La tesi di Kelly Kohlleffel (Fivetran) e diretta: la maggior parte delle organizzazioni pensa di avere un problema di AI, ma in realta ha un problema di dati. Il gap di AI readiness e prima di tutto un gap di data readiness, e senza data maturity la maturita AI e semplicemente impossibile. L’autore cita l’esempio di un CDO di una grande azienda di networking che, alla domanda su dove si collocasse in una scala di data maturity da 1 a 10, ha risposto 3.5.
Le cause profonde
Richiamando dati TDWI e la propria esperienza, l’articolo elenca i problemi ricorrenti: architetture troppo complesse e fragili, dati in silos con versioni diverse della verita, ritardi e sforamenti di progetto, affidabilita dell’infrastruttura sempre precaria. Il dato piu citato: TDWI ha rilevato che il 67% delle organizzazioni spende oltre il 25% del tempo di engineering nella manutenzione delle pipeline, e solo il 19% da priorita alla loro modernizzazione. Il risultato e un backlog infinito: per ogni nuova sorgente il team deve progettare, costruire, testare, deployare, documentare, automatizzare e manutenere.
Il punto centrale e che il valore di un progetto AI nasce dalla combinazione con i dati specifici dell’azienda: anche con i migliori foundation model e un buon prompt engineering, senza dati di qualita mirati l’applicazione fallisce.
Costruire una data foundation sana
Le raccomandazioni pratiche sono due. Per il data integration, l’autore suggerisce di puntare su piattaforme automated-first, con performance e affidabilita enterprise, interoperabilita ampia e security, compliance e governance integrate. Per la piattaforma dati cloud, indica caratteristiche come architettura pronta per l’AI (storage e compute uniti o disaccoppiati con data lake e open table format come Delta e Iceberg), supporto a dati strutturati, semi-strutturati e non strutturati, catalogo tecnico con lineage, accesso ai principali LLM anche via SQL e framework per agenti.
Sul rischio di vendor lock-in delle piattaforme centralizzate, il consiglio e prototipare piu piattaforme in sprint brevi di due settimane, accettare scenari multi-cloud e ricordare che le migrazioni restano possibili. Un caveat: chi e bloccato on-premises parte in forte svantaggio, e la strada e arrivare prima al cloud.
La chiusura e pragmatica: partire piccoli ma su un problema di business concreto, con esempi come un internal knowledge assistant, un customer support reference bot o un sales enablement copilot, ciascuno alimentato da poche sorgenti ben comprese.
- La data readiness precede la AI readiness: senza dati maturi non c’e maturita AI.
- Il 67% delle organizzazioni spende oltre il 25% del tempo di engineering in manutenzione delle pipeline; solo il 19% le modernizza.
- Meglio iniziare con un caso d’uso circoscritto e ben definito che con mesi di refactoring dei dati.
Fonte: Why over 90% of companies aren’t AI-ready — and how to fix it fast — https://www.fivetran.com/blog/why-over-90-of-companies-arent-ai-ready-and-how-to-fix-it-fast
Hai qualcosa da aggiungere? Unisciti alla discussione.