AI readiness significa una cosa semplice: i dati di un'azienda sono in condizioni di rispondere a una domanda precisa usando l'intelligenza artificiale, e di farlo in modo che ci si possa fidare del risultato. Non è una certificazione né una questione di strumenti. È una verifica, domanda per domanda, di sei cose. Questa guida le spiega una per una, ti dà una griglia per valutarti da solo e mostra con un esempio come si arriva a una roadmap.
Le sei dimensioni: perché i dati "ci sono" ma non bastano
Quasi ogni azienda dice di avere i dati. Il problema è quasi sempre un altro: i dati ci sono, ma non sono nella forma che serve a quella domanda. L'AI non risolve il problema, lo amplifica: un modello ben addestrato che lavora su dati incoerenti produce risposte ordinate e sbagliate.
Un esempio con numeri di fantasia. Un'azienda vuole sapere quali clienti rischiano di non riacquistare. Nel gestionale ha 4.200 clienti, nel negozio online 3.900. Provando ad abbinarli per indirizzo email, ne combaciano 3.100, cioè il 74% dei clienti del gestionale (3.100 ÷ 4.200). Gli altri sono duplicati, persone con email diverse o schede senza email. Prima di qualsiasi modello, la domanda non ha una risposta affidabile, perché un cliente su quattro è "invisibile" o contato due volte.
Per questo la valutazione si fa su sei dimensioni, sempre riferite a una domanda concreta:
- Accesso: puoi arrivare ai dati senza chiedere favori o fare esportazioni manuali?
- Qualità: i dati sono completi, senza duplicati e coerenti nel tempo?
- Definizioni: tutti intendono la stessa cosa con "cliente", "vendita", "ordine"?
- Integrazione: le fonti si possono collegare tra loro con un identificativo comune?
- Responsabilità: c'è una persona che risponde di ogni fonte e di ogni definizione?
- Obiettivo: la domanda di business è chiara, con una decisione che ne dipende?
Una domanda di verifica e un segnale di allarme per ogni dimensione
| Dimensione | Domanda di verifica | Segnale di allarme |
|---|---|---|
| Accesso | Chi può ottenere questi dati oggi, e in quanto tempo? | "Dobbiamo chiedere a Marco di esportarli", oppure file che girano per email |
| Qualità | Se prendo 50 righe a caso, quante hanno campi vuoti, duplicati o valori impossibili? | Lo stesso cliente scritto in tre modi, date mancanti, importi negativi senza spiegazione |
| Definizioni | Due persone, interpellate separatamente, danno la stessa definizione di "ordine valido"? | Due report con lo stesso nome e totali diversi |
| Integrazione | Esiste un campo che compare in due sistemi e identifica la stessa cosa (cliente, prodotto, ordine)? | Per unire due fonti si lavora a mano su un foglio di calcolo, ogni volta |
| Responsabilità | Se un numero sembra sbagliato, so chi chiamare? | Nessuno si sente proprietario di quel dato, o ce ne sono tre |
| Obiettivo | Quale decisione cambia in base alla risposta? | "Vediamo cosa esce", senza una scelta concreta dietro |
Una griglia di autovalutazione da compilare
Prendi una sola domanda di business, per esempio "quali clienti riacquisteranno nei prossimi 90 giorni". Per ogni dimensione assegna un punteggio da 0 a 2, riferito a quella domanda e a quei dati.
| Dimensione | 0 | 1 | 2 |
|---|---|---|---|
| Accesso | Serve chiedere a qualcuno ogni volta | Esportazioni manuali ripetibili | Accesso diretto o automatico |
| Qualità | Errori frequenti e non misurati | Errori noti, in parte corretti | Controlli regolari, errori rari |
| Definizioni | Ognuno ha la sua | Scritte, ma non da tutti usate | Scritte, condivise e applicate |
| Integrazione | Nessun identificativo comune | Identificativo parziale o instabile | Identificativo stabile tra le fonti |
| Responsabilità | Nessun responsabile | Responsabile informale | Responsabile nominato per fonte |
| Obiettivo | Nessuna decisione collegata | Decisione vaga | Decisione, persona e data |
Somma i sei punteggi: il totale va da 0 a 12. Come leggerlo, tenendo presente che è uno strumento di orientamento e non una misura scientifica:
- 0-4: prima di ogni progetto con l'AI serve lavoro di base sui dati.
- 5-8: si può partire in piccolo, ma sistemando prima le dimensioni più basse.
- 9-12: la domanda è in buone condizioni per essere affrontata.
Una regola conta più del totale: una dimensione a 0 blocca la domanda, anche se le altre sono a 2. Un'integrazione assente non si compensa con un ottimo obiettivo.
Un esempio svolto: tre domande, una sola pronta
Un'azienda di fantasia vende arredi per ufficio online e a rivenditori. Ha tre domande di business e le valuta con la griglia.
| Domanda | Acc. | Qual. | Def. | Integr. | Resp. | Obiett. | Totale |
|---|---|---|---|---|---|---|---|
| Quali prodotti hanno più resi? | 2 | 2 | 1 | 2 | 1 | 2 | 10 |
| Quali clienti riacquisteranno entro 90 giorni? | 2 | 1 | 1 | 0 | 1 | 1 | 6 |
| Quanto rende la pubblicità per canale? | 1 | 1 | 0 | 0 | 0 | 2 | 4 |
La prima è pronta: ordini e resi stanno nello stesso sistema, con codici prodotto stabili. Si può cominciare subito, con una dashboard o con l'AI. La seconda no: i clienti sono duplicati tra gestionale e negozio e manca un identificativo comune (il 74% dell'esempio sopra). La terza è la più lontana: la spesa pubblicitaria sta in fogli diversi, nessuno ha definito cosa sia una "campagna" e nessun campo lega una campagna agli ordini che ha generato.
La roadmap che ne esce, in ordine:
- Subito: rispondere alla domanda sui resi.
- Poi: costruire un archivio clienti unico, con un identificativo condiviso, e nominare chi ne risponde. Fatto questo, la domanda sul riacquisto passa da 6 a un punteggio molto più alto.
- Infine: unificare le fonti della spesa, scrivere le definizioni e collegare campagne e ordini.
Il punto utile: nessuno ha dovuto scegliere un modello. La roadmap nasce dai punteggi più bassi.
Errori tipici
- Partire dallo strumento. Se scegli prima la tecnologia, adatti la domanda a ciò che sa fare, non il contrario.
- Valutare "i dati dell'azienda" in blocco. L'AI readiness ha senso per domanda: gli stessi dati possono essere pronti per una e inutilizzabili per un'altra.
- Ripulire tutto prima di cominciare. Si pulisce quello che serve alla domanda scelta. Il resto può aspettare.
- Dimenticare le definizioni. È la dimensione meno visibile e la più costosa: l'AI userà una definizione, e se non è quella dell'azienda le risposte sembreranno giuste e non lo saranno.
- Lasciare i dati senza responsabile. Senza un nome, nessuno corregge l'errore quando emerge.
Un piano per la prima settimana
- Lunedì: scegli una domanda di business e scrivi la decisione che ne dipende.
- Martedì: elenca le fonti che servono a rispondere e chi ne è responsabile.
- Mercoledì: estrai 50 righe a caso per fonte e conta errori, vuoti e duplicati.
- Giovedì: verifica se esiste un campo comune tra le fonti e scrivi le definizioni dei termini della domanda.
- Venerdì: compila la griglia, individua le due dimensioni più basse e fissa una persona e una data per ognuna.
Cosa NON è l'AI readiness
- Non è comprare un software di AI. È capire se i dati reggono una domanda.
- Non è un voto per l'azienda. È un punteggio per una domanda, e cambia con la domanda.
- Non è un progetto da anni. Una prima valutazione si fa in una settimana, come sopra.
- Non è solo un tema tecnico. Definizioni, responsabilità e obiettivo sono decisioni dell'azienda, non dell'informatica.
Quando basta uno strumento pronto e quando serve un percorso su misura
Se la tua domanda riguarda un solo sistema già supportato, per esempio le vendite di un negozio Shopify, uno strumento pronto è di solito la scelta più rapida. Le dimensioni di integrazione e di definizioni sono già risolte dentro lo strumento.
Serve un percorso su misura quando le domande attraversano più fonti, o quando le fonti sono particolari: gestionali interni, database aziendali, sistemi senza connettori pronti. In quel caso l'integrazione, le definizioni e la modellazione dei dati sono il lavoro vero, e dipendono da come funziona quell'azienda.
Dove si colloca Opalca Lab
Opalca Lab è la parte di Opalca dedicata ai progetti su misura: integrazione di fonti dati, connettori API e database personalizzati, dashboard personalizzate, data visualization e data modeling. Non esiste un listino standard: ogni progetto viene valutato in base ai dati e alle domande dell'azienda.
Un esempio è Fairflai, un team multidisciplinare di esperti di IA. Ha un framework chiamato AI Readiness Assessment e, con Opalca Lab, si è dotato di una reportistica personalizzata e di una roadmap su misura. Altri casi sono nella pagina Casi.
Hai un progetto in mente o vuoi capire in che punto sono i tuoi dati? Parlane con Opalca Lab oppure scrivici.
Per approfondire
- Integrazione dati: cosa serve prima di costruire una dashboard
- Ecommerce KPI: i 10 indicatori che contano e come leggerli
Domande frequenti
Che cosa significa AI readiness?
Significa che i dati dell'azienda sono in condizioni di rispondere a una domanda precisa con l'AI in modo affidabile. Si valuta su sei dimensioni: accesso, qualità, definizioni, integrazione, responsabilità e obiettivo.
Come si valuta l'AI readiness dei dati?
Si sceglie una domanda di business e si assegna un punteggio per ciascuna delle sei dimensioni. La griglia di questo articolo è uno strumento di orientamento, non una misura scientifica: serve a capire da dove cominciare.
Quanto tempo serve per una prima valutazione?
Una prima valutazione di una singola domanda si può fare in una settimana, seguendo il piano di questo articolo. Il lavoro di sistemazione che ne segue dipende dai punteggi più bassi.
Devo sistemare tutti i dati prima di usare l'AI?
No. Si parte da una domanda e si sistemano i dati che servono a quella. Una domanda pronta può partire subito, mentre le altre aspettano.
Quando mi serve un progetto su misura?
Quando le domande attraversano più fonti o le fonti non hanno connettori pronti, come gestionali e database interni. Per una sola fonte già supportata può bastare uno strumento pronto.