// TOM'S HARDWARE ITALIA — INTELLIGENZA ARTIFICIALE
L'IA non sbaglia da sola: il 60% dei progetti falliti nasce da dati sporchi e prompt scritti male
L'ossessione per l'intelligenza artificiale ha travolto il tessuto aziendale B2B. Ogni decisore si scontra prima o poi con risposte errate o vere e proprie allucinazioni del sistema. La colpa finisce quasi sempre sulla scarsa potenza del modello, mentre sono le infrastrutture di dati interne a reggere davvero il peso del problema.
È una lettura parziale, che ignora la reale dinamica del calcolo probabilistico moderno. L'errore risiede quasi sempre nella qualità dei dati forniti in pasto alle macchine. Conta anche il modo in cui vengono interrogate.
Ogni ciclo speso a incolpare il fornitore del modello è un ciclo non speso a sistemare l'archivio che lo alimenta. Il collo di bottiglia resta lo stesso, e il conto si allunga a ogni iterazione.
Le analisi degli analisti di settore confermano lo scenario. Gartner prevede che le aziende abbandoneranno il 60% dei progetti di intelligenza artificiale non supportati da dati pronti per l'AI entro il 2026. In un sondaggio dello stesso istituto, il 63% delle organizzazioni ammette di non avere, o di non sapere se ha, le pratiche di gestione dati adeguate.
Gartner è netto sul perché: la gestione tradizionale dei dati risulta troppo lenta, troppo rigida e troppo strutturata per i ritmi di un progetto AI. I team che se ne occupano lavorano su basi informative pensate per tutt'altro scopo, frammentate tra sistemi che non comunicano tra loro.
La base di dati su cui il modello poggia conta più del fornitore scelto. Cambiare modello non basta se l'archivio interno resta lo stesso: è lo stesso principio dietro le voci di spesa nascosta che gonfiano il conto IT di una PMI senza comparire mai da sole in bilancio.
Una ricerca di Harvard Business School lo dimostra con un caso concreto. Un algoritmo incaricato di generare i turni di lavoro su quasi 99 milioni di turni analizzati ha prodotto risultati imprecisi al punto che il 7,9% dei turni, 7,8 milioni, ha richiesto correzioni manuali imputabili a dati di partenza sbagliati. Il totale sale fino all'84% di turni corretti a mano dai responsabili.
Ogni 1% di dati sbagliati sulla disponibilità dei dipendenti genera un ulteriore 1,9% di correzioni a cascata sui turni, anche quelli già corretti. Un piccolo difetto non resta piccolo: si amplifica lungo la catena di elaborazione.
Uno studio della Stanford University ha misurato una dinamica simile sull'allucinazione, confrontando strumenti AI specializzati con strumenti generici usati fuori contesto. Gli strumenti costruiti su misura per un settore specifico allucinano comunque nel 17% dei casi; quelli generici, privati dei dati di contesto specialistico, arrivano fino all'82% di risposte inventate o fuorvianti.
Il modello sottostante è spesso lo stesso in entrambi i casi: cambia solo la qualità dei dati con cui viene alimentato. Quando mancano informazioni reali, la macchina non si ferma: inventa. È lo stesso meccanismo che chi strutturare davvero l'infrastruttura IT di un'azienda conosce bene sul lato hardware, dove un componente sottodimensionato produce lo stesso tipo di cedimento silenzioso.