Quali dati dovrebbe raccogliere una PMI prima di investire in AI?

L’intelligenza artificiale sta entrando rapidamente nelle imprese italiane. Secondo Istat, nel 2025 il 16,4% delle aziende con almeno 10 addetti utilizzava almeno una tecnologia di AI, il doppio rispetto all’8,2% registrato appena un anno prima. Tra le PMI la quota è passata dal 7,7% al 15,7%.

C’è però un altro numero, nello stesso rapporto, che racconta una storia forse più interessante. Tra le imprese che hanno valutato l’adozione dell’AI senza poi procedere, il 45,2% indica tra gli ostacoli l’indisponibilità o la scarsa qualità dei dati necessari. La mancanza di competenze pesa ancora di più, con il 58,6%.

La distanza tra questi due dati aiuta a capire un errore frequente nel modo in cui si parla di AI nelle aziende. Si parte quasi sempre dalla tecnologia: quale modello utilizzare, quale Copilot acquistare, quale processo automatizzare. Molto meno spesso si parte dalla materia prima che quella tecnologia dovrebbe utilizzare.

Eppure una PMI che vuole investire in AI dovrebbe cominciare da una domanda molto più semplice: quali dati possediamo già?

Probabilmente più di quanti pensiamo

Prendiamo una piccola azienda commerciale.

Gli ordini sono nell’ERP, i clienti nel CRM, alcune analisi vengono fatte in Excel; le richieste arrivano via email, l’e-commerce conserva una parte delle informazioni sulle vendite e il customer care utilizza magari un software ancora diverso.

A prima vista può sembrare un ecosistema poco sofisticato. In realtà sta già producendo continuamente dati su clienti, prodotti, prezzi, tempi, errori, richieste, pagamenti e processi.

Il problema è che raramente qualcuno li osserva come un patrimonio unico.

Prima di iniziare a raccogliere nuovi dati, quindi, può essere molto più utile costruire una mappa di quelli esistenti: capire dove sono, chi li aggiorna, quanto sono completi e soprattutto quale parte dell’attività aziendale descrivono.

Un file con dieci anni di ordini può essere estremamente prezioso. Lo è molto meno se metà dei clienti compare con tre nomi differenti, le categorie prodotto sono cambiate nel tempo e nessuno sa esattamente cosa significhi una delle colonne.

La quantità viene molto dopo la comprensione.

I dati che raccontano il cliente

La prima categoria a cui pensiamo è quasi sempre quella dei clienti. Ma un’anagrafica, da sola, racconta pochissimo.

Le informazioni diventano più interessanti quando si trasformano in una storia: quando è avvenuto il primo acquisto, cosa è stato comprato, con quale frequenza, a quale prezzo, dopo quale promozione, quante volte il cliente ha chiesto assistenza e quanto tempo è passato prima dell’acquisto successivo.

È questa sequenza, più del singolo record, che può alimentare modelli di segmentazione, previsione dell’abbandono, raccomandazione o prioritizzazione commerciale.

Lo stesso principio vale anche nel B2B. Sapere che un cliente ha fatturato 50.000 euro nell’ultimo anno è utile; sapere come si è arrivati a quei 50.000 euro, con quale margine, attraverso quali prodotti e dopo quanti preventivi permette di porre domande molto più interessanti.

Poi ci sono i dati dei processi

Molte applicazioni dell’AI più utili per una PMI non hanno bisogno di conoscere perfettamente il cliente. Hanno bisogno di conoscere il processo.

Quanto tempo passa tra l’arrivo di un ordine e la sua evasione? Dove nascono più spesso le eccezioni? Quali documenti devono essere corretti? Sono domande poco spettacolari, ma spesso è proprio qui che si trova il valore economico.

Se un’azienda vuole utilizzare l’AI per automatizzare un’attività amministrativa, per esempio, il dato più importante potrebbe non essere il volume complessivo dei documenti, ma la distinzione tra i casi che seguono il flusso normale e quelli che richiedono un intervento umano.

Un processo senza una storia osservabile è difficile da migliorare, con o senza AI.

Anche i documenti sono dati

Una parte enorme del patrimonio informativo di un’azienda non vive dentro database ordinati. Vive nelle email, nei contratti, nei manuali, nelle schede tecniche, nelle offerte commerciali, nei verbali e nei PDF.

Con i modelli linguistici questi contenuti sono diventati molto più facilmente interrogabili, ma il problema di fondo non è scomparso.

Se esistono quattro versioni dello stesso manuale e nessuno sa quale sia quella aggiornata, il limite non è il modello linguistico: è l’organizzazione dell’informazione.

Prima di costruire un assistente interno, quindi, può essere utile sapere quali documenti esistono, chi ne è responsabile, quando sono stati aggiornati e quale versione deve essere considerata valida.

La knowledge base viene prima del chatbot.

E infine serve sapere qualcosa sui dati stessi

C’è una categoria di informazioni meno evidente ma decisiva: i dati che descrivono gli altri dati.

Da dove arriva una variabile? Ogni quanto viene aggiornata? Chi la modifica? Quanti valori mancano? La definizione di “cliente attivo” è condivisa da marketing, amministrazione e commerciale?

Queste domande sembrano tecniche, ma hanno conseguenze molto pratiche. Un’AI può calcolare una risposta partendo da una definizione sbagliata. È per questo che una prima mappa dei dati aziendali può essere molto semplice: fonte, contenuto, responsabile, frequenza di aggiornamento, qualità e possibile utilizzo. Non serve necessariamente partire da una grande infrastruttura.

Nel 2025, sempre secondo Istat, la quota di imprese italiane con almeno 10 addetti che svolge analisi dei dati internamente o tramite soggetti esterni è arrivata al 42,7%, rispetto al 26,6% di due anni prima.

È un dato che vale la pena leggere accanto alla crescita dell’intelligenza artificiale.

Perché la readiness per l’AI non comincia quando un’azienda sceglie il modello da utilizzare. Comincia quando sa quali informazioni possiede, che cosa significano e quanto può fidarsi di loro.