Un progetto AI raramente fallisce perché il modello non è abbastanza potente. Più spesso incontra dati frammentati, significati ambigui e permessi mai progettati. Preparare il patrimonio informativo significa renderlo comprensibile, rintracciabile e utilizzabile in sicurezza.

Partire dalle domande

Prima di costruire un data lake conviene elencare le decisioni e le attività che l’AI dovrà supportare. Ogni caso d’uso richiede fonti, precisione e aggiornamento differenti. Una base clienti utile al marketing non coincide necessariamente con quella necessaria a fatturazione o assistenza.

Il catalogo iniziale deve indicare proprietario, origine, frequenza di aggiornamento, qualità e vincoli di accesso. Questo esercizio fa emergere duplicazioni e campi che hanno lo stesso nome ma significati diversi.

Qualità misurabile

Completezza, coerenza, unicità e tempestività devono diventare controlli automatici. Correggere manualmente un file prima di una demo non è una strategia: le anomalie vanno intercettate nel punto in cui il dato nasce e assegnate a chi può risolverle.

Per i documenti non strutturati servono versioni, metadati e regole di conservazione. Un sistema di ricerca semantica restituisce risultati migliori quando conosce reparto, data, tipologia e validità di ogni contenuto.

Accessi che seguono l’utente

L’AI non deve diventare una scorciatoia intorno ai permessi applicativi. L’identità dell’utente deve accompagnare ogni ricerca e filtrare i risultati prima che raggiungano il modello. Le risposte devono inoltre riportare le fonti utilizzate.

Dati personali, segreti commerciali e informazioni regolamentate richiedono minimizzazione, cifratura e politiche di conservazione. È utile separare ambienti di test e produzione usando dataset sintetici quando possibile.

Costruire per iterazioni

Si parte con poche fonti autorevoli, un set di domande reali e criteri di valutazione condivisi. Precisione delle risposte, copertura e casi senza evidenza vengono misurati a ogni versione. Solo dopo si aggiungono nuove sorgenti.

La preparazione dei dati non è un progetto una tantum. È una capacità aziendale: responsabilità chiare, controlli continui e architettura modulare permettono all’AI di evolvere senza perdere affidabilità.

Un piccolo glossario evita grandi errori

Termini apparentemente ovvi come cliente attivo, ordine completato o fatturato possono avere definizioni diverse tra reparti. Un glossario condiviso collega ogni concetto alla regola di calcolo, alla fonte ufficiale e al responsabile che può chiarire le eccezioni. Senza questo livello semantico, l'AI restituisce risposte fluenti ma incoerenti.

Il glossario può iniziare con venti termini legati al primo caso d'uso. Le domande senza risposta diventano lavoro di governance, mentre le definizioni approvate alimentano ricerca, report e istruzioni del sistema. È un investimento modesto che migliora anche i progetti non basati sull'intelligenza artificiale.

Domande frequenti

Tutti i dati devono finire in un unico database?

No. È più importante identificare la fonte autorevole, applicare permessi coerenti e integrare i sistemi senza creare copie incontrollate.

I PDF possono essere usati dall'AI?

Sì, ma scansioni, versioni obsolete e documenti privi di metadati riducono la qualità. La risposta dovrebbe sempre indicare la fonte.