Il tuo progetto di IA non si bloccherà sul modello. Si bloccherà sui dati.

Nel 2015 ho costruito l'architettura dei portali di Totvs Fluig su AWS, distribuita su più continenti. Nel 2018 ho inviato quasi tre milioni di e-mail in sei giorni durante un Black Friday. In Aprova Digital, come CTO, ho guidato la tecnologia di un'operazione che raggiunge ventuno milioni di persone all'anno in più di settanta comuni.

Lo dico per un solo motivo: in nessuno di questi progetti il problema difficile è stato l'algoritmo. Sono sempre stati i dati.

È cambiato l'hype, è cambiata la sigla, il conto è lo stesso.

Perché l'IA peggiora le cose

Un sistema tradizionale convive bene con dati scadenti. Mostra il campo vuoto, la persona guarda, capisce dal contesto e va avanti. L'errore resta contenuto nella testa di chi lo usa.

Un modello linguistico non fa così. Riempie il vuoto. Davanti a un'anagrafica incompleta produce una risposta completa e sicura, perché è stato addestrato a generare testo plausibile, non a fermarsi. Il risultato è che il dato sbagliato, che prima restava fermo in una tabella, ora esce scritto, ben formulato, dritto al cliente.

L'IA non ha creato il problema dei dati della tua azienda. Ha solo tolto la persona che lo compensava a occhio.

I quattro problemi che emergono per primi

Duplicati. Lo stesso cliente con tre anagrafiche, perché è arrivato da un portale, dal sito e da una segnalazione. L'agente lo tratta come tre persone diverse, e il cliente riceve lo stesso messaggio tre volte con nomi leggermente diversi.

Dati non aggiornati. Prezzo, disponibilità, tempi. In un'operazione di vendita, il campo sbagliato oggi è quello che genera la promessa che l'azienda dovrà ritirare domani.

Campo libero. Ogni CRM ha un campo note dove vive l'informazione più importante della trattativa, scritta con abbreviazioni, senza standard, mescolando fatti e impressioni del venditore. È il dato più ricco e il più difficile da usare.

Origine mancante. Senza sapere da dove è arrivato il lead non esiste un criterio di priorità che funzioni, e ogni report sui risultati dell'agente diventa una discussione sull'attribuzione.

Cosa si può fare senza fermare tutto

La reazione tipica è avviare un progetto di governance dei dati di dodici mesi. Nella maggior parte delle aziende quel progetto non finisce mai, e finché non finisce di IA non si vede nulla.

C'è una strada più breve.

Scegli un solo flusso. Un canale, un prodotto, un tipo di servizio.

Elenca i campi che quel flusso usa davvero. Non quelli che esistono. Quelli che l'agente leggerà per decidere. Di solito sono meno di dieci.

Pulisci solo quei campi e definisci un responsabile per ciascuno. Il responsabile è una persona, non un reparto.

Metti l'agente al lavoro su quel flusso e tratta ogni suo errore come un sintomo. Quando sbaglia, la prima domanda non è quale prompt correggere, è quale campo era sbagliato.

Questo ciclo ti insegna di più sulla tua operazione in tre settimane che una diagnosi di tre mesi. E ha un grande vantaggio politico: porta risultati visibili mentre mette ordine in casa, invece di chiedere un anno di fede.

L'effetto collaterale positivo

C'è una cosa che quasi nessuno prevede. Mettere un agente di IA in un'operazione è la diagnosi più economica e più onesta che esista sulla qualità dei tuoi dati e sulla chiarezza dei tuoi processi.

Non ha pazienza, non ha buon senso e non riempie le lacune con l'esperienza. Fa esattamente quello che le informazioni disponibili permettono. Dove sbaglia in modo ripetuto, sotto c'è un processo definito male.

Le aziende che lo capiscono usano i primi mesi di IA come una radiografia. Quelle che non lo capiscono passano quei mesi a litigare con il prompt.

Cosa resta

Il modello è una commodity e costerà meno ogni anno. I migliori sono a un clic da qualsiasi tuo concorrente.

I dati della tua operazione no. Sono l'unico asset di questa storia che nessuno può comprare già pronto, e sono loro a decidere se l'IA diventerà risultato o l'ennesimo progetto che ha smesso di funzionare senza mai essere fallito.