progetto. Perciò, a livello organizzativo, lo sviluppo della data strategy è il requisito fondamentale che deve procedere di pari passo con la strategia AI.

Il rapporto tra AI e data management

A livello operativo, ciò non significa che l’AI possa essere introdotta solo quando tutte le capacità dati sono perfette. Molte organizzazioni costruiscono l’AI caso per caso, partendo da opportunità o problemi concreti. L’importante è che ogni progetto AI valuti le capacità di data management necessarie e le sviluppi di conseguenza. Per esempio, un progetto che vuole ottenere nuovi insights sul comportamento dei clienti deve considerare la qualità dei dati sui clienti, la governance, i modelli dati e le API che collegano le diverse fonti. In questo modo, rafforzando le fondamenta dati per ogni progetto AI, l’organizzazione nel suo insieme evolve le proprie competenze. Inoltre, l’AI stessa può migliorare il data management: algoritmi intelligenti già oggi aiutano a rilevare e correggere errori, arricchiscono i metadati e automatizzano la gestione dei dati master e la sicurezza. Il rapporto tra AI e data management è di reciproco beneficio. Sebbene l’AI non sia una disciplina di data management in senso stretto, dipende da dati ben gestiti, accurati e affidabili sia per l’addestramento sia per le operazioni.

Nigel Turner

Esperto di Information management e Principal consultant per l’area EMEA di Global Data Strategy, vanta una carriera di primo piano nel settore della gestione dei dati. Con un passato in British Telecommunications (BT), dove ha guidato l’implementazione di soluzioni innovative, Turner ha maturato un’esperienza pluridecennale collaborando con oltre 150 clienti in qualità di consulente esterno. Tra le organizzazioni con cui ha lavorato figurano enti governativi e multinazionali di rilievo, come l’Agenzia per l’Ambiente, British Gas, HSBC e Intel USA. Riconosciuto come uno dei massimi esperti nel campo del Data management, è un relatore apprezzato in conferenze internazionali e membro di lungo corso del comitato britannico della Data Management Association (DAMA).

Calendario 2026 – In primavera Nigel Turner presenterà per Technology Transfer i seminari: “Data Governance: una guida pratica” e “Data Quality: un ‘must’ per il successo del business” che si terranno online live streaming.

L'articolo Sulle spalle dei giganti AI senza data management? Una rivoluzione che rischia di fallire proviene da Data Manager Online.

Non molto tempo fa, mi godevo una piacevole conversazione al sole di inizio primavera con il COO di uno dei miei clienti. Il tema era ancora una volta quello della misurazione della produttività: un argomento che ho affrontato innumerevoli volte con diversi manager negli ultimi trent’anni. «Dovremmo essere in grado di capire chi è bravo e chi non lo è» – rifletteva il COO. «E se contassimo il numero di righe di codice che scrivono»? Vedendo la mia espressione perplessa, aggiunse: «O forse, meglio, quante volte committano? Questo dovrebbe darci un’indicazione chiara della loro produttività, giusto»?

Risposi: «Ci sono alcune cose che dovresti considerare. Prima di tutto, il codice scritto copre solo una piccola parte del tempo effettivamente speso dagli sviluppatori. La maggior parte del tempo viene impiegata per confrontarsi con il business, riflettere e progettare soluzioni. E non dimentichiamoci delle riunioni». Poi aggiunsi: «Sviluppare software non è come giocare a tennis o a scacchi: è uno sport di squadra, come la pallavolo o l’hockey. Come puoi misurare la produttività individuale, se più persone collaborano alla stessa soluzione»?

Scaricare kerosene

Dimenticai, però, di aggiungere che esiste la Legge di Goodhart, che può essere riassunta così: quando una misura diventa un obiettivo, smette di essere una buona misura. Un esempio perfetto per spiegare meglio il concetto, mi è stato raccontato da un amico: qualche anno fa, la Royal Dutch Air Force decise di garantire un numero sufficiente di movimenti di volo nelle proprie basi di addestramento, misurandoli in base alla quantità di kerosene consumato. Più kerosene significava più voli, dunque una base aerea più attiva. Semplice, no? In pratica, però, la metrica portò alcuni reparti a scaricare kerosene invece di volare di più, causando un grave inquinamento del suolo. Nel caso degli sviluppatori, se un’organizzazione misurasse la produttività semplicemente contando i commit e ritenesse più produttivo chi ne fa di più, il risultato sarebbe simile: gli sviluppatori potrebbero frammentare il codice in parti più piccole e inviarle più spesso, solo per far salire il numero. Anche se i commit più frequenti sono in sé un buon segnale, il conteggio in sé non è una buona misura. In breve, gli sviluppatori finirebbero anche loro per “scaricare kerosene”. La vera domanda, quindi, è: si può – e si deve – misurare la produttività nello sviluppo software? E soprattutto: i team possono migliorare grazie alle misurazioni, invece di cadere nella trappola della Legge di Goodhart?

Le metriche DORA

Qui entra in gioco DORA, un insieme di metriche ormai riconosciuto come standard di riferimento nel settore. Sviluppato dal team DevOps Research and Assessment (da cui l’acronimo), DORA si basa su anni di indagini e studi su migliaia di team in tutto il mondo. Le ricerche hanno dimostrato una chiara correlazione tra alte prestazioni nello sviluppo software e migliori risultati di business – tra cui crescita dei ricavi, aumento della quota di mercato e maggiore soddisfazione dei clienti. In altre parole, più un’organizzazione riesce a sviluppare software bilanciando velocità, qualità e stabilità, maggiori saranno i benefici complessivi. Nel mio ruolo attuale di CTO in iBOOD, questo effetto è evidente: quanto più rapidamente e con maggiore efficacia i nostri team sviluppano, tanto più crescono i ricavi, la fidelizzazione dei clienti e la qualità dei processi di business. DORA definisce quattro metriche chiave che distinguono i team ad alte prestazioni dagli altri: 1) la frequenza di deployment, quanto spesso un team rilascia codice in produzione; 2) lead time per le modifiche, in pratica il tempo che intercorre tra un commit e la messa in produzione; 3) il tasso di fallimento dei cambiamenti che indica la percentuale di rilasci che falliscono; e infine il tempo medio di recupero, che descrive la rapidità con cui un team riesce a riprendersi da un problema. Prese insieme, queste metriche mostrano con quanta rapidità, sicurezza e affidabilità i team riescono a consegnare valore agli utenti.

Un caso concreto

Qualche mese fa, il nostro tech board, il gruppo di stakeholder che definisce le priorità per i team tecnologici, decise di testare una nuova funzione di ricerca intelligente per il sito e per l’app. Abbiamo dedicato una settimana e mezza alla sperimentazione e sviluppo, seguiti da alcuni giorni di test con un gruppo ristretto di utenti. La nuova ricerca ha funzionato, e abbiamo scelto di rilasciarla a tutti i clienti. L’impatto sui ricavi è stato immediato, anche se difficile da quantificare con precisione, dato il flusso continuo di nuovi ordini. Le metriche DORA si sono rivelate un’ottima guida. Tuttavia, è importante ricordare che DORA rappresenta solo un punto di partenza – eccellente, ma non è definitivo.

Oltre le metriche

In iBOOD stiamo lavorando a una nuova piattaforma e-commerce su un’architettura micro-everything: l’intero ecosistema, compreso il software rivolto ai clienti, è composto da circa 180 micro-repository, ognuno con la propria pipeline di deployment. Ogni commit viene distribuito automaticamente in produzione se tutti i test automatizzati vengono superati. Attualmente effettuiamo 40–50 commit al giorno, e le nostre pipeline impiegano 10–15 minuti per completare un rilascio.Non tutti i commit sono perfetti: circa il 20-25% contiene piccole imperfezioni. I colleghi le segnalano sul canale Slack #ask-tech, e di solito le correggiamo subito, generando una nuova versione. Abbiamo team altamente performanti: ne sono convinto. Tuttavia, nella nostra fase attuale, DORA non è più la nostra stella polare. Possiamo ancora ottimizzare le pipeline – e lo stiamo facendo – ma ridurre il tempo da 10 a 8 minuti non cambierà in modo significativo la performance complessiva. La domanda diventa quindi: qual è il prossimo passo?

Costruire le cose giuste

Sono convinto che, per team ad alte prestazioni che già sanno costruire le cose nel modo giusto, la vera sfida è imparare a costruire le cose giuste. I nostri team ricevono più richieste di quante possano gestire. La domanda che dobbiamo farci è: il tempo che investiamo genera davvero il massimo valore per l’azienda? Per valutarlo, abbiamo creato un comitato – il tech board – in cui sono rappresentati tutti i principali dipartimenti. Ci riuniamo ogni due settimane. Ogni nuova proposta viene presentata con una breve analisi del suo valore per il business: maggiori ricavi, migliore fidelizzazione, aumento del valore medio dell’ordine, oppure efficienza nei processi.

Per ogni iniziativa ci poniamo quattro domande fondamentali: Ci aiuta ad avvicinarci ai nostri obiettivi strategici? Se la risposta è negativa, non la sviluppiamo. Possiamo davvero realizzarla? Abbiamo competenze, piattaforma e tecnologia adeguate? È abbastanza piccola da essere completata rapidamente? In caso contrario, rischierebbe di bloccare risorse utili altrove. Ci serve davvero adesso? Se no, la etichettiamo come “un giorno, forse”. Questo approccio stimola il confronto e consente di validare il valore di ogni iniziativa rispetto alle altre. In questo modo, i team non solo lavorano bene, ma costruiscono le cose giuste. Oltre al continuo miglioramento delle metriche DORA, questo meccanismo decisionale condiviso ci permette di estrarre il massimo valore possibile dalla nostra tecnologia. Ma è anche ciò che ci consente di gestire una piattaforma e-commerce completa e performante con meno di quindici sviluppatori, senza burocrazia, senza ruoli aggiuntivi, con un’architettura solida e pipeline di deployment completamente automatizzate. Niente Scrum, niente sprint, nessuna misurazione di righe di codice. Solo collaborazione, fiducia e responsabilità condivisa. Perché, dopotutto, sviluppare software è, e sarà sempre, uno sport di squadra.

Sander Hoogendoorn

Consulente indipendente, artigiano del software, architetto, programmatore, coach, speaker, formatore e scrittore. La sua carriera è un percorso ricco di esperienze che lo hanno visto confrontarsi con le pratiche più avanzate dell’ingegneria del software. Ha una profonda conoscenza di Agile, Scrum, Kanban, Continuous Delivery, Agile Requirements, Design Patterns, Domain Driven Design, UML, Software Architecture e Microservices, e una vera passione per la scrittura di codice che rispecchia i più alti standard di qualità e design. Autore di bestseller come “This is Agile” e “Pragmatic Modeling with UML”, ha pubblicato più di 250 articoli tecnici su importanti riviste del settore.

Sander Hoogendoorn presenterà per Technology Transfer il seminario “Progettare, sviluppare e implementare una Microservices Architecture” che si terrà online live streaming il 12 dicembre 2025.

L'articolo Lezioni di produttività software. Scaricare kerosene, ovvero l’arte di fare bene le cose giuste proviene da Data Manager Online.

Qlik, leader globale nell’integrazione e nella qualità dei dati, nelle analytics e nell’intelligenza artificiale, è stata nominata “Leader” nel report IDC MarketScape: Worldwide Business Intelligence and Analytics Platforms 2025 Vendor Assessment (doc #US52034725, luglio 2025).

Secondo l’IDC MarketScape, “le organizzazioni cercano costantemente di diventare “data driven” o di raggiungere una maggiore “decision velocity” per rispondere più rapidamente alle dinamiche interne o di mercato. Questo ha portato a investimenti in soluzioni di Business Intelligence e Analytics (BIA) in grado di facilitare la generazione di insight utili a supportare le decisioni”.

Le aziende scelgono Qlik per ottenere insight affidabili direttamente sul luogo di lavoro. I clienti utilizzano Qlik Cloud Analytics e Qlik Sense per esplorare liberamente i dati, porre domande in linguaggio naturale, generare spiegazioni con GenAI e attivare azioni nelle applicazioni e nei flussi di lavoro. Il motore di analytics di Qlik esegue calcoli ad alta velocità direttamente in memoria, per un’esplorazione dei dati non lineare, mentre API aperte e  SDK permettono ai team di integrare le analytics nelle esperienze web e mobile, nelle app aziendali e nei prodotti destinati ai clienti. Le organizzazioni possono inoltre “isolare” i dati utilizzati dai modelli linguistici di grandi dimensioni in modo che l’assistenza AI rimanga sicura e conforme alle policy.

“I leader chiedono una cosa sola: ridurre la distanza tra una domanda e un’azione. Crediamo che questo riconoscimento rifletta ciò che i nostri clienti fanno ogni giorno con Qlik; applicare un’AI controllata e potenti strumenti di analytics per prendere decisioni sicure in real-time e automatizzare lo step successivo,” ha dichiarato Brendan Grady, General Manager, Analytics, Qlik. “Continueremo a investire nelle funzionalità che più contano per le aziende: dati affidabili, interoperabilità aperta, esplorazione approfondita e un’AI che meriti di essere parte integrante dei flussi di lavoro critici.”

“Qlik offre insight affidabili direttamente negli strumenti che i nostri team utilizzano ogni giorno”, ha dichiarato Mikkel Hecht Hansen, Head of BI di Nordisk Film A/S. “In questo modo, i planner, gli operatori e i product manager possono porre domande in un linguaggio semplice, capire perché viene consigliata una determinata risposta e avviare la fase successiva nello stesso flusso con una governance che il nostro team di sicurezza considera affidabile. Colleghiamo i dati tra diversi cloud, li esploriamo senza ostacoli, integriamo i risultati dove vengono prese le decisioni e automatizziamo il follow-through. È così che rendiamo operativa l’intelligenza artificiale in modo responsabile in tutta l’azienda”.

L’approccio di Qlik risponde alle esigenze delle organizzazioni ovunque si trovino, in ambienti cloud e ibridi. I team possono connettere i dati provenienti dalle principali piattaforme, analizzarli con Qlik analytics engine e Qlik Predict, interagire tramite Qlik Answers e altre funzionalità AI e trasferire i risultati nei sistemi che gestiscono il business. Gli sviluppatori utilizzano le API e la gestione degli eventi di Qlik per integrare analytics e automatizzare le azioni, in modo che le informazioni ottenute portino sempre a risultati misurabili.

Per scoprire come Qlik aiuta le organizzazioni a rendere operative le analytics basate sull’AI e per maggiori dettagli su questo riconoscimento, è possibile consultare lo studio completo IDC MarketScape.

L'articolo Qlik nominata “Leader” nel report IDC MarketScape 2025 proviene da Data Manager Online.

Exprivia S.p.A., Gruppo internazionale specializzato in Information and Communication Technology, si è aggiudicata in qualità di unico contraente la gara d’appalto indetta da Consip per la fornitura alla Pubblica Amministrazione di soluzioni digitali (servizi SaaS di Business Intelligence e gestione dei dati) basati su tecnologia SAP.

Il contratto, del valore complessivo di 10 milioni di euro, ha una durata iniziale di 18 mesi, con possibilità di proroga per ulteriori sei. L’obiettivo è supportare la PA nei processi decisionali attraverso strumenti avanzati di analisi e gestione integrata dei dati, migliorando l’efficienza dei servizi pubblici rivolti a cittadini, pazienti, turisti e imprese

Le soluzioni fornite da Exprivia aiuteranno la Pubblica Amministrazione a trasformare i dati disponibili, spesso frammentati tra uffici e sistemi, in informazioni utili per prendere decisioni più rapide, mirate ed efficaci. Questo consentirà, per esempio, a un ente sanitario di ottimizzare l’organizzazione dei servizi, a un comune di comprendere meglio le esigenze dei cittadini o a un ente turistico di adattare l’offerta ai reali flussi di visitatori.

Alla base del servizio ci sarà un’infrastruttura cloud ad alte prestazioni che utilizza tecnologie SAP, come SAP Datasphere e il database in-memory SAP HANA, che garantiscono l’integrazione sicura dei dati e la possibilità di elaborarli in tempo reale. Le analisi avanzate saranno effettuate tramite SAP Analytics Cloud, permettendo una pianificazione più efficace e una gestione dei servizi pubblici più reattiva e orientata all’esperienza del cittadino.

“Questa gara rappresenta un altro passo importante nel lavoro che stiamo portando avanti con Consip per accompagnare la Pubblica Amministrazione nel suo percorso di trasformazione digitale – commenta Francesco Zoccola, Head of Delivery SAP di Exprivia – È il terzo contratto su cui siamo stati coinvolti negli ultimi mesi, in particolare il secondo con tecnologia SAP, e questo rafforza il valore della nostra proposta. Ogni giorno lavoriamo con enti pubblici e imprese per mettere davvero a frutto il potenziale dei dati, affinché siano d’aiuto per prendere decisioni migliori, pianificare con più efficacia e offrire servizi più vicini ai bisogni reali di persone e territori”

“Oggi, non esiste azienda il cui futuro non sia guidato dai dati. E le organizzazioni del settore pubblico non fanno eccezione avendo l’esigenza di comprendere a fondo i bisogni dei cittadini per offrire servizi più efficaci, personalizzati e tempestivi,” dichiara Enzo Pagliaroli, Direttore Vendite Pubblica Ammnistrazione di SAP Italia. “Le avanzate soluzioni SAP per la gestione dei dati e gli analytics consentono alla pubblica amministrazione di trasformare grandi volumi di dati in informazioni concrete, migliorando i processi decisionali e l’efficienza operativa. In questo modo, è possibile costruire un’amministrazione più trasparente, proattiva e vicina alle persone, capace di anticipare i bisogni della collettività e di migliorare concretamente l’esperienza dei cittadini.”

L'articolo Exprivia porta la BI di SAP nella Pubblica Amministrazione con un nuovo contratto Consip da 10 milioni proviene da Data Manager Online.

Dall’Analisi Predittiva all’AI generativa, dalla Personalizzazione alla Gestione Etica dei Dati.

Il Forum, moderato da Gianni Rusconi – giornalista Data Manager & Il Sole 24 Ore, si aprirà con l’intervento di scenario a cura di Gabriella Pasi, Prof. ordinario del Dipartimento di Informatica, Sistemistica e Comunicazione dell’Università di Milano-Bicocca che ci parlerà di come le tecnologie basate su Intelligenza Artificiale stiano trasformando il modo di gestire i processi decisionali, offrendo la possibilità di incrementare l’efficienza operativa e arricchire l’esperienza del cliente.

Per realizzare appieno il potenziale della sinergia tra dati e AI, è fondamentale garantire conoscenza di potenzialità e limiti delle tecnologie e mantenere equilibrio tra innovazione e governance, rispettando le normative per garantire sicurezza e privacy.

A seguire, si alterneranno sul palco:

Federico Aguggini, Head of AI Transformation, Data Science & Responsible AI, Intesa Sanpaolo

Gianpaolo Vitulano, Data, AA & Ai Solutions and Services Associate Director, Barilla Group

Simona Squaglia, Global Data Scientist Manager, GI Group Holding

Carla Molteni – Data Engineer, Data & AI Governance, CDO – Generali Italia

Giuseppe Guarnuto, Head of Data Governance & Quality, Eni Plenitude

Rocco Michele Lancellotti, Head of Data Science&AI, RCS MediaGroup

Giuseppe Ficara, Global Senior Director, Group Data & AI Officer, Amplifon

Per partecipare all’evento*, registrazione a questo link https://datamanager.events/event/data-ai-forum/

Per agenda e maggiori informazioni: https://datamanager.events/event/data-ai-forum/

* L’iscrizione è gratuita e riservata ad aziende utenti finali e a rappresentanti delle pubbliche amministrazioni. L’iscrizione è soggetta a disponibilità dei posti e si intenderà effettiva solo ad avvenuta conferma da parte della segreteria organizzativa.

L'articolo Data Manager Events presenta il Data&AI Forum proviene da Data Manager Online.

Nel contesto della data economy, le aziende generano enormi quantità di informazioni, ma faticano a trasformarle in vantaggio finanziario. Gli approcci tradizionali alla gestione dei dati spesso non riescono a ottimizzarne il valore, lasciando le aziende sommerse da dati frammentati e poco utilizzati.

La Knowledge governance alimentata dall’AI, come illustrato in un recente whitepaper di Gavroshe e della Data Freedom Foundation, rappresenta un approccio rivoluzionario per trasformare i dati grezzi in asset monetizzabili. Le organizzazioni affrontano quattro grandi sfide legate ai dati. Al primo posto c’è il sovraccarico di dati, il data overload, nel quale la crescita esponenziale dei dati rende difficile la loro gestione, strutturazione ed estrazione di insights significativi. Vi sono poi i sistemi a silos, con fonti di dati disparate che ostacolano la creazione di una visione unificata e attuabile. La terza sfida è quella del valore non realizzato, dove grandi investimenti nella gestione e nell’analisi dei dati spesso non portano a ritorni finanziari misurabili. Infine, i rischi di governance: la conformità normativa è complessa e in continua evoluzione, aumentando l’esposizione a rischi e sanzioni.

Senza un approccio strutturato, queste sfide impediscono alle imprese di sbloccare il reale potenziale finanziario dei propri asset informativi. La Knowledge governance alimentata dall’AI fornisce il quadro necessario per convertire i dati grezzi in conoscenza attuabile e, infine, in successo finanziario.

Il motore della conoscenza

Al centro della Knowledge governance c’è il Cognitive engine, il motore cognitivo, in altre parole, un sistema alimentato dall’intelligenza artificiale progettato per automatizzare, scalare e migliorare i processi di governance. Grazie a tecnologie avanzate – come machine learning, knowledge graph e agenti AI – il Motore cognitivo consente numerose operazioni, come il monitoraggio in tempo reale dei dati e applicazione della conformità; la strutturazione e contestualizzazione automatica dei dati; la prodottizzazione e monetizzazione scalabile degli asset; il miglioramento della sicurezza e della gestione del rischio. Questo sistema trasformativo consente alle aziende di andare oltre la governance tradizionale, abilitando una creazione di conoscenza proattiva e ottimizzazione finanziaria guidata dall’AI.

La Knowledge governance alimentata dall’AI si sviluppa in tre fasi: contestualizzazione, prodottizzazione e monetizzazione. Ogni passaggio è progettato per aumentare sistematicamente il valore finanziario dei dati.

Contestualizzazione

I dati non strutturati e privi di contesto rappresentano più un ostacolo che una risorsa. Ed è proprio qui che l’intelligenza artificiale entra in gioco, offrendo strumenti e metodologie capaci di trasformare il dato grezzo in conoscenza contestualizzata e azionabile. L’AI consente, innanzitutto, di profilare i dati in modo intelligente, identificando pattern ricorrenti e anomalie che sfuggirebbero all’analisi tradizionale. A questo si affianca la creazione di ontologie e knowledge graph, che permettono di collegare in modo coerente punti dati apparentemente disgiunti, costruendo reti informative strutturate. Parallelamente, la generazione automatica di metadati migliora la reperibilità e l’usabilità delle informazioni, rendendo i dati più accessibili e funzionali ai diversi contesti aziendali. Un altro aspetto chiave è la tracciabilità della provenienza dei dati, la cosiddetta data lineage, che garantisce trasparenza e affidabilità lungo tutto il ciclo di vita delle informazioni. L’applicazione di modelli contestuali dinamici, poi, permette di adattare in tempo reale l’interpretazione dei dati in funzione degli scenari di business. L’arricchimento semantico contribuisce ulteriormente a rendere le informazioni più comprensibili e interpretabili, mentre l’armonizzazione guidata dall’AI favorisce l’integrazione trasversale dei dati tra le diverse unità aziendali.

In questo modo, l’intelligenza artificiale non si limita ad analizzare, ma interpreta, collega e valorizza i dati, trasformandoli in un asset strategico al centro delle decisioni aziendali nel nuovo paradigma data-driven.

La #KnowledgeGovernance AI-driven sblocca crescita, ROI e scalabilità by @derek_strauss @techtran
Click To Tweet

Prodottizzazione

Una volta strutturata, la conoscenza può essere trasformata in veri e propri prodotti dati, riutilizzabili e monetizzabili. Tra questi, dashboard operative per insights in tempo reale, modelli di valutazione del rischio per ambiti finanziari e normativi, strumenti di analisi predittiva del comportamento dei clienti, offerte di Data as a Service (DaaS) per partner esterni, API intelligenti per integrare insights nelle applicazioni di business, sistemi decisionali potenziati dall’AI e servizi automatizzati di insight per report dinamici e raccomandazioni strategiche. A rendere possibile tutto ciò concorrono alcune capacità fondamentali: la pulizia e la standardizzazione automatica dei dati, l’integrazione API scalabile per garantire interoperabilità, aggiornamenti dinamici per insights in tempo reale, sistemi auto-apprendenti in grado di evolvere nel tempo e servizi di annotazione e etichettatura con AI che assicurano continuità d’uso e valore nel tempo.

Monetizzazione

Una volta resi produttivi, i dati possono generare valore economico concreto attraverso diverse leve. Sul fronte interno, contribuiscono all’ottimizzazione operativa, alla riduzione dei costi e al miglioramento dell’efficienza. Esternamente, possono essere monetizzati tramite la vendita o la licenza di prodotti dati a clienti, partner o su marketplace specializzati. Modelli a sottoscrizione offrono accesso premium a insights e analisi potenziate dall’AI, mentre i marketplace dei dati abilitano scambi sicuri di asset informativi tra aziende. Inoltre, previsioni finanziarie guidate dall’intelligenza artificiale supportano decisioni strategiche più rapide e informate. In questa fase, le metriche finanziarie chiave includono: i ricavi generati da prodotti dati (vendite, licenze, abbonamenti), il risparmio operativo derivante dall’automazione AI, l’espansione del mercato attraverso offerte scalabili, le previsioni in tempo reale del ROI fornite da modelli AI e le performance di business misurate tramite analisi intelligenti del fatturato generato dai dati.

Governance e sicurezza

Nel momento in cui i dati iniziano a generare valore economico, la governance e la sicurezza diventano decisivi. La Knowledge governance guidata dall’AI permette di garantire il rispetto delle normative – come GDPR, HIPAA o CCPA – attraverso meccanismi di conformità automatizzata. L’intelligenza artificiale consente inoltre una valutazione continua dei rischi e il rilevamento in tempo reale di anomalie, grazie a sistemi proattivi di monitoraggio. I registri immutabili assicurano la tracciabilità e la verificabilità dell’intero ciclo di vita dei dati, mentre soluzioni AI orientate alla privacy permettono di proteggere i dati sensibili, massimizzandone al contempo il valore. Contratti di secure data abilitano la gestione sicura di diritti e proprietà all’interno di ecosistemi di condivisione, e i sistemi AI per il rilevamento delle anomalie aiutano a mitigare tempestivamente le vulnerabilità. Incorporare la governance all’interno del framework AI non solo tutela gli interessi finanziari e reputazionali dell’organizzazione, ma promuove trasparenza, compliance e fiducia nei processi data-driven.

Non perdere i prossimi seminari di @derek_strauss online live-streaming by @techtran – Save the date AI, ML e data management – il 5-6 maggio Smart data protocol – il 26-27 maggio Chief data officer…
Click To Tweet

Vantaggi competitivi data-driven

La Knowledge governance guidata dall’AI non è solo un miglioramento operativo, ma una necessità strategica. Infatti, chi adotta la governance AI massimizza il valore finanziario dei dati, ottimizza l’efficienza operativa e decisionale, garantisce la conformità e la mitigazione dei rischi a lungo termine, stimola l’innovazione basata sull’AI, e rafforza la fiducia dei clienti attraverso l’integrità dei dati. Man mano che lo scenario digitale evolve, la Knowledge governance alimentata dall’AI farà la differenza tra chi guida il cambiamento e chi lo insegue. Adottare questo approccio significa trasformare i dati da semplice costo operativo in asset strategico, capace di generare crescita finanziaria sostenibile e vantaggi competitivi a lungo termine.

Derek Strauss

Figura di spicco nel campo della gestione dei dati e dell’innovazione tecnologica, fondatore, CEO e principal consultant di Gavroshe. Con una carriera ultratrentennale in data management e information resource management, è stato chief data officer per cinque anni in TD Ameritrade, dove ha guidato iniziative strategiche di governance dei dati, analisi avanzata, data architecture e gestione di asset dati aziendali. Strauss ha gestito numerosi programmi nei settori Big Data, advanced analytics, business intelligence, data warehousing e miglioramento della qualità dei dati. Ha ricoperto il ruolo di vice president di DAMA Software, è membro attivo della Roundtable e del Forum dei chief data officer del MIT, e ha fondato la International Society dei CDO. Autore insieme a Inmon e Neushloss del bestseller “DW 2.0 – The architecture for the next generation of data warehousing”, pubblicato nel 2006 da Morgan Kaufman.

Derek Strauss presenterà per Technology Transfer i seminari “Intelligenza artificiale, machine learning e data management” il 5-6 maggio 2025, “Lo smart data protocol: una base affidabile per AI, analitica e il futuro dello scambio dati” il 26-27 maggio 2025 e “Chief data officer master class” il 23-26 giugno 2025. I seminari si terranno online live streaming.

L'articolo Knowledge governance, l’AI trasforma la governance della conoscenza in leva finanziaria proviene da Data Manager Online.