In due righe
- La preparazione dei dati non è un progetto: è il prerequisito di qualsiasi progetto di intelligenza artificiale.
- Per una PMI bastano gestionale, CRM ed Excel, a patto che siano puliti, univoci e collegati a un caso d'uso preciso.
- Il 45,2% delle imprese con almeno 10 addetti che hanno valutato l'AI senza adottarla indica la qualità dei dati come ostacolo.
- Non serve pulire tutto: si parte da un caso d'uso e si sistemano solo i dati che quel caso legge davvero.
Preparare i dati per l'AI significa sapere dove vivono, pulirli da duplicati ed errori, strutturarli in tabelle leggibili e decidere chi può accedervi. È il passaggio che quasi tutti saltano, e si paga caro. Il 45,2% delle imprese italiane con almeno 10 addetti che hanno valutato l'AI senza adottarla indica proprio la scarsa qualità o indisponibilità dei dati come ostacolo. Per una PMI non serve un data scientist: servono ordine, disciplina e un caso d'uso chiaro da cui partire. Se vuoi il quadro completo, parti da da dove partire con l'intelligenza artificiale in azienda.
Preparare i dati per l'AI: cosa significa, in parole da PMI
Per una PMI, dati pronti vuol dire tre cose: accessibili, puliti, strutturati.
Accessibili significa che chi deve usarli sa dove stanno e può aprirli senza chiedere un favore. Puliti significa senza duplicati, senza campi vuoti nei punti critici, senza date scritte in tre formati diversi. Strutturati significa organizzati in tabelle leggibili da una macchina: i dati strutturati sono informazioni disposte in righe e colonne, che un software interpreta senza ambiguità. I dati non strutturati sono testi, email, immagini e documenti che non seguono uno schema fisso.
Non serve un data lake. Il data lake è una infrastruttura pensata per aziende con volumi enormi di dati grezzi. Per una PMI basta che il gestionale (ERP), il CRM ed Excel seguano regole comuni e che ogni dato importante abbia una sola casa. La pulizia dei dati è l'operazione di rimuovere duplicati, correggere errori e uniformare i formati di un archivio. È il lavoro più noioso e più necessario.
Nel 2025, il 16,4% delle imprese italiane con almeno 10 addetti usa l'intelligenza artificiale. Tra le PMI la quota scende al 15,7%, in crescita dal 7,7% ma ancora lontana dalle grandi imprese: il divario è salito a 37 punti. Il dato più utile è un altro. Il 45,2% delle imprese con almeno 10 addetti che hanno valutato l'AI senza adottarla indica l'indisponibilità o la scarsa qualità dei dati come ostacolo. Attenzione alla popolazione: quel 45,2% non riguarda tutte le aziende italiane, ma solo quelle che hanno già fatto una valutazione e hanno deciso di non procedere.
È il principio del garbage in, garbage out: un modello alimentato con dati sbagliati produce risultati sbagliati, per quanto buono sia il modello. Non è una questione di potenza dell'algoritmo. Se l'anagrafica clienti contiene doppioni, due date concorrenti e campi vuoti, qualsiasi risposta generata su quei dati sarà inaffidabile.
Passo 1: fai l'inventario di dove vivono i dati
Prima di sistemare qualcosa, serve sapere cosa esiste. Il metodo è una mappatura delle fonti: gestionale, CRM, fogli Excel, email, cartelle condivise, anche i file sul desktop di qualcuno.
Per ogni fonte segna tre cose: chi la usa, quanto è aggiornata e che tipo di dati contiene. Poi metti un segno rosso accanto alle fonti che contengono versioni diverse della stessa informazione.
IBM stima che l'82% delle aziende abbia silos di dati che ostacolano i processi. Un silo di dati è un archivio accessibile solo a una parte dell'azienda e non collegato agli altri. In una PMI il silo tipico è il file Excel della segreteria che non parla con il gestionale.
Passo 2: pulisci solo ciò che il caso d'uso leggerà davvero
Qui si ferma la maggior parte dei progetti. Si decide di pulire tutto, si apre il primo archivio, si scopre che servono settimane e si rinuncia. Non fare così: non pulire tutto l'archivio aziendale prima di scegliere il caso d'uso.
Facciamo un conto su un'azienda tipo, un'officina con otto dipendenti e un milione e duecentomila euro di fatturato. Vuole un assistente che risponda sullo stato degli ordini. I clienti stanno in tre posti: il gestionale ne ha 600, un Excel della segreteria 150 e dentro quell'Excel 40 sono doppioni. Le email contengono ordini che non stanno da nessuna parte.
Il primo intervento non è ripulire le email. È unire le anagrafiche nel gestionale, deduplicare i clienti e scegliere un solo formato per le date. Tempo richiesto: due o tre mezze giornate, non un progetto. Una stima diffusa nel settore dice che i professionisti dei dati passano l'80% del tempo a trovare, pulire e organizzare i dati e solo il 20% ad analizzarli. Vale anche per chi non ha un team di data scientist. Se i dati nascono già sbagliati, il motivo spesso sta in chi li inserisce: ne parla meglio perché i dati nascono sbagliati già da chi li inserisce.
Passo 3: struttura i dati per il caso d'uso, non in astratto
Strutturare non è un fine. È il passaggio tra dati puliti e risposta utile. La stessa officina, con gli stessi dati, deve costruire due tabelle diverse a seconda del caso d'uso.
Se il caso d'uso è l'assistente sullo stato degli ordini, servono due tabelle collegate: anagrafica clienti e ordini. Ogni ordine deve avere cliente, data, stato e articolo, in colonne che la macchina legge senza indovinare.
Se il caso d'uso è la previsione di vendita, serve una serie storica per mese e per articolo: una riga per ogni mese, con quantità e fatturato. Oggi quei dati sono sparsi tra gestionale e fogli, quindi quella tabella non esiste e va costruita. Il punto è che ogni caso d'uso vuole la sua tabella, non una struttura perfetta per tutto. Se non sai quanti dati servono, non serve un archivio sterminato: quanti dati servono davvero per usare l'AI spiega perché spesso ne bastano meno di quanto pensi.
Lo strumento
Delera Agent AI costruisce agenti su misura sui processi che oggi ti portano via ore ogni settimana.
Scopri Delera Agent AI
La griglia per decidere quale dato sistemare per primo
La domanda non è «i dati sono pronti?» ma «per quale caso d'uso?». Questa griglia incrocia la situazione tipica con il primo intervento e il caso d'uso più adatto.
| Situazione tipica |
Primo intervento |
Caso d'uso AI adatto |
| I clienti stanno in più posti (gestionale, Excel, email) |
Scegli un'unica fonte anagrafica e deduplica i clienti |
Assistente che risponde sullo stato degli ordini |
| Date e codici articolo scritti in modi diversi |
Standardizza i formati: una regola per la data, un codice per articolo |
Report automatici su vendite e scorte |
| Campi vuoti, ordini senza prezzo o quantità |
Completa solo i campi che il caso d'uso legge davvero |
Analisi di marginalità o previsione di vendita |
| Dati sparsi in cartelle personali e file singoli |
Sposta tutto su una cartella condivisa con regole di accesso |
Automazioni sui documenti (fatture, DDT) |
Il punto della griglia non è la completezza: è che il primo intervento dipende dal caso d'uso. Non partire dal progetto più ambizioso. Partire dalla previsione di vendita quando i clienti sono doppi in tre posti è il modo più sicuro per fallire due volte: fallisce la previsione e fallisce la pulizia.
Governance, GDPR e accessi: la parte che nessuno vuole fare
La governance dei dati è l'insieme di regole su chi può accedere, modificare e usare i dati aziendali. Non serve un comitato. Servono quattro regole minime.
- Un responsabile dei dati, anche non tecnico, che decide chi può vedere cosa.
- Accessi per ruolo. Chi vende vede i clienti, chi amministra vede i costi, nessuno vede tutto per abitudine.
- Minimizzazione. A uno strumento AI passi solo i campi che servono, non l'intero database.
- Anonimizzazione dove possibile. Se un report può funzionare senza nomi e codici fiscali, toglili.
Quando i dati passano da uno strumento esterno, escono dall'azienda. Prima di farlo, leggi l'informativa e verifica dove vengono trattati. Il GDPR non blocca l'AI, ma chiede di sapere cosa stai facendo: cosa dice il GDPR quando i dati passano da uno strumento automatico e se puoi mettere i dati dei clienti in ChatGPT chiariscono i confini. Se non è chiaro cosa succede ai dati, meglio fermarsi e valutare.
Domani mattina, prendi un foglio e scrivi dove vivono i dati del tuo prossimo caso d'uso. Solo quelli. Se non hai ancora scelto il caso d'uso, prendi il più piccolo che promette un ritorno misurabile. La preparazione dei dati non è un prerequisito da rimandare: è il primo progetto da finire.
Domande frequenti
Devo pulire tutti i dati prima di iniziare un progetto AI?
No. Pulire tutto è il modo più sicuro per non partire mai. Prima scegli un caso d’uso preciso, poi sistema solo i dati che quel caso d’uso leggerà davvero: per un assistente sullo stato ordini bastano anagrafica clienti e ordini. Il resto si sistema in un secondo momento, quando serve.
Quanto tempo serve per preparare i dati?
Per una PMI con gestionale ed Excel, una pulizia mirata per un singolo caso d’uso richiede giorni, non mesi. Dipende da quante fonti ci sono e da quanto sono sporche: un archivio clienti con duplicati in tre posti diversi si sistema in due o tre mezze giornate di lavoro.
L’AI può pulire i dati da sola?
In parte sì: gli strumenti di pulizia basati su AI trovano duplicati, formati sbagliati e valori fuori scala più in fretta di una persona. Ma serve qualcuno che decida le regole, per esempio quale formato di data è quello giusto. L’AI esegue, le regole le mette chi conosce l’azienda.
Serve un data scientist per preparare i dati?
Per la maggior parte delle PMI no. Servono una persona che conosca i processi aziendali, la pazienza di aprire gli archivi e la disciplina di mantenere le regole nel tempo. Il data scientist serve quando i dati sono molti e il modello è complesso, non per deduplicare un archivio clienti.
E se i dati contengono dati personali dei clienti?
Vale il GDPR: prima di passarli a uno strumento AI, verifica che sia lecito, riduci al minimo i dati necessari e, dove possibile, anonimizza. Controlla anche dove finiscono i dati e chi può accedervi. Se non è chiaro, meglio fermarsi e valutare.
Qual è l’errore più comune nella preparazione dei dati?
Voler sistemare tutto prima di partire, e non partire mai. Il perfezionismo sui dati è un alibi: si rimanda il progetto all’infinito. L’alternativa giusta è partire da un caso d’uso piccolo, preparare solo i dati che servono e migliorare in corsa.
Delera CRM
Delera Agent AI
UmanValue
PMI Speed Test