In NTT DATA ho potuto osservare in prima persona come l’intelligenza artificiale — in particolare la GenAI negli ultimi anni, e oggi anche l’Agentic AI — possa rivoluzionare le organizzazioni in ogni settore.
I sistemi autonomi di AI agentica sono in grado di ragionare, pianificare e agire per raggiungere obiettivi, spesso in coordinamento con altri agenti. Tuttavia, questi sistemi riescono a generare il ritorno sull’investimento atteso solo se hanno accesso a grandi volumi di dati di alta qualità, ricchi di contesto e aggiornati in tempo reale.
Ciò significa che il vero potenziale dell’Agentic AI si sblocca solo quando si comprende e si raggiunge un adeguato livello di data readiness. Come ha affermato con grande lucidità un leader globale dell’IT durante un evento a cui ho partecipato di recente: “È la combinazione tra dati e AI che ti porta davvero lontano.”
L'elemento chiave dell'Agentic AI
Nel Global GenAI Report di NTT DATA, solo il 53% delle organizzazioni ha dichiarato di aver già affrontato il tema della data readiness durante la valutazione delle opportunità di business legate alla GenAI — ma il 95% prevedeva di farlo entro l’anno successivo, segno di una crescente consapevolezza della sua importanza. Gli intervistati hanno inoltre indicato la data readiness come la principale lezione appresa dalle precedenti implementazioni di GenAI.
Per quanto queste statistiche e l’affermazione del leader IT globale siano valide per la GenAI, esse risultano ancora più rilevanti nel contesto dell’AI agentica, dove i dati rappresentano l’ossatura dell’intero ecosistema.
Immaginiamo, ad esempio, che un produttore multinazionale di bevande voglia implementare l’AI agentica per ottimizzare la propria supply chain. Il sistema dovrebbe accedere ed elaborare enormi quantità di dati provenienti da fonti diverse, tra cui sensori, fornitori logistici e analisti di mercato. Se i dati non sono adeguatamente puliti, integrati e governati, il sistema non potrà prenderà decisioni ottimali.
Il risultato indesiderato non deriverebbe da una mancanza di capacità tecnologica o di pianificazione strategica, ma semplicemente da un’insufficiente preparazione dei dati.
Che cos’è la data readiness?
Concentrarsi sulla data readiness prima di implementare l’AI è come preparare gli ingredienti prima di infornare una torta. Puoi anche aver acquistato tutto il necessario, ma se gli ingredienti non sono di buona qualità, ben dosati o miscelati correttamente, il risultato finale sarà deludente.
Nel mondo della GenAI, questo significa disporre di dati di prima qualità, ben organizzati, puliti e pertinenti, affinché l’AI possa generare contenuti creativi senza intoppi. Più i dati sono affidabili, migliori saranno le prestazioni del tuo motore GenAI.
L’AI agentica, in particolare, richiede flussi di dati dinamici, provenienti da più fonti e in diversi formati, per poter ragionare e agire. Questi dati devono essere ricchi di contesto, semanticamente interoperabili (cioè non solo condivisi, ma anche compresi da piattaforme e applicazioni diverse) e disponibili in tempo reale.
Inoltre, i sistemi multiagente necessitano di ambienti dati sincronizzati per abilitare la collaborazione, la delega e la negoziazione tra agenti.
In un sistema multiagente, diversi agenti possono essere responsabili di aspetti differenti della supply chain, come approvvigionamento, gestione dell’inventario e logistica. Perché il sistema funzioni in modo efficace, i dati provenienti da ciascun agente devono essere sincronizzati e integrati in tempo reale, consentendo agli agenti di collaborare e prendere decisioni basate su una comprensione condivisa della catena di fornitura.
6 step per la data readiness nell’Agentic AI
Raggiungere la data readiness per l’Agentic AI può essere suddiviso in sei passaggi fondamentali:
1. Comprendere il processo decisionale
Chiarire quali dati servono per prendere decisioni aziendali è essenziale, indipendentemente dalla tecnologia utilizzata per generare e applicare gli insight. Questo implica comprendere i processi aziendali, identificare le decisioni chiave da prendere e determinare quali dati sono necessari per supportarle.
2. Verificare la qualità e l’integrità dei dati
La rilevanza di dati strutturati, etichettati e affidabili non può essere sottovalutata. In questo contesto, la validazione con intervento umano (human-in-the-loop) è fondamentale per garantire l’accuratezza e l’affidabilità dei dati.
3. Pianificare l’ingestione e l’integrazione dei dati
Sono necessari pipeline in tempo reale e API per alimentare continuamente gli agenti. Gli strumenti ETL (extract, transform, load) basati su AI, che estraggono dati da più fonti, li trasformano in un formato standardizzato e li caricano in un sistema di destinazione, possono automatizzare l’ingestione dai sistemi legacy, semplificando e riducendo i costi dell’integrazione.
4. Avviare la migrazione dei dati
Passare da sistemi isolati a un’architettura cloud-native e agent-ready è fondamentale. Il process mining, l’analisi e il miglioramento dei processi aziendali tramite i log degli eventi registrati dai sistemi, può aiutare a identificare e dare priorità ai dati da migrare, iniziando da quelli più critici.
5. Gestire la codifica e la semantica dei dati
La capacità degli agenti AI di ragionare dipende da ontologie, tassonomie e metadati. Questi strumenti organizzano e interpretano le informazioni, ma con funzioni diverse:
Le tassonomie raggruppano gli elementi in categorie e sottocategorie gerarchiche in base a caratteristiche comuni (es. elettronica, abbigliamento, articoli per la casa). Le ontologie definiscono le relazioni tra le categorie, offrendo una struttura più ricca che descrive come i concetti interagiscono (es. relazione tra un prodotto e il suo produttore, o tra un cliente e la sua cronologia ordini). I metadati forniscono informazioni sul contenuto, il contesto e la struttura dei dati (es. autore, data di creazione, tipo di file). Immagina un agente AI che deve consigliare prodotti in base alla cronologia di navigazione di un cliente: per farlo, deve comprendere le relazioni tra prodotti, clienti e preferenze. Ontologie, tassonomie e metadati permettono di interpretare questi dati complessi e offrire raccomandazioni accurate.
6. Mantenere la governance e la conformità dei dati
È fondamentale che gli agenti AI operino nel rispetto delle normative e dei principi etici. Implementa audit trail, controlli di accesso e framework di spiegabilità per garantire un uso responsabile dei dati e la conformità alle normative del tuo settore.
Il ruolo dell’AI nell’accelerare la data readiness
L’intelligenza artificiale — nelle sue diverse applicazioni — può svolgere un ruolo fondamentale nell’accelerare il percorso verso la data readiness. Può essere utilizzata, ad esempio, per il data profiling, per la scansione e classificazione dei dati e per la valutazione della loro qualità. Inoltre, può automatizzare attività come la deduplicazione, la normalizzazione e l’etichettatura contestuale.
I modelli linguistici di grandi dimensioni (LLM) possono classificare automaticamente i dati e arricchirli con contesto e significato aggiuntivi, facilitando l’integrazione e l’analisi di dati provenienti da fonti eterogenee.
L’AI può anche velocizzare i processi ETL tradizionali, monitorare l’utilizzo dei dati, segnalare anomalie e applicare policy in modo autonomo.
In NTT DATA abbiamo sviluppato diversi acceleratori per supportare le organizzazioni nel percorso verso la data readiness. Tra questi, strumenti di data profiling e data cleansing basati su AI, oltre a framework di data governance che aiutano a mantenere i dati accurati, affidabili e conformi alle normative.
Sfide comuni da superare
Nonostante i benefici evidenti, potresti incontrare diverse sfide nel raggiungere la data readiness.
Per iniziare, puoi utilizzare strumenti come i modelli di maturità e i calcolatori di ROI per valutare il tuo attuale livello di data readiness. Puoi anche affidarti al supporto di partner esperti, con esperienza non solo nell’implementazione di sistemi di Agentic AI, ma anche negli ecosistemi tecnologici più ampi in cui questi operano.
I data silo possono essere affrontati con tecniche come il federated learning (una metodologia di machine learning che consente l’addestramento di modelli AI su dati decentralizzati) e strategie data mesh (che distribuiscono la proprietà e la responsabilità dei dati tra i team dell’organizzazione, favorendo una gestione più agile).
Se utilizzi un sistema legacy non compatibile con le moderne architetture dati, puoi adottare un AI wrapper per estrarre i dati da quel sistema e integrarli con altre fonti. In questo modo puoi valorizzare i dati esistenti senza dover sostituire l’intero sistema.
Infine, la gestione del cambiamento resta fondamentale. Allinea i team business e IT attraverso valutazioni di maturità e programmi pilota.
Sei pronto?
La data readiness è un imperativo strategico che determinerà il successo delle tue iniziative di AI.
Comprendendo cosa implica la data readiness e adottando misure concrete per raggiungerla, puoi posizionare l’AI, la GenAI e in particolare l’Agentic AI come motore della trasformazione digitale della tua organizzazione.
Sei pronto a intraprendere questo percorso? Noi siamo qui per supportarti in ogni fase.