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.

Le offerte di lavoro per ruoli legati alla GenAI sono in forte aumento. Non si tratta di un’allucinazione dell’AI: è un segnale reale. Le pipeline LLM richiedono data engineering, orchestrazione, logiche di retrieval, raccolta di metriche, valutazione e instradamento degli agenti. Far partecipare gli sviluppatori a un semplice bootcamp di prompt engineering non li renderà pronti a gestire i problemi reali di operazioni in produzione.

Mary Meeker, figura di riferimento dell’era dot-com, è tornata sulla scena con un report monumentale di 340 pagine dedicato all’intelligenza artificiale. Un’analisi tra le più approfondite finora disponibili sul panorama GenAI, che offre una visione chiara e strutturata delle opportunità emergenti, ma che sorvola sorprendentemente su rischi critici e implicazioni etiche. Mary Meeker sembra suggerire che il capitale da solo possa colmare il divario di talento. Ma, sulla base della mia esperienza nella gestione di team e nella guida di startup tecnologiche, serve un approccio più strategico e completo. Senza competenze specialistiche, anche un ingegnere potrebbe non accorgersi che il calo di performance del proprio chatbot RAG è dovuto a una suddivisione errata dei testi (“chunking”). Un problema tecnico all’apparenza marginale, che si traduce in un’esperienza frustrante per gli utenti.

Nel suo lavoro, Mary Meeker considera l’integrazione dell’AI determinante nella didattica: chi resta indietro rischia l’irrilevanza entro dieci anni. Università e centri di formazione sono avvisati. A mio avviso, la previsione appare un po’ iperbolica e semplicistica, soprattutto se si calcola la lentezza con cui si evolve il sistema educativo tradizionale – realtà che conosco bene in prima persona – avendo insegnato all’università. Sicuramente, sarebbe un grosso errore ignorare l’impatto della GenAI sull’apprendimento degli studenti e la formazione degli insegnanti. Eppure, Mary Meeker sorvola su un punto critico: integrare la GenAI nella didattica presuppone che gli insegnanti la comprendano a fondo, dedicando tempo e risorse. Se a parole può suonare convincente nella pratica è tutt’altra musica: molti docenti sono già sottopagati e privi del supporto necessario per sobbarcarsi un’ulteriore responsabilità di questo peso. Nel suo report, Meeker cita la Stanford University ben 41 volte: pochissime realtà al mondo possono permettersi budget e strutture simili.

Lezioni sull’implementazione

Quando si pensa alla GenAI in produzione, spesso si immaginano innovazioni futuristiche sbalorditive e demo spettacolari. Ma la verità è che le implementazioni di maggior successo sono tutto tranne che appariscenti. Anzi, sono persino noiose, ed è proprio per questo che funzionano. Nel suo report, Mary Meeker cita alcuni casi: Kaiser Permanente impiega scribi AI per supportare diecimila medici nella documentazione delle visite; Waymo gestisce il 27% delle corse taxi a San Francisco con veicoli autonomi; Wayfair utilizza agenti AI per smistare in modo efficiente le richieste di assistenza clienti. Tutti questi esempi sono stabili, controllati e integrati nelle attività core dell’azienda. I veri casi di successo non fanno rumore, ma sono stabili, controllati e integrati nelle attività core dell’azienda· risolvono problemi reali senza rischiare il caos.

La “tecnologia agentica” è l’ultima buzzword dell’intelligenza artificiale, spesso evocata in conferenze e report trimestrali più per colpire gli investitori che per descrivere implementazioni reali. Inutile dire che gli agenti non sono una tecnologia nuova. Come molti colleghi, anche io ho avuto una startup basata sugli agenti durante l’era della bolla dot-com, decenni fa. Purtroppo non riuscimmo a ottenere finanziamenti perché un importante fondo di venture capital californiano decise che eravamo “sulla costa sbagliata” (noi eravamo a New York, non nella Silicon Valley). L’attuale concetto di AI agentica nasce come evoluzione dei modelli di ragionamento, una classe di LLM in grado di scomporre problemi complessi in passaggi gestibili. Questi modelli possono pianificare e descrivere in testo una strategia risolutiva, ma non eseguirla direttamente. Per colmare questo limite, gli LLM utilizzano il cosiddetto function-calling, che consente di attivare codice esterno quando serve passare all’azione. Combinando i modelli di ragionamento con il function-calling, un agente diventa un’astrazione di livello superiore: sistemi esperti in grado di gestire errori, mantenere il contesto conversazionale e orientarsi a obiettivi specifici per svolgere compiti al posto dell’utente.

#GenAI Il talento è il collo di bottiglia, non i token dei prompt @frankgreco by @techtran
Click To Tweet

Sulla carta suona benissimo. In alcuni casi semplici, dove i compiti sono ben definiti e il rischio è basso, gli agenti dimostrano di funzionare piuttosto bene in produzione, generalmente in applicazioni interne. Mary Meeker nel suo lavoro afferma che stiamo entrando in una nuova era di “infrastruttura azionabile” grazie agli agenti. Peccato che molte aziende dispongano già da tempo di sistemi capaci non solo di elaborare informazioni, ma anche di avviare azioni autonome (actionable infrastructure).

In passato, sono stato consulente tecnologico per diverse banche d’investimento. Tutte utilizzano da decenni sistemi di messaggistica aziendale (Tibco, JMS, Kafka, Aeron, Chronicle…). Per esempio, un messaggio generato come trigger deterministico da un algoritmo di trading può avviare un’azione di acquisto o vendita su un server in millisecondi. L’unica novità è che oggi il trigger non è più generato da un algoritmo deterministico, ma da un modello linguistico, con un approccio probabilistico e meno prevedibile.

Nonostante l’entusiasmo di Mary Meeker, la verità è un’altra: la maggior parte degli “agenti autonomi” crolla davanti alla complessità del mondo reale. Ecco cosa accade in produzione: le context window si saturano, mandando in confusione i modelli; i limiti di token vengono superati con facilità; le chiamate agli strumenti si trasformano in un caos di orchestrazioni; i modelli di ragionamento allucinano più spesso di quanto si ammetta; la spiegabilità cala drasticamente, rendendo il debug un incubo. E come se non bastasse, quando si scala, emergono gravi problemi di sicurezza.

Governance e policy

Sorprendentemente, Mary Meeker sembra sorvolare sul lato oscuro della GenAI: nel suo report si trovano pochissimi riferimenti a bias, disinformazione o rischi per la sicurezza. La sua visione resta saldamente market-optimistic, dando quasi per scontato che l’innovazione finirà per correre più veloce della regolamentazione. Lo sviluppo della GenAI supera la capacità di governo della maggior parte delle organizzazioni: un aspetto che nessun manager può permettersi di ignorare.

Eppure, molti leader hanno avviato progetti pilota e primi deployment di AI, per poi accorgersi che le policy aziendali per un utilizzo etico, conforme e responsabile sono quasi inesistenti. Questo rappresenta un rischio strategico significativo. Senza una governance trasparente ed efficace, le iniziative basate sull’AI rischiano di generare più esposizione che valore, specialmente in applicazioni esterne o in decisioni aziendali critiche.

Come le banche d’investimento, storicamente attente alla gestione del rischio, valutano ogni decisione finanziaria e strategica in base all’impatto potenziale sul portafoglio e sull’azienda, così le aziende devono oggi valutare attentamente i rischi operativi, legali e reputazionali legati agli LLM. Questi sistemi, essendo probabilistici e non deterministici, sono intrinsecamente soggetti a errori e “allucinazioni”, che possono avere conseguenze rilevanti se non gestite con attenzione.

Non perdere il prossimo seminari di Frank Greco online live-streaming by @techtran – Save the date 14-15 ottobre 2025: L’Intelligenza Artificiale per l’impresa moderna 16-17 ottobre 2025: Introduzione all’AI…
Click To Tweet

La saggezza batte l’intelligenza

La GenAI è uno strumento potente, con un potenziale enorme. Nessuno mette in dubbio questo fatto. La pressione competitiva spinge le aziende a muoversi rapidamente. Ma, esistono limiti che sarebbe meglio tenere in considerazione: gli LLM, essendo modelli probabilistici e non deterministici, sono soggetti a frequenti allucinazioni. I meccanismi di governance attuali sono fragili o inesistenti. Mentre ciò che genera valore reale per il business non è mai semplice da individuare. È facile lasciarsi travolgere dall’hype di vendor e media. Pazienza e buon senso rimangono qualità che non dovrebbero fare difetto ai manager chiamati a decidere.

Frank Greco

Punto di riferimento internazionale nel campo dell’AI e del ML, del cloud/mobile computing e della comprensione del valore aziendale dell’IT. Formatore e manager, ma anche prolifico scrittore con numerose pubblicazioni all’attivo. Imprenditore innovativo e pensatore strategico con forti capacità di leadership e team leader, il suo background spazia da Google a una lunga lista di startup tecnologiche. Oratore di grande esperienza, per il suo contributo alla comunità Java, è stato insignito del titolo di “Java Champion”. Coautore della specifica JSR381 Visual Recognition, l’API standard di integrazione del ML per sviluppatori Java, attualmente è presidente del NYJavaSIG, il più grande gruppo di utenti Java del Nord America.

Frank Greco presenterà per Technology Transfer “L’Intelligenza Artificiale per l’impresa moderna” il 14-15 ottobre 2025, e “Introduzione all’Intelligenza Artificiale Generativa per Sviluppatori Java” il 16-17 ottobre 2025. I seminari si terranno online Live Streaming

L'articolo GenAI oltre le promesse. Quello che le previsioni market-driven non dicono proviene da Data Manager Online.

Chi non vive in una grotta sa sicuramente che l’intelligenza artificiale generativa, la GenAI, si è evoluta da semplice chatbot creativo a priorità strategica per i vertici aziendali. Strumenti come ChatGPT di OpenAI, Gemini di Google, Claude di Anthropic e DeepSeek R1 sono ormai diventati elementi culturali di riferimento a livello globale. Il CEO Study 2025 realizzato da IBM Institute for Business Value rileva che il 64% degli amministratori delegati ammette di essere spinto a investire in nuove tecnologie più per il timore di restare indietro che per una reale comprensione del valore che possono generare per l’organizzazione. Questo è particolarmente vero per l’AI, ambito in cui ho riscontrato che molti manager fraintendono o trascurano il cambiamento fondamentale introdotto dalla GenAI, in particolare il suo comportamento non deterministico rispetto all’IT tradizionale. Sebbene sia normale che un manager esperto includa nel proprio portafoglio decisionale anche scelte ad alto rischio, questo livello di adozione cieca è insolitamente elevato.

Come accade con la maggior parte delle tecnologie “disrupting”, spesso l’adozione sopravanza la strategia. E la spesa in infrastrutture tende a superare di gran lunga i ritorni effettivi. Nel mio ruolo di consulente e advisor in ambito AI, sento regolarmente i manager chiedersi sempre come trasformare la GenAI e i Large Language Model (LLM) in valore concreto per il business. Mary Meeker, storica esperta del web dell’era dot-com, è recentemente tornata alla ribalta con un report monumentale di 340 pagine sull’AI, che rappresenta una delle analisi più complete finora pubblicate sul panorama della GenAI, anche se sorprendentemente sorvola su alcuni rischi e svantaggi significativi.

Adozione, infrastruttura e competizione

ChatGPT ha raggiunto 800 milioni di utenti attivi settimanali in soli 17 mesi. Si tratta di un tasso di crescita più rapido rispetto a quello degli smartphone o dei social media. Sebbene non sia del tutto corretto confrontare le curve di adozione tra epoche diverse, visto che le infrastrutture tecnologiche di oggi sono ancora più avanzate, questo mette comunque in evidenza un punto importante: una rapida adozione non si traduce automaticamente in valore di business.

I grafici di Mary Meeker enfatizzano l’enorme “superficie” di utilizzo della GenAI, ma, a mio avviso, la maggior parte di questo utilizzo riflette sperimentazioni personali più che un impiego stabile e in produzione a livello aziendale. Tuttavia, molti team e i loro CFO stanno iniziando a equiparare l’attività sui chatbot (misurata in token di testo, che di fatto corrispondono più o meno a una parola) al ritorno sull’investimento. Se le dashboard della GenAI mostrano enormi volumi di prompt, mentre i ricavi, l’efficienza o la soddisfazione dei clienti rimangono invariati, forse si sta misurando la cosa sbagliata: il volume non equivale a valore per l’azienda. L’opportunità della GenAI per le imprese non consiste nel cercare di replicare la curva di crescita di ChatGPT, Gemini, Llama o Claude. Consiste nell’identificare casi d’uso concreti in cui l’AI supporti i team, acceleri il processo decisionale o automatizzi attività che migliorino il risultato operativo. Questo può includere assistenti interni alla conoscenza, workflow intelligenti per i clienti, operazioni sui contenuti o strumenti di sviluppo ad alta efficienza. Ma tutto deve essere misurabile, tracciabile e allineato con gli obiettivi aziendali.

La “corsa agli armamenti” della GenAI

Soltanto lo scorso anno, le cosiddette aziende AI “hyperscaler”, cioè OpenAI, Alphabet (Google), Nvidia, Microsoft, Amazon e Meta, hanno investito oltre 210 miliardi di dollari in spese in conto capitale. Dove è finito tutto questo denaro? È stato investito nell’infrastruttura necessaria per addestrare, distribuire e scalare i Large Language Model su scala globale: chip, data center enormi, connessioni ad alta velocità e cluster AI ad alto consumo energetico.

Questo livello di investimento mi ricorda il periodo in cui lavoravo come consulente per banche d’investimento, dove i budget per l’infrastruttura crescevano costantemente per migliorare la posizione competitiva. Nel suo report, Mary Meeker evidenzia il salto prestazionale della nuova generazione di hardware AI, portando come esempio il chip Blackwell di Nvidia: rispetto al corrispettivo del 2014, garantisce un’efficienza computazionale superiore di 105mila volte per token elaborato. Un’accelerazione esponenziale che riflette la trasformazione in atto: la GenAI non è più solo software, ma un terreno di competizione infrastrutturale ad altissimo impatto. I principali hyperscaler non si accontentano più di utilizzare GPU Nvidia: stanno verticalizzando la propria stack hardware per ottimizzare prestazioni, costi e controllo strategico. Google con le sue TPU, Amazon con Trainium, e Microsoft con Maia 100 stanno costruendo pipeline proprietarie per l’addestramento e l’inferenza di LLM su scala. Non si tratta di iniziative sperimentali, ma di scelte di posizionamento per evitare il lock-in da vendor unici come Nvidia. La recente adozione delle TPU di Google da parte di OpenAI conferma la validità di questa strategia.

Cosa implica tutto questo per le imprese? Che prendere sul serio il potenziale di lungo periodo della GenAI significa andare oltre la semplice creazione di un’interfaccia chatbot o l’implementazione di un sistema RAG (Retrieval-Augmented Generation) basato su LLM remoti. Non basta un’integrazione superficiale per parlare di strategia. Seguendo l’esempio degli hyperscaler, molte aziende stanno investendo in infrastrutture AI dedicate – on-premise o in cloud privato – per riprendere il controllo su modelli, dati e pipeline operative. In questo scenario, i modelli linguistici non sono commodity, ma veri e propri asset strategici: rappresentano la codifica operativa, culturale e informativa del business stesso.

#GenAI Opportunità reale o solo paura di restare indietro? @frankgreco by @techtran Non perdere il prossimo seminari di Frank Greco online live-streaming by @techtran – Save the date 14-15 ottobre 2025: L’Intelligenza…
Click To Tweet

La strategia che crea valore

L’enfasi sui vantaggi dei modelli AI “di frontiera” per casi d’uso specifici (come finanza o medicina), ha portato molte realtà a valutare l’ipotesi di addestrare un modello AI di frontiera da zero. In questo caso occorre prepararsi a investire tra 500 milioni e un miliardo di dollari. Un impegno di tale portata impone una rigorosa due diligence, prima di decidere di fare il salto.

Parallelamente, negli ultimi due anni, i costi dell’inferenza AI – ossia l’utilizzo di modelli pre-addestrati – si sono ridotti di circa il 99%. Questa drastica diminuzione ha aperto nuove opportunità: i grandi modelli linguistici open source possono essere eseguiti su hardware economico di largo consumo, accessibile anche alle realtà meno strutturate. Un ulteriore vantaggio è rappresentato dall’esecuzione locale di questi modelli, che rimangono confinati all’interno del perimetro di reti protette da firewall, mitigando così i rischi legati alla privacy e alla sicurezza dei dati sensibili. In quest’ottica, si consiglia di esplorare Ollama, uno strumento che semplifica notevolmente l’installazione e la gestione di modelli generativi AI locali, favorendo l’adozione in ambienti aziendali protetti.

I costi ridotti per l’uso dei modelli AI avvantaggiano certamente le imprese e gli sviluppatori. Ma è un’arma a doppio taglio, perché apre la porta a una concorrenza sempre più agguerrita caratterizzata da capacità “copia e incolla” rapide, margini compressi e una pressione crescente sul mercato. Un servizio clienti eccellente è spesso ciò che distingue le aziende migliori dal resto del mercato. Semplicemente distribuire un chatbot basato sulla RAG senza strumenti di valutazione automatica e tracciamento delle performance non è una strategia vincente e sicuramente non guadagnerà la fiducia degli utenti in questo nuovo mondo incentrato sull’AI. Occorre monitorare e valutare costantemente l’efficacia della propria AI: prompt, modelli, parametri del modello, dataset per la RAG, strategia di suddivisione (“chunking”), comportamento degli agenti e, naturalmente, l’impatto sul valore aziendale.

Frank Greco

Punto di riferimento internazionale nel campo dell’AI e del ML, del cloud/mobile computing e della comprensione del valore aziendale dell’IT. Formatore e manager, ma anche prolifico scrittore con numerose pubblicazioni all’attivo. Imprenditore innovativo e pensatore strategico con forti capacità di leadership e team leader, il suo background spazia da Google a lunga lista di startup tecnologiche. Oratore di grande esperienza, per il suo contributo alla comunità Java, è stato insignito del titolo di “Java Champion”. Coautore della specifica JSR381 Visual Recognition, l’API standard di integrazione del ML per sviluppatori Java, attualmente è presidente del NYJavaSIG, il più grande gruppo di utenti Java del Nord America.

Frank Greco presenterà per Technology Transfer “L’Intelligenza Artificiale per l’impresa moderna” il 14-15 ottobre 2025, e “Introduzione all’Intelligenza Artificiale Generativa per Sviluppatori Java” il 16-17 ottobre 2025. I seminari si terranno online Live Streaming

L'articolo Intelligenza artificiale generativa, opportunità reale o solo paura di restare indietro? proviene da Data Manager Online.

Dal customer service alla gestione della supply chain, le aziende si affidano a sistemi complessi per ottimizzare ogni processo operativo. Con il rapido progresso dell’intelligenza artificiale, i sistemi gestionali possono essere migliorati attraverso analisi predittive, interfacce conversazionali e personalizzazione in tempo reale. Tuttavia, implementare l’AI senza concentrarsi sulle esigenze degli utenti può portare a bassi tassi di adozione, mancanza di fiducia e uso inefficiente delle risorse. Un approccio user-centric facilita l’adozione efficace dell’AI nelle aziende. Tuttavia, per valorizzare i dati e costruire una roadmap strategica che garantisca impatti duraturi e il coinvolgimento degli stakeholder, è fondamentale partire dalla selezione delle tecnologie AI più adeguate, rispondendo alle esigenze di trasparenza, gestione delle complessità su scala enterprise e sviluppo di prototipi agili.

Allineare l’AI all’esperienza utente

I sistemi transazionali spesso presentano interfacce obsolete, mentre l’AI è talvolta vista solo come un’aggiunta tecnica. Quando tecnologie AI avanzate, come il machine learning e il natural language processing (NLP), vengono integrate direttamente nei workflow operativi, le organizzazioni ottimizzano l’usabilità e incrementano significativamente l’efficienza complessiva. Un approccio centrato sugli utenti aiuta a identificare dove l’AI genera più valore, per esempio automatizzando compiti ripetitivi oppure offrendo analisi avanzate.

Valutare le tecnologie AI

L’AI non è una tecnologia unica, ma un insieme di metodi specializzati. Capire come ciascuno di questi possa migliorare l’esperienza utente guida la corretta selezione degli strumenti. Il machine learning identifica schemi per prevedere esigenze degli utenti o rilevare anomalie. L’elaborazione del linguaggio naturale alimenta chatbot, interfacce vocali e analisi del sentiment per interazioni naturali. La computer vision analizza immagini o video per la scansione documentale o il rilevamento di difetti. L’analisi predittiva sfrutta dati passati e presenti per prevedere tendenze, migliorando l’efficienza e riducendo gli errori. Occorre concentrarsi su prototipi di funzionalità AI che risolvano problemi reali invece di adottare tecnologie prive di benefici evidenti.

Progettare l’AI human-centered

Un’AI sofisticata può facilmente suscitare diffidenza tra gli utenti quando mancano chiarezza e trasparenza sul suo funzionamento. Per superare queste preoccupazioni, è essenziale adottare un design human-centered che metta al centro l’esperienza dell’utente, rendendola più chiara e rassicurante. Questo significa innanzitutto allineare l’AI agli obiettivi concreti dell’organizzazione, concentrandosi su quei compiti che risultano più dispendiosi in termini di tempo o soggetti a errori. Inoltre, è importante garantire la spiegabilità dell’AI, offrendo agli utenti spiegazioni concise e segnali visivi che illustrino come è stata raggiunta una determinata raccomandazione. Infine, bisogna prevedere canali di feedback che consentano agli utenti di ignorare le decisioni dell’AI o segnalare eventuali errori, favorendo così un’interazione più trasparente e collaborativa.

Impiegare l’AI in ambienti complessi

Lanciare l’AI su larga scala richiede di bilanciare l’innovazione con l’integrazione dei sistemi esistenti, garantendo governance rigorosa e standard elevati di sicurezza. Un approccio API-first facilita l’unificazione dei dati provenienti da piattaforme diverse, semplificando l’integrazione con i sistemi legacy. È fondamentale assicurare la conformità alle normative per la protezione dei dati sensibili e offrire un’esperienza multicanale coerente, estendendo le soluzioni AI in modo uniforme su web, mobile e applicazioni interne. Coinvolgere, fin dalle fasi iniziali, team cross-funzionali permette di affrontare efficacemente le sfide legate alla governance dei dati e ai vincoli di performance, favorendo un’implementazione più fluida e sostenibile.

Prototipazione rapida e validazione

Un errore comune è progettare soluzioni AI in isolamento e mostrarle solo nelle fasi finali. Adottare un approccio di prototipazione rapida e test iterativi consente di mantenere l’allineamento con gli obiettivi di business e le esigenze degli utenti. Iniziare con wireframe a bassa fedeltà consente di visualizzare rapidamente come appariranno suggerimenti AI o dialoghi dei chatbot. Il feedback precoce assicura che queste funzionalità siano intuitive e realmente utili, mentre un processo di affinamento continuo consente di correggere e migliorare le soluzioni non appena emergono criticità. Questo metodo di validazione costante riduce il rischio di revisioni costose e ritardi, ottimizzando tempi e risorse.

Sfruttare i dati per esperienze personalizzate

I dati da soli non bastano a migliorare l’esperienza utente.  Serve un piano strutturato per raccogliere, analizzare e trasformare le informazioni in azioni concrete. Un approccio data-driven permette di identificare i punti critici e le funzionalità più utilizzate. La personalizzazione in tempo reale, adattando le interfacce in base al comportamento degli utenti, aumenta l’engagement e la soddisfazione. Al tempo stesso, è essenziale garantire la trasparenza nell’uso dei dati per preservare la fiducia degli utenti e rispettare la privacy. Per esempio, nel settore bancario, i chatbot basati su AI possono gestire efficacemente le domande frequenti sui saldi, alleggerendo il carico di lavoro degli operatori umani e migliorando la risposta al cliente.

Rendere operative le soluzioni AI

Oltre allo sviluppo del prototipo, le imprese devono integrare l’AI nei processi operativi quotidiani. La scelta dell’infrastruttura deve tenere conto delle normative vigenti, soprattutto in contesti regolamentati. La collaborazione tra sviluppatori, data scientist e team di user experience, organizzata in sprint agili, favorisce un’integrazione fluida e iterativa. Inoltre, la pianificazione delle risorse deve prevedere budget dedicati alla manutenzione dei modelli, alla formazione continua e agli aggiornamenti. Adottare una mentalità centrata sugli utenti assicura che il prodotto finale risponda efficacemente alle esigenze del business.

Costruire una strategia AI di lungo periodo

Il successo dell’AI richiede una solida pianificazione organizzativa, non solo progetti pilota. È fondamentale allineare ogni iniziativa AI a obiettivi di business misurabili, gestire il cambiamento con comunicazioni efficaci, mitigare rischi come bias e resistenze interne, e scalare le applicazioni su tutta l’azienda.

I vantaggi di un metodo AI centrato sugli utenti

Il miglioramento degli indicatori chiave si traduce in adozione crescente, flussi di lavoro più efficienti e riduzione delle richieste di supporto. L’adozione di un’AI trasparente aumenta la fiducia e l’engagement degli utenti nel tempo. Cicli di sviluppo iterativi mantengono le soluzioni sempre rilevanti, mentre un framework solido consente di replicare il successo su tutta l’organizzazione.

Vantaggi per l’azienda

L’implementazione dell’AI accelera grazie alla prototipazione iterativa, riducendo significativamente il time-to-market. I costi di formazione si abbassano grazie a strumenti AI intuitivi che richiedono meno supporto. Gli insights basati sui dati guidano miglioramenti continui nella personalizzazione AI-driven. Infine, una cultura dell’innovazione che integra tecnologia avanzata e design centrato sull’utente crea le premesse per applicazioni aziendali davvero innovative.

James Hobart

Presidente di Classic System Solutions, società californiana all’avanguardia nel design di interfacce utente, è consulente di fama internazionale con una profonda expertise in user experience strategy e progettazione di interfacce. Con quasi 30 anni di esperienza nello sviluppo software e oltre 20 anni dedicati al design di GUI, web e mobile application, Hobart è riconosciuto come un punto di riferimento nella progettazione di soluzioni enterprise su larga scala.

James Hobart presenterà per Technology Transfer il seminario “Integrare l’Intelligenza Artificiale nella UX: Migliorare le applicazioni aziendali” che si terrà online live streaming il 3-4 giugno 2025.

L'articolo L’AI nelle applicazioni aziendali. La svolta user-first 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.

Nella progettazione e implementazione di un framework di data governance, uno degli aspetti fondamentali è la definizione dei ruoli chiave necessari per garantire una gestione efficace dei dati come patrimonio aziendale. Questo processo include anche l’individuazione delle figure responsabili della qualità dei dati, essenziale per affrontare e risolvere le criticità che qualsiasi programma di governance inevitabilmente porterà alla luce. Poiché la data governance è un’attività multiforme, che abbraccia la gestione dei dati, il miglioramento dei processi di business, il cambiamento della cultura organizzativa e l’IT, saranno necessari molti ruoli diversi. Tra le figure chiave spicca il data champion a livello executive, incaricato di sensibilizzare i manager senior sull’importanza della data governance e della qualità dei dati. Fondamentale è anche il ruolo del responsabile della data governance, garante del framework complessivo e coordinatore delle attività necessarie affinché il programma generi i benefici attesi.

A livello operativo, gli owner dei dati, collocati all’interno dell’azienda, sovrintendono domini di dati specifici, definendo e applicando politiche e controlli per garantirne la corretta gestione. Accanto a loro, analisti, specialisti IT ed esperti di data quality svolgono un ruolo cruciale: quantificano l’impatto delle criticità legate alla qualità dei dati, progettano strategie di miglioramento e implementano strumenti avanzati per garantirne l’affidabilità. Tutti i ruoli descritti sono essenziali per integrare la data governance e il miglioramento della qualità dei dati nel tessuto aziendale. Ma c’è un ruolo che è fondamentale per il successo di qualsiasi iniziativa di data governance e data quality: si tratta del ruolo del data steward.

La spina dorsale di una gestione efficace

Senza una data stewardship integrata, troppo spesso le iniziative si trasformano rapidamente in fabbriche di chiacchiere, dove le persone pensano a risolvere i problemi dei dati ma non hanno il tempo, le competenze o la motivazione per apportare i miglioramenti richiesti. Questo può far sì che molti programmi di governance e di qualità ben intenzionati non riescano a soddisfare le aspettative. Un dato significativo emerge dall’’indagine Experian di aprile 2024, condotta su 250 professionisti dei dati nel Regno Unito e in Irlanda: l’84% riconosce la governance dei dati come la spina dorsale di una gestione efficace, ma solo il 15% ritiene che i propri sforzi soddisfino pienamente le aspettative. Il restante 85% ammette che i risultati sono solo parzialmente soddisfacenti o del tutto insufficienti.

Molti programmi di governance nominano data owner come data champion di loro competenza, ma di solito si tratta di manager di medio o alto livello con numerose altre responsabilità e un tempo limitato da dedicare al ruolo. Pur avendo una profonda conoscenza sull’utilizzo dei dati, raramente hanno familiarità con le complessità operative e le criticità specifiche che possono emergere. Per affrontare queste sfide servono figure specializzate, con le competenze, il tempo e la motivazione necessari per migliorare concretamente la qualità e il valore dei dati. I data steward sono veri e propri motori della governance e della qualità dei dati: sono loro a trasformare le buone intenzioni in risultati tangibili, con impatti misurabili sul business.

#datagovernance Perché i data steward sono fondamentali per il successo? by @NigelTurner8 @techtran
Click To Tweet

Il data steward come catalizzatore del miglioramento

Perché il ruolo del data steward è così fondamentale per il successo? Come suggerisce il nome, lo steward è qualcuno incaricato di “gestire la proprietà di un altro”. Il data steward non possiede i dati, ma è responsabile della gestione di un sottoinsieme specifico di asset di dati all’interno dell’organizzazione in cui opera. Che si tratti di informazioni sui clienti, sui prodotti, dati finanziari o altri tipi di asset, i migliori data steward sono generalmente esperti aziendali riconosciuti come punti di riferimento per i dati di cui sono responsabili. La loro funzione principale è quella di occuparsi della gestione quotidiana dei dati, monitorando costantemente la loro qualità e conformità alle regole aziendali stabilite. Per esempio, sviluppano e mantengono cruscotti per monitorare la qualità dei dati, assicurandosi che siano sempre idonei agli scopi aziendali. Quando i dati non sono all’altezza, il data steward diventa il catalizzatore per le attività di miglioramento, coordinando e guidando iniziative per risolvere le problematiche emerse. Tuttavia, il loro compito non si esaurisce nel miglioramento diretto dei dati: è fondamentale che collaborino con i produttori, i consumatori e gli altri stakeholder per ottimizzare la qualità e l’utilizzo dei dati aziendali.

In molti casi, sono anche i leader dei gruppi di lavoro o dei team di progetto che si dedicano a queste attività. Inoltre, il data steward lavora a stretto contatto con l’owner dei dati per garantire che le policy e i controlli definiti siano effettivamente applicati, suggerendo eventuali modifiche e miglioramenti, quando necessario. Parte del loro lavoro include la cura di un glossario aziendale e la gestione del catalogo dei dati, assicurandosi che i metadati siano ben documentati e facilmente accessibili per gli utenti aziendali. Anche la collaborazione con gli specialisti IT è un punto critico, poiché il data steward deve garantire che le applicazioni e i sistemi che trattano i dati siano in linea con le politiche aziendali, contribuendo al miglioramento della qualità e dell’accessibilità dei dati stessi. Non meno importante è il lavoro di networking con altri data steward all’interno dell’organizzazione, per costruire una comunità coesa di professionisti che condividono soluzioni, pratiche e strumenti per migliorare l’efficienza complessiva della gestione dei dati.

Competenze multiple

I data steward devono possedere una serie di competenze diverse che spaziano dalla gestione dei dati alla comprensione approfondita del business. Oltre a una solida esperienza nella gestione delle informazioni, è fondamentale che abbiano ottime capacità di negoziazione e di influenza, per poter lavorare efficacemente con diverse parti dell’organizzazione. Inoltre, devono essere abili nella gestione del cambiamento e dei progetti, poiché spesso si trovano a guidare iniziative di miglioramento dei dati che richiedono adattamenti continui e nuove soluzioni. In molte organizzazioni, i data steward ricoprono il ruolo a tempo parziale, combinandolo con altre responsabilità.

Per questo motivo, una delle competenze più critiche è la capacità di definire le priorità per concentrare il loro impegno sugli interventi che promettono di generare i benefici maggiori per il business. Senza data steward impegnati e competenti, nessuna iniziativa di data governance o di qualità dei dati può produrre i benefici previsti. Gli owner dei dati spesso non possiedono né le competenze tecniche né la capacità necessaria per guidare i cambiamenti legati alla gestione dei dati. D’altra parte, molti sostengono che i progetti di qualità dei dati possono, e talvolta lo fanno, produrre benefici a breve termine anche se i data steward non sono formalmente presenti. In questo caso, spesso sono avviati e guidati dall’IT. Ma sostenere i vantaggi non è mai facile senza una stewardship efficace, poiché nessuno ha la responsabilità formale del monitoraggio continuo dei dati o di ulteriori miglioramenti e – come tutti sappiamo – il miglioramento della qualità dei dati è un processo aziendale continuo, non un progetto una tantum con una fine definita. In ogni iniziativa di governance o qualità dei dati, la presenza di data steward all’avanguardia del cambiamento rappresenta la garanzia migliore di successo.

#Focus Non perdere le masterclass di @NigelTurner8 online live-streaming by @techtran – Save the date il 3-4 aprile: Guida pratica alla Data Governance 12 maggio 2025: Data Stewardship il 5-6 giugno…
Click To Tweet

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).

Nigel Turner presenterà per Technology Transfer: “Data Governance: una guida pratica” il 3-4 aprile 2025, “Data Stewardship” il 12 maggio 2025 e “Data Quality: un “must” per il successo del Business” il 5-6 giugno 2025. I seminari si terranno online live streaming.

L'articolo Data steward, il motore della governance dei dati proviene da Data Manager Online.

L’intelligenza artificiale ha catturato l’attenzione del pubblico globale. Termini come Generative AI (GenAI) e Large Language Models (LLM) sono diventati comuni nei contesti aziendali, con la promessa di migliorare la produttività, ottimizzare le operazioni, stimolare la creatività e ridurre i costi. Tuttavia, come consulente ed educatore nel campo dell’AI, ho notato un significativo divario di comprensione di questi strumenti tra leader tecnici e non tecnici. I leader che sperimentano strumenti come ChatGPT di OpenAI, Claude di Anthropic o Gemini di Google inseriscono domande in stile ricerca, ricevono risposte inaspettate e considerano la tecnologia difettosa o irrilevante. Questa visione sottovaluta il potenziale trasformativo dell’AI.

La transizione verso sistemi IT probabilistici

Per decenni, le aziende si sono affidate a sistemi IT deterministici, in cui lo stesso input produce sempre lo stesso output. L’AI, in particolare i modelli GenAI, opera in modo probabilistico, generando una gamma di potenziali output per un determinato input. Sebbene i sistemi probabilistici siano familiari in aree come la modellazione finanziaria, la valutazione dei rischi e le previsioni meteorologiche, possono sembrare estranei a settori abituati alla prevedibilità. Adottare l’AI richiede più di un’integrazione tecnica. È necessario unire l’AI probabilistica con i sistemi deterministici e promuovere un cambiamento culturale per abbracciare questa tecnologia dinamica. Per sbloccare il potenziale dell’AI, i manager devono comprendere questo nuovo paradigma.

Il cuore del machine learning

Le origini dell’AI risalgono agli anni 40, quando i ricercatori cercavano di comprendere le funzioni cerebrali attraverso modelli matematici. Questa esplorazione ha dato vita al machine learning (ML), una branca dell’AI focalizzata sull’identificazione di schemi nei dati e sulle previsioni. Come osservava Norbert Wiener, pioniere della matematica e dell’informatica: “Uno degli aspetti più interessanti del mondo è che può essere considerato fatto di schemi”. Gli schemi sono alla base dei processi aziendali, dei fenomeni naturali, dello sport, della musica e altro ancora.

Il ML sfrutta il riconoscimento degli schemi per analizzare dati, prevedere risultati e generare nuovi dati, permettendo progressi in settori come il rilevamento delle frodi, le raccomandazioni personalizzate e l’analisi predittiva. Comprendere gli schemi è essenziale per implementare efficacemente il ML. Se un problema aziendale non presenta schemi, probabilmente l’AI non è la soluzione.

Dalla teoria alla pratica, come l’AI trasforma le imprese by @frankgreco @techtran
Click To Tweet

AI Predittiva vs. AI Generativa

La maggior parte delle aziende conosce gli strumenti di business intelligence, che analizzano gli schemi nei dati per identificare tendenze. L’AI Predittiva estende questa capacità prevedendo eventi futuri e ottimizzando le operazioni. Per esempio, grandi piattaforme di e-commerce come Amazon, Alibaba e Spotify si affidano alla PredAI per guidare le vendite e la personalizzazione, rendendola una pietra angolare dei ricavi globali guidati dall’AI.

L’AI Generativa (GenAI), invece, crea contenuti completamente nuovi basandosi sugli schemi nei dati. Può generare testo, immagini, suoni e video con un realismo straordinario. Questa svolta, resa possibile dal modello Transformer introdotto da Google nel 2017, ha aperto nuove opportunità per l’innovazione creativa e strategica. La GenAI semplifica la creazione di contenuti, automatizza l’assistenza clienti, migliora il design dei prodotti e facilita le simulazioni di formazione.

La base della GenAI

I Large Language Models (LLM) sono i motori della GenAI. Addestrati su enormi quantità di dati presenti su Internet, questi modelli generano testo basandosi su previsioni probabilistiche. Tuttavia, non sono motori di ricerca. A differenza degli strumenti di ricerca che recuperano dati fattuali, i LLM producono contenuti basati sugli schemi appresi durante l’addestramento. Sebbene possano generare contenuti creativi e contestualmente pertinenti, talvolta possono mancare di precisione o affidabilità.

I LLM come meta-strumenti

Un buon modo per decidere come utilizzare i LLM in un’azienda è considerarli come meta-strumenti. La GenAI può interpretare output di dati grezzi da una piattaforma analitica tradizionale e tradurli in insights pronti. In un’organizzazione ben gestita, l’esperienza del tuo team è il motore principale dell’attività. Il modello può assimilare informazioni da più fonti aziendali e sintetizzarle, fornendo chiarezza su questioni complesse, migliorando significativamente la produttività.

Prompt e contesto

L’efficacia di un LLM dipende dalla qualità del prompt e dal contesto fornito. Prompt chiari e dettagliati producono risultati migliori. Aggiungere la descrizione del contesto migliora l’accuratezza delle risposte. Gli strumenti chatbot basati sul web, come ChatGPT, Claude o Gemini, mantengono il contesto della conversazione, consentendo interazioni più coerenti. Se il tuo team di sviluppo deve creare un chatbot simile utilizzando API commerciali per LLM, sarà necessario riprodurre questa capacità di mantenere il contesto in corso. Per utilizzi a livello aziendale, tecniche come il Retrieval Augmented Generation (RAG) o il fine-tuning possono migliorare gli output del modello. Il RAG arricchisce i prompt con contesto in tempo reale dai dati esterni, mentre il fine-tuning personalizza i modelli per domini specifici. A differenza del RAG, il fine-tuning riduce la necessità di scambiare grandi volumi di dati contestuali con il modello linguistico, abbattendo significativamente i costi di rete.

Non perdere le masterclass di @frankgreco online live-streaming by @techtran – Save the date 14-15 aprile 2025: L’AI per l’impresa moderna 16-17 aprile 2025 Introduzione alla GenAI per sviluppatori Java
Click To Tweet

Bilanciare creatività e precisione

Sebbene gli LLM eccellano in compiti creativi, non sono ideali per problemi che richiedono precisione deterministica. Per applicazioni critiche, come il recupero di dati fattuali, le query tradizionali ai database possono essere più efficienti. Combinare gli LLM con i sistemi IT tradizionali garantisce un equilibrio e consente di sfruttare la creatività senza compromettere l’affidabilità.

Rischi di implementazione e governance

L’implementazione dell’AI richiede un’attenta considerazione di sicurezza, privacy e governance. La GenAI spesso elabora dati sensibili, rendendo necessarie misure di crittografia, conformità a regolamenti come il GDPR e solidi framework di governance per prevenire bias o risultati inappropriati. La governance garantisce un uso responsabile dell’AI, con supervisione umana per compiti critici che richiedono empatia e giudizio etico.

Frank Greco

Autorità riconosciuta nel campo dell’AI e del ML, del cloud/mobile computing e della comprensione del valore aziendale dell’IT. Formatore e manager, ma anche prolifico scrittore e autore di numerose pubblicazioni. Pensatore strategico con forti capacità di leadership e team leader con uno spirito imprenditoriale innovativo. Con un ampio background che spazia da Google a una serie di startup tecnologiche, Frank Greco è un oratore di grande esperienza. Per il suo contributo alla comunità Java, è stato insignito del titolo di “Java Champion”. Coautore di JSR381 Visual Recognition, un’API standard di ML per sviluppatori Java, attualmente è presidente del NYJavaSIG, il più grande gruppo di utenti Java del Nord America.

Frank Greco presenterà per Technology Transfer i seminari “L’Intelligenza artificiale per l’impresa moderna” il 14-15 aprile 2025, e “Introduzione all’intelligenza artificiale generativa per sviluppatori Java” il 16-17 aprile 2025. I seminari si terranno online live streaming

L'articolo L’AI per CxO e LoB. Ecco come sbloccare il potenziale dell’intelligenza artificiale proviene da Data Manager Online.

Negli ultimi dodici mesi, molte economie europee hanno subito un rallentamento, se non una vera contrazione. In questo contesto, le aziende si trovano di fronte a una sfida decisiva: massimizzare il valore dei dati. Per realizzare questo obiettivo è essenziale che dati e strumenti di analisi supportino ogni funzione aziendale. Attualmente, solo una minoranza di dipendenti utilizza strumenti di business intelligence per prendere decisioni. Studi recenti indicano che meno del 30% ha accesso a questi strumenti, nonostante i progressi dell’AI generativa, che promette di ampliare questa percentuale grazie a interfacce più intuitive. La soluzione? Integrare gli analytics nei processi aziendali attraverso approcci mirati di analisi integrata, applicazioni intelligenti e automazione basata sull’AI.

L’ostacolo dell’accesso ai dati

L’embedded analytics consente agli utenti di analizzare i dati e sfruttare gli insights e le raccomandazioni basate sull’AI pertinenti a una decisione specifica mentre utilizzano un’applicazione per svolgere i loro compiti quotidiani. Non è necessario passare a uno strumento BI o a un’altra applicazione. Un esempio concreto è quello degli addetti al servizio clienti. I customer service representative (CSR) non hanno il tempo di passare a uno strumento BI per analizzare i dati relativi al cliente con cui stanno comunicando tramite cuffie o chat. Raccomandazioni e insights devono essere integrati nell’applicazione di assistenza clienti e devono aggiornarsi ogni volta che il CSR inizia a comunicare con un nuovo cliente. Cosa si intende invece per applicazioni intelligenti? Consideriamo un’azienda fittizia che offre un servizio di consegna di cibo da ristoranti. La loro app mobile permette ai clienti di ordinare cibo che i ristoranti cucinano e che un corriere consegna. L’azienda dipende dalla capacità di diversi ristoranti di cucinare su ordinazione, dalla disponibilità di più corrieri e dall’uso dell’app da parte dei clienti, connessa a un’applicazione aziendale. Se l’applicazione è statica, il suo codice seguirà regole predefinite, come la selezione del corriere più vicino per una consegna. Tuttavia, man mano che l’azienda cresce, con un numero sempre maggiore di clienti, ristoranti e driver, questa regola si rivela inefficace, costringendo gli sviluppatori a modificare continuamente il codice per gestire regole più complesse.

Al contrario, se l’applicazione aziendale fosse un’applicazione intelligente, utilizzerebbe un modello di machine learning prescrittivo e auto-apprendente per raccomandare dinamicamente l’azione migliore, evitando così di dover aggiornare manualmente la logica dell’applicazione man mano che l’azienda si espande. In altre parole, l’applicazione stessa diventerebbe guidata dai dati. Infine, l’automazione basata sull’intelligenza artificiale consiste nell’applicazione di tecnologie avanzate come il process mining, il machine learning, l’elaborazione intelligente dei documenti, l’automazione robotica dei processi (RPA) e l’intelligenza artificiale generativa. Queste tecnologie potenziano il lavoro umano e automatizzano processi e attività in modo significativamente più efficace rispetto agli approcci tradizionali. Questa automazione richiede un’orchestrazione intelligente di diverse tecnologie, combinando attività automatizzate preconfigurate (skill) e conoscenze organizzative per eseguire rapidamente sia compiti di routine sia operazioni critiche per il business.

Interfacce basate sull’AI generativa per superare i limiti della #BI tradizionale @mikeferguson1 @techtran
Click To Tweet

Oltre i limiti della business intelligence tradizionale

La maggior parte delle aziende desidera che BI, AI generativa e modelli di ML predittivo e prescrittivo siano integrati in ogni applicazione per migliorare la produttività, ridurre i costi e accelerare i tempi di azione per una maggiore redditività. Tuttavia, quando si tratta di integrare BI, ML e AI con applicazioni e processi, è evidente che un approccio unico non è sufficiente. In altre parole, il modo in cui BI, ML e AI vengono integrati nel flusso di lavoro naturale di un utente che ne ha bisogno può variare a seconda del suo ruolo e del compito che sta svolgendo in quel momento. Nel settore retail, per esempio, un operatore di customer service necessita di raccomandazioni integrate nella sua piattaforma per offrire risposte immediate e personalizzate. Mentre uno store manager deve monitorare in tempo reale la performance dei negozi, ricevendo avvisi e suggerimenti per riorganizzare risorse o gestire problemi di inventario. Allo stesso tempo, un’app per clienti deve personalizzare l’esperienza utente, suggerendo prodotti e offerte pertinenti durante l’interazione. E infine, un responsabile di magazzino deve monitorare le spedizioni e gestire eventuali ritardi con raccomandazioni per ottimizzare la distribuzione. Guardando a questi quattro casi, risulta evidente che persone e applicazioni, a diversi livelli, devono contribuire al miglioramento delle performance di business. Ma è chiaro che i diversi ruoli richiedono strategie personalizzate che si adattino al loro flusso di lavoro naturale. Quindi, per diventare realmente data-driven, le aziende devono rispondere a una serie di domande strategiche: quali sono i ruoli e i compiti principali in azienda? Quali informazioni e strumenti servono per migliorare le loro prestazioni? In che modo le tecnologie possono essere integrate nei processi esistenti senza interrompere il flusso di lavoro?

L’integrazione di analytics, machine learning e automazione basata sull’AI rappresenta una leva fondamentale per ottimizzare processi, migliorare i risultati e affrontare le sfide del mercato. L’obiettivo non è solo adottare nuove tecnologie, ma garantire che queste supportino le decisioni in tempo reale, contribuendo in modo concreto al raggiungimento degli obiettivi. Questo approccio permette di rendere più efficienti le operazioni, migliorare la produttività e rispondere con maggiore agilità alle dinamiche di un mercato in continua evoluzione. Inoltre, integrare queste tecnologie nei processi aziendali non solo facilita l’accesso agli insights necessari, ma promuove anche una cultura decisionale basata sui dati, dove ogni livello organizzativo contribuisce al successo complessivo dell’azienda.

Mike Ferguson

CEO di Intelligence Business Strategies e analista specializzato in business intelligence ed enterprise business integration. Con oltre quarant’anni di esperienza in ambito IT, svolge attività di consulenza per importanti aziende su temi di business intelligence, enterprise architecture, business process integration, application e data integration. Relatore in eventi internazionali e autore di numerosi articoli, Ferguson vanta un curriculum prestigioso: è stato co-fondatore e dirigente di Codd and Date Europe, la società che ha sviluppato il modello relazionale dei database, oltre a ricoprire il ruolo di chief architect in Teradata e di direttore generale per l’Europa in Database Associates. Le sue masterclass sono seguite in tutto il mondo e affrontano temi di grande rilevanza per le imprese: dalla business intelligence operativa alle tecnologie più innovative per il data warehousing, dalla BI per aziende agili all’analisi multi-piattaforma dei Big Data, fino al MDM e alla governance dei dati aziendali.

Non perdere le masterclass di @mikeferguson1 online live-streaming by @techtran – Save the date 7-8 aprile: Data & AI Strategy 8-9 maggio: Implementing Data Products 19-20 maggio: Analytics & AI…
Click To Tweet

Mike Ferguson presenterà per Technology Transfer i seguenti seminari online live streaming: ”Costruire una data e AI strategy per una azienda data-driven” (7-8 aprile 2025) – “Linee guida pratiche per implementare prodotti dati” (8-9 maggio 2025) – “Analitica embedded, app intelligenti, agenti e automazione di AI” (19-20 maggio 2025) – “La moderna architettura dati” (16-17 giugno 2025) – “Dati e data governance attivi assistiti dall’intelligenza artificiale” (19-20 giugno 2025).

L'articolo Come diventare un’impresa data-driven. L’ultimo miglio per il successo proviene da Data Manager Online.

Ma cos’è una pull request? Essenzialmente, è una proposta per unire modifiche da un branch di codice a un altro. Le persone che lavorano al codebase esaminano e discutono questa proposta prima di integrarla nell’altro branch, solitamente quello principale. Questo processo permette ai collaboratori di valutare la qualità delle modifiche proposte e, in questo modo, mantenere la qualità dell’intero codebase. A prima vista, sembra tutto molto semplice. Le pull request hanno senso quando non si ha fiducia nelle modifiche proposte al codebase. Il caso più comune è nei progetti open-source, dove chiunque può suggerire miglioramenti: questo è il meccanismo alla base dell’open-source. I progetti open-source beneficiano della saggezza dei grandi numeri. Come uno degli autori del framework open-source Easy.ts, lo vedo in pratica ogni giorno.

Non sempre conosciamo personalmente chi propone le modifiche, quindi non possiamo sempre valutarne l’esperienza o le preferenze, che spesso sono una questione di gusto personale. Ed è qui che entrano in gioco le pull request, permettendo di discutere le decisioni di programmazione prima di unire il codice nei progetti. È un’ottima opportunità per condividere competenze e comprendere diversi approcci.

Fiducia come parola chiave

Quando non ci fidiamo delle modifiche proposte, le esaminiamo e discutiamo con i proponenti. In questo contesto, le pull request hanno senso. Ma facciamo un passo indietro, guardiamo ai progetti quotidiani e al codice scritto nelle organizzazioni e nei team. Prendiamo per esempio, il mio team a ibood.com: quindici persone con esperienza, background e conoscenze diverse. Alcuni hanno decenni di esperienza, altri due anni. Il nostro è un team relativamente piccolo. Per mantenere la qualità del nostro codice, applichiamo diverse tecniche semplici: in primo luogo, abbiamo standardizzato la nostra architettura software, e tutti ne comprendiamo livelli e pattern. Di conseguenza, possiamo aprire uno qualsiasi degli oltre 150 repository e capire cosa troviamo, anche se non l’abbiamo mai visto prima. In secondo luogo, lavoriamo spesso insieme, per esempio con il pair e mob programming, anche da remoto. Quindi, molte modifiche vengono create da più persone. In questo modo si riduce la necessità di verifiche aggiuntive.

Inoltre, teniamo sessioni settimanali di condivisione della conoscenza con il metodo lean coffee, in cui chiunque può discutere qualsiasi argomento, imparando rapidamente e direttamente; scriviamo unit test per tutto il nostro codice, spesso applicando il test-driven development; e infine le nostre pipeline CI/CD sono completamente automatizzate e gestiscono la compilazione, il linting, l’esecuzione dei test in varie fasi, l’analisi statica del codice e gli sviluppi anche in produzione. Le nostre pipeline includono numerosi punti di controllo per garantire la qualità. Di conseguenza, non usiamo pull request. Ogni membro del team carica direttamente le modifiche nel branch principale. Pratichiamo il trunk-based development, senza branch. Abbiamo creato un ambiente in cui la fiducia è fondamentale, indipendentemente dal livello di esperienza dell’individuo.

#svilupposoftware Multitasking e pull request non vanno d’accordo @aahoogendoorn by @techtran
Click To Tweet

La legge della marmellata di lamponi

Le pull request sono utili in ambienti dove il livello di fiducia è basso. Questo è il caso dell’open source, dove sappiamo poco delle persone che propongono modifiche. Ma nel mio team attuale, e così come in molti altri con cui ho lavorato, la fiducia non rappresenta un problema. Tuttavia, in molte organizzazioni la fiducia è diventata un problema. Molti commenti al mio recente post lo dimostrano: «Non possiamo fidarci che i singoli sviluppatori carichino direttamente nel branch principale, soprattutto i junior. C’è troppo in gioco». La mancanza di fiducia spesso accompagna la crescita. Più persone lavorano sul codebase, più difficile è mantenere la qualità. Con la forte ambizione di far crescere i team rapidamente e la scarsità di buoni sviluppatori, le organizzazioni assumono persone meno esperte e, di conseguenza, faticano con la qualità. È la Legge della Raspberry Jam, la marmellata di lamponi, di Jerry Weinberg: più la spalmi, più diventa sottile. E così, le pull request vengono in soccorso.

La tempestività

Tuttavia, usare le pull request e rivedere le modifiche ha un grave inconveniente. In questo caso, la parola chiave in è tempestività. La maggior parte delle organizzazioni che usa formalmente le pull request è grande o in crescita. I revisori sono spesso i più senior nel team di sviluppo e, quindi, i più occupati, anche perché devono esaminare tutte le pull request. Ma i revisori spesso diventano un collo di bottiglia, e così le revisioni spesso non avvengono immediatamente. Quando si fa una pull request, passa del tempo prima che un revisore la prenda in carico. A volte è una questione di ore, ma se i revisori sono in riunione, in ferie, oppure è iniziato il weekend e un loro figlio è ammalato, l’attesa si allunga. I ritardi hanno diverse conseguenze. Quando devono aspettare, gli sviluppatori si dedicano a un’altra funzione. Quando una revisione arriva giorni dopo con feedback che richiede interventi, lo sviluppatore deve tornare alla funzione precedente. Se gli sviluppatori hanno più pull request aperte (cosa non rara), sono costantemente costretti a rifocalizzarsi. Questo si chiama cambio di contesto ed è oneroso. Il multitasking è un mito.

Inoltre, gli sviluppatori vogliono evitare cicli di feedback eccessivamente lunghi. Quindi, evitano di proporre piccole modifiche accumulandole fino al completamento di tutta la funzione. Oppure, inviano le modifiche solo quando sono sicuri di aver inserito tutto quello che gli altri potrebbero volere e anche di più. E così si finisce per costruire troppo, facendo over-engineering. Ma più si aspetta, più grande diventa la modifica. Più grande è la modifica, più difficile sarà riportarla nel branch principale, poiché nel frattempo altri avranno apportato cambiamenti. Nonostante le buone intenzioni, le pull request aumentano continuamente i ritardi in queste situazioni.

Join the #Microservice Architecture master class with @aahoogendoorn – December 12, 2024, online live-streaming
Click To Tweet

Perdere l’autobus

Qual è quindi la soluzione ideale? La fiducia è un problema più limitato in organizzazioni e team piccoli. Qualcuno ha risposto al mio post dicendo che lavora con trenta team sulla propria app mobile e la rilascia ogni due settimane, spiegando di essere orientati verso le pull request e di revisionare ogni modifica, con una strategia improntata alla prudenza. In ibood.com, carichiamo subito ogni modifica nella nostra piattaforma e-commerce in produzione. Sì, con numerosi controlli e test nelle nostre pipeline, ma comunque subito. Per noi, fare un errore in produzione non è la fine del mondo. Come dice Jason Gorman – “perdere l’autobus non è un grosso problema se sai che ne arriverà un altro tra cinque minuti”. Alla fine, si tratta di questo: quanto è grave perdere l’autobus? Le grandi organizzazioni, spesso con team remoti, richiedono maggiore fiducia. Più diventano prudenti, più utilizzano pull request e revisioni. Al contrario, quando i team sono piccoli e coesi, molte tecniche aiutano a costruire fiducia e velocità. Pair programming, mob programming, test-driven development e pipeline di delivery completamente automatizzate aiutano a evitare lunghe attese e il context-switching. In ibood.com, il prossimo autobus passa in cinque minuti. E da voi?

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 condiviso la sua esperienza, aiutando professionisti e aziende a crescere e a innovare. Attualmente, sta lavorando al suo prossimo libro sul nuovo Agile.

Sander Hoogendoorn presenterà per Technology Transfer il seminario “Progettare, sviluppare e implementare una Microservices Architecture” che si terrà online live streaming il 16 dicembre 2024.

L'articolo Velocità e qualità del software. Tutta la verità sulle pull request, quando hanno senso e quando no proviene da Data Manager Online.