Il passaggio dall’intelligenza artificiale come supporto alle decisioni a sistemi capaci di agire in autonomia sta aprendo nuove prospettive, ma anche nuove criticità. Secondo la ricerca The AI Trust Gap Report di Denodo, condotta su 850 executive a livello globale, l’adozione dell’Agentic AI è oggi frenata da un problema strutturale: la fiducia nei dati.
Il report evidenzia come la capacità degli agenti AI di prendere decisioni e attivare azioni operative renda imprescindibile l’accesso a informazioni aggiornate, coerenti e governate. Tuttavia, nella maggior parte delle organizzazioni esiste ancora un divario tra ciò che sarebbe necessario per garantire un’AI affidabile e ciò che le infrastrutture dati sono realmente in grado di offrire.
Dati frammentati e governance carente: i limiti attuali
A livello globale emergono criticità diffuse lungo tutta la catena del dato. Il 63% delle aziende indica tra i principali ostacoli la difficoltà nel reperire dati rilevanti e affidabili o nel prepararli per l’utilizzo nei modelli AI. Parallelamente, il 66% considera indispensabile l’accesso ai dati in tempo reale per garantire affidabilità, ma le architetture tradizionali non sono progettate per supportare latenze così ridotte.
Le difficoltà non si fermano qui. Quasi il 60% degli intervistati segnala problemi nell’ottimizzazione delle performance per sostenere carichi di lavoro AI su larga scala, mentre il 67% evidenzia criticità nella gestione della sicurezza e dei controlli di accesso tra sistemi diversi. A complicare ulteriormente il quadro contribuisce la crescente complessità degli ecosistemi informativi: il 42% delle aziende utilizza oltre 400 fonti di dati nelle proprie iniziative AI.
Come sottolinea Dominic Sartorio, il tema non riguarda tanto i modelli di intelligenza artificiale quanto la qualità e la gestione del dato: senza basi informative aggiornate e governate, l’AI agentica non può generare risultati affidabili né scalabili.
Italia: maturità in crescita, ma l’AI resta confinata all’IT
Nel contesto italiano emerge un quadro in evoluzione. Il 62% delle aziende ha già adottato un modello organizzativo centralizzato per la gestione delle iniziative AI, segnale di una crescente maturità. Tuttavia, nel 44% dei casi la responsabilità resta prevalentemente in capo al dipartimento IT, con un coinvolgimento ancora limitato delle funzioni di business. Anche in Italia il nodo principale è rappresentato dalla qualità del dato. Per oltre la metà delle aziende (52%) identificare informazioni affidabili e rilevanti è la sfida più rilevante, un valore superiore alla media europea. Seguono le difficoltà nell’accesso ai dati in tempo reale, indicate dal 30% degli intervistati, a conferma di un orientamento sempre più operativo e decisionale nell’uso dell’AI. Non mancano però segnali positivi. Il 74% delle organizzazioni italiane dichiara di non incontrare particolari problemi nel connettere dati distribuiti tra sistemi diversi, evidenziando investimenti crescenti in architetture moderne e piattaforme cloud-native.
Europa: governance come leva strategica
A livello europeo il tema della governance emerge con forza. In Francia il 43% delle aziende considera sicurezza e protezione dei dati un ostacolo rilevante all’adozione dell’AI, mentre in Germania il 37% segnala difficoltà nell’identificare fonti dati coerenti e affidabili. Queste differenze riflettono non solo diversi livelli di maturità tecnologica, ma anche un contesto normativo e culturale più attento alla regolamentazione. L’entrata in vigore dell’AI Act contribuisce a rafforzare questo approccio: la governance dei dati e dei modelli viene sempre più considerata una condizione abilitante per costruire iniziative AI solide, piuttosto che un vincolo.
Dalla sperimentazione alla scala: il ruolo dell’architettura dati
Il “divario di fiducia” evidenziato dalla ricerca non è quindi legato a un limite intrinseco dell’intelligenza artificiale, ma alla capacità delle organizzazioni di evolvere le proprie architetture dati. La transizione verso modelli agentici richiede un’infrastruttura in grado di garantire accesso in tempo reale, qualità del dato e governance coerente lungo tutta la catena informativa. Solo colmando questo gap sarà possibile passare da sperimentazioni isolate a un’adozione diffusa e scalabile dell’AI, trasformando il potenziale degli agenti intelligenti in risultati concreti per il business.
Può interessarti anche:
AI nel retail: i consumatori non vedono valore nei dati condivisi
State of Service: AI, dati e strategia per un servizio che crea valore
Disinformazione e sfiducia: italiani e fake news
Banche intelligenti, ma vulnerabili: i 5 imperativi per il futuro
AI agentica e dati di qualità: il 78% dei leader sotto pressione per creare valore dal data
COMMENTI