In due righe
- L'IA generativa parte con zero dati tuoi: il modello è già addestrato.
- Per farla lavorare sui tuoi documenti bastano pochi file ordinati, non un archivio.
- I grandi volumi di dati servono solo per prevedere il futuro, ed è l'ultimo passo.
Quanti dati servono per usare l'AI? Dipende da quale intelligenza artificiale usi, ma quasi mai tanti. L'IA generativa è l'intelligenza artificiale che produce testi nuovi a partire da una richiesta scritta, senza cercare in un archivio. Funziona da subito con zero dati tuoi, perché il modello è già addestrato su testi pubblici. Per far rispondere l'AI sui tuoi documenti bastano pochi file ordinati. I dati in grande quantità servono solo se devi prevedere il futuro con il machine learning, e quello è l'ultimo passo, non il primo.
Il mito dei big data: nasce da una confusione
Il mito delle "tonnellate di dati" nasce da una confusione tra due azioni diverse: addestrare un modello da zero e usare un modello già pronto.
Il primo caso riguarda chi costruisce intelligenza artificiale. I modelli come ChatGPT di OpenAI, Claude di Anthropic e Gemini di Google vengono addestrati una volta su quantità enormi di testi pubblici. Servono miliardi di documenti, potenza di calcolo e team specializzati.
Il secondo caso riguarda una PMI. Tu non addestri niente: apri uno strumento già pronto e gli chiedi di scrivere, riassumere o rispondere. In questo secondo caso, il mito dei big data non vale. Chi lo ripete sta confondendo il lavoro di chi costruisce i modelli con il lavoro di chi li usa.
Quanti dati servono per usare l'AI? Tre livelli: zero, pochi, tanti
Per capire da dove partire, guarda cosa vuoi fare. Ci sono tre fasce di dati, e la maggior parte delle PMI può partire dalle prime due.
| Cosa vuoi fare |
Dati che ti servono |
Quanto ci metti a partire |
| Scrivere offerte, mail, post (IA generativa) |
Zero dati tuoi |
Oggi |
| Riassumere, tradurre, correggere documenti |
Zero dati tuoi |
Oggi |
| Far rispondere l'AI sui tuoi documenti (listino, procedure) |
Da 5 a 50 file ordinati |
Qualche giorno |
| Automatizzare risposte a richieste ripetitive |
Lo storico delle richieste, anche poche decine |
Qualche settimana |
| Prevedere vendite, scorte o guasti (machine learning) |
Serie storiche di 1-2 anni |
Mesi |
I numeri Istat mostrano quanto la barriera dei dati sia mal posta. Tra le imprese con almeno 10 addetti che non usano l'IA, il 45,2% indica tra le ragioni l'indisponibilità o la scarsa qualità dei dati. Ma tra chi la usa, il 70,8% fa estrazione da documenti di testo e il 59,1% usa l'IA generativa: due usi che non chiedono alcuno storico. Solo il 20,0% usa il machine learning per analisi dati, dove i dati servono davvero.
Livello 1: l'AI che parte con zero dati tuoi
È il punto di ingresso per quasi tutte le PMI, perché non richiede nessuna preparazione. Gli usi pronti da subito sono:
- Scrivere un'offerta partendo da poche informazioni sul cliente.
- Riassumere il verbale di una riunione.
- Tradurre una mail o una scheda tecnica.
- Correggere un post o una pagina del sito.
- Generare la prima bozza di una procedura.
L'unico dato è quello che scrivi nel prompt, cioè l'istruzione che dai all'AI. Non serve un CRM, non serve un gestionale, non serve un data warehouse. Il modello ha già letto abbastanza testi pubblici da scrivere in italiano corretto, e se la richiesta è chiara il risultato è già utile.
Livello 2: bastano pochi documenti ordinati
Il salto successivo è far rispondere l'AI sui tuoi contenuti: listino prezzi, procedure interne, schede prodotto, policy. Per farlo si usa una tecnica chiamata RAG. Il RAG è la tecnica che fa leggere all'AI i tuoi documenti e le impone di rispondere basandosi solo su quelli, senza riaddestrare il modello.
Secondo IBM, il RAG collega il modello a basi di conoscenza esterne e permette di usare dati interni senza ulteriore addestramento. E secondo Databricks, un dataset più piccolo di esempi di alta qualità supera costantemente un dataset più grande con dati rumorosi.
In pratica, bastano un listino, un manuale di procedure e una manciata di documenti tipo. Non serve riaddestrare niente, e questo è il punto che distingue il RAG dal fine-tuning. Il fine-tuning è l'adattamento di un modello già addestrato a un compito specifico usando pochi esempi di qualità: anche lì non servono tonnellate di dati.
Per questo caso, la via più diretta è un agente AI costruito sui tuoi documenti, che legge i file che hai già e risponde solo su quelli.
Lo strumento
Delera Agent AI costruisce agenti su misura sui processi che oggi ti portano via ore ogni settimana.
Scopri Delera Agent AI
Livello 3: quando i dati servono davvero
I dati in grande quantità servono solo quando devi prevedere il futuro. Il machine learning predittivo è l'insieme di tecniche che imparano dai dati storici a stimare un valore futuro, come le vendite del prossimo trimestre o il momento in cui un macchinario si guasterà.
Qui servono serie storiche di uno o due anni, perché il modello deve trovare regolarità nel tempo. Non partire da qui se non hai lo storico: un modello senza abbastanza esempi produce previsioni inaffidabili, e ti costerà più in tempo e fiducia di quanto ti restituisca. Per una PMI è l'ultimo passo, non il primo.
L'officina che pensava di non avere dati
Facciamo un conto su un'azienda tipo. Mettiamo un'officina meccanica con sei dipendenti e ottocentomila euro di fatturato. Il titolare è convinto di non avere dati. In realtà li ha già:
- Tre anni di fatture nel gestionale del commercialista.
- Il listino prezzi in un PDF.
- La cronologia email con i clienti.
- Le offerte in bozza sparse tra cartelle e desktop.
Per scrivere un'offerta, il livello 1, non servono altri dati: bastano poche informazioni sul cliente e sul lavoro da fare. Per rispondere alle domande su listino e procedure, il livello 2, bastano due o tre file ordinati. Per prevedere le vendite, il livello 3, servono le fatture di due anni, che in realtà l'officina ha già.
La differenza non è tra chi ha dati e chi non li ha. È tra chi li ha sparsi e chi li mette in ordine. Da dove inizi a raccogliere oggi:
- Scegli un compito ripetitivo che ti ruba ore ogni settimana.
- Raccogli solo i documenti che riguardano quel compito.
- Mettili in una cartella condivisa con nomi chiari e una sola versione aggiornata.
- Prova l'AI su quel compito per una settimana.
- Misura il tempo risparmiato.
Domani mattina fai il punto 1: apri la cartella delle offerte e conta quante ne scrivi in una settimana. Se sono più di cinque, hai già il tuo primo caso d'uso, e non ti servono big data.
Domande frequenti
Quanti dati servono per usare l’intelligenza artificiale?
Dipende dall’uso. Per scrivere testi, riassumere o tradurre ne servono zero: il modello è già addestrato. Per far rispondere l’AI sui tuoi documenti bastano da pochi a qualche decina di file ordinati. I grandi volumi di dati servono solo per prevedere il futuro con il machine learning, ed è l’ultimo passo, non il primo.
La mia azienda è piccola e non ha dati: l’AI è inutile per me?
No. La maggior parte delle aziende produce ogni giorno più dati di quanto pensi: fatture, offerte, email, preventivi. E gli usi più utili dell’AI, come scrivere o riassumere, non richiedono alcun dato tuo. Il problema di solito non è la quantità, ma che i dati sono sparsi e non ordinati.
Quanti documenti servono per far rispondere l’AI sui miei contenuti?
Pochi, se ordinati. Un listino prezzi, un manuale di procedure e una manciata di documenti tipo bastano per un assistente che risponde su prodotti e processi. La qualità conta più della quantità: meglio dieci documenti puliti e aggiornati che mille file duplicati e incoerenti.
Quando servono davvero i big data?
Solo quando addestri un modello da zero o costruisci previsioni numeriche: vendite, scorte, guasti. Lì servono serie storiche di uno o due anni. È roba da grandi aziende o da un secondo tempo del tuo percorso, non il punto di partenza per una PMI.
Da dove comincio se voglio usare l’AI in azienda?
Parti da un compito concreto e ripetitivo: scrivere offerte, rispondere alle stesse domande, riassumere verbali. Metti in ordine i documenti che riguardano quel solo compito, non tutta l’azienda. Usa uno strumento che già conosci e misura il tempo risparmiato in una settimana.
I dati della mia azienda sono al sicuro se uso l’AI?
Dipende dallo strumento. Nei tool pubblici gratuiti non vanno inseriti dati riservati, anagrafiche o segreti aziendali, perché possono essere usati per addestrare i modelli. Per lavorare sui tuoi documenti servono strumenti con garanzie di riservatezza o configurazioni aziendali, nel rispetto del GDPR.
Delera CRM
Delera Agent AI
UmanValue
PMI Speed Test