Avere dati pronti per l’AI non è un dettaglio tecnico da lasciare al reparto IT: è una delle condizioni che le indagini di settore associano alla riuscita dei progetti di intelligenza artificiale e alla loro capacità di arrivare in produzione. Le stime sull’abbandono dei progetti e le indagini sugli ostacoli all’adozione descrivono fenomeni diversi, ma richiamano entrambe l’attenzione sulla qualità e sulla gestione dei dati.
Dati pronti per l’AI: cosa dicono le cifre sull’abbandono dei progetti
Gartner prevede che, entro il 2026, le organizzazioni abbandoneranno il 60% dei progetti di intelligenza artificiale non supportati da dati pronti per l’IA [1]. In un’analisi pubblicata nel gennaio 2026, la stessa società di ricerca ha riportato che almeno il 50% dei progetti di IA generativa era stato abbandonato dopo la prova di fattibilità entro la fine del 2025, per via di scarsa qualità dei dati, controlli di rischio inadeguati, costi crescenti o valore di business poco chiaro [2]. Le due cifre non misurano la stessa grandezza: la prima è una previsione relativa ai progetti di IA non supportati da dati pronti, mentre la seconda descrive l’abbandono dei progetti di IA generativa dopo il proof of concept, considerando anche cause diverse dalla qualità dei dati. Non sono quindi direttamente confrontabili.
Altre rilevazioni evidenziano un aumento degli abbandoni. Un rapporto di S&P Global Market Intelligence pubblicato nel 2025, basato su indagini condotte su oltre mille professionisti in Nord America ed Europa, mostra che la quota di aziende che ha abbandonato la maggior parte delle proprie iniziative AI prima della messa in produzione è passata dal 17% al 42% in un solo anno. Nella rilevazione più recente, condotta tra ottobre e novembre 2024, le organizzazioni dichiaravano inoltre di abbandonare in media il 46% dei progetti dopo il proof of concept e prima della produzione [3]. Un secondo aggregatore riporta la stessa ricerca [4]. Una testata di settore riferisce che il 63% delle aziende non ha dati “pronti” per l’intelligenza artificiale o non sa dire se li possiede [5]. Il dato deriva però da una ricerca Gartner che, nel comunicato originale, riferisce il 63% alle organizzazioni che non dispongono delle giuste pratiche di gestione dei dati per l’IA o non sono sicure di averle [1], una formulazione ripresa anche da un fornitore di soluzioni dati [6]. Non si tratta quindi di due rilevazioni indipendenti: lo stesso dato viene riportato con formulazioni che non sono del tutto equivalenti.
Perché i progetti si fermano: qualità, competenze e sistemi scollegati
Le indagini più recenti indicano cause ricorrenti, non episodiche. Secondo l’indagine CDO Insights 2025 di Informatica, gli ostacoli principali al successo dell’IA sono la qualità e la predisposizione dei dati (43%), la mancanza di maturità tecnica (43%) e la carenza di competenze e alfabetizzazione sui dati (35%) [7]. Nell’indagine RSM 2026 sul middle market statunitense e canadese, gli ostacoli più citati dalle aziende per estendere l’uso dell’IA sono stati la qualità dei dati (53%) e il collegamento dell’IA ai sistemi esistenti (47%) [4]. Sul piano operativo, la compresenza di questi due problemi può rendere più complessa la preparazione dei dati prima del loro utilizzo nei modelli, soprattutto quando le informazioni sono distribuite tra sistemi non integrati.
In Italia il quadro raccontato da dati Eurostat del 2023 elaborati da Intesa Sanpaolo colloca al primo posto tra le cause di mancata adozione dell’IA la carenza di competenze, seguita da costi elevati e dalla mancanza o scarsa qualità dei dati [8]. Un’indagine citata da Key4biz conferma l’ordine di priorità: tra le imprese che hanno valutato ma non adottato l’IA, il 58,6% segnala la mancanza di competenze adeguate come ostacolo principale, insieme a incertezza normativa, scarsa disponibilità o qualità dei dati, problemi di privacy e costi elevati [9]. In un caso concreto seguito dall’OCSE nell’ambito dei mercati finanziari italiani, un’impresa ha abbandonato un progetto di IA per la difficoltà di gestire la titolarità frammentata dei dati tra più fornitori lungo la catena del valore [10] — un esempio di come il problema smetta di essere tecnico e diventi organizzativo.
Cosa significa, in pratica, avere dati pronti per l’AI
Gartner definisce i dati pronti per l’IA come dati rappresentativi del caso d’uso specifico, comprensivi di ogni pattern, errore, outlier ed emergenza inattesa necessari per addestrare o eseguire il modello; la predisposizione non si costruisce una volta per tutte, ma è un processo continuo basato sulla disponibilità di metadati per allineare, qualificare e governare i dati [11]. La stessa società scompone questa predisposizione in tre azioni legate al caso d’uso: allinearli, qualificarli rispetto ai requisiti in corso e governarli [12].
Altri riferimenti ampliano l’elenco delle discipline coinvolte. Un framework attribuito a McKinsey individua sei aree da presidiare — gestione della qualità, metadati, tracciabilità, governance, osservabilità e architettura sottostante — da applicare sia a contenuti non strutturati come contratti e trascrizioni sia a dati strutturati [12]. Per i sistemi di IA ad alto rischio che impiegano tecniche di addestramento basate sui dati, l’articolo 10 del Regolamento europeo sull’intelligenza artificiale (AI Act) stabilisce requisiti relativi ai dati di addestramento, validazione e test. Tra quelli previsti figurano [13]:
- pertinenza rispetto al caso d’uso;
- rappresentatività sufficiente;
- assenza di errori, per quanto possibile;
- completezza, per quanto possibile;
- proprietà statistiche appropriate;
- considerazione delle finalità originarie della raccolta quando si utilizzano dati personali;
- considerazione delle caratteristiche del contesto geografico, comportamentale e funzionale di utilizzo.
Sul piano normativo italiano, le linee guida definitive AgID per l’adozione dell’IA nella pubblica amministrazione, adottate il 9 novembre 2026, integrano le caratteristiche di qualità dei dati già previste per gli open data — accuratezza, coerenza, completezza e attualità — con ulteriori requisiti derivanti dagli standard ISO/IEC 25012 e ISO/IEC 5259-2, tra cui rappresentatività, bilanciamento, tracciabilità, disponibilità e credibilità [14]. Le linee guida riconoscono inoltre la gestione dei dati come elemento fondamentale per l’affidabilità dei sistemi di IA e richiedono di presidiare la qualità lungo il loro ciclo di vita. A livello di normazione tecnica, la serie UNI CEI EN ISO/IEC 5259 fornisce strumenti, modelli e linee guida per garantire che i dati usati nei sistemi di IA siano affidabili, trasparenti e appropriati al loro scopo, coprendo la qualità dei dati per analytics e machine learning [15]. La Commissione Europea, con la Data Union Strategy, prevede inoltre un’iniziativa di normazione per elaborare uno standard europeo di qualità dei dati che copra completezza, coerenza, provenienza, chiarezza semantica e governance, offrendo ad aziende, regolatori e ricercatori parametri condivisi per set di dati affidabili [14].
Governance prima del modello: chi deve muoversi e quando
Le raccomandazioni convergono su un principio comune: la verifica dei dati precede la scelta dello strumento, non la segue. Secondo l’esperienza di progetti di integrazione dell’IA nei processi industriali raccontata da Key4biz, le difficoltà principali riguardano la mappatura dei processi, la qualità dei dati, l’attribuzione delle responsabilità e il coordinamento tra competenze diverse, con il lavoro che inizia più spesso dalla verifica dei dati disponibili prima della scelta tecnologica [9]. Nell’indagine di Assolombarda e del Politecnico di Milano su 700 aziende, il patrimonio informativo viene analizzato in termini di qualità, completezza e accessibilità prima di avviare un progetto di IA, perché è da questi dati che dipende l’efficacia della soluzione; la diffusione dei progetti resta però disomogenea, fermandosi al 41% tra le piccole imprese contro il 79% delle grandi [16].
Questa disomogeneità suggerisce che, oltre al metodo, vadano considerate anche le risorse e la struttura organizzativa, pur senza dimostrare che siano queste a spiegare il divario tra piccole e grandi imprese. La predisposizione dei dati resta infatti una questione che coinvolge sia aspetti tecnici sia responsabilità organizzative. L’OCSE osserva che le imprese del settore finanziario italiano richiedono strutture interne di governance dei dati efficienti per ottimizzarne l’utilizzo nello sviluppo dell’IA e per gestire il coinvolgimento di fornitori terzi [10], un punto che può chiamare in causa non solo i team dati ma anche gli uffici legali e gli acquisti, nel momento in cui più fornitori condividono la responsabilità su uno stesso set di dati.
Perché conta
Le cifre raccolte da analisti, indagini settoriali e organismi istituzionali, pur provenendo da metodologie diverse e non sempre comparabili tra loro, descrivono problemi distinti: l’abbandono dei progetti non supportati da dati pronti in alcune previsioni e gli ostacoli al successo, all’estensione o all’adozione dell’IA in altre indagini [1] [3] [7] [9]. Nel loro insieme, queste evidenze indicano che la qualità e la governance dei dati sono fattori da considerare fin dalle fasi iniziali dei progetti, senza attribuire a tutte le indagini la stessa misura di abbandono. Stabilire quando un’azienda ha dati pronti per l’AI significa quindi mettere mano a un processo che coinvolge governance, responsabilità distribuite tra fornitori e risorse organizzative, non solo una verifica tecnica a monte del progetto. Per chi lavora nel settore, questo sposta il tema dalla sala server al tavolo dove si decidono priorità, responsabilità e budget dei progetti.
Fonti
- Lack of AI-Ready Data Puts AI Projects at Risk — Gartner | 26/02/2025
- Why 50% of GenAI Projects Fail — And How to Beat the Odds — Gartner | 26/01/2026
- Generative AI Shows Rapid Growth but Yields Mixed Results — S&P Global Market Intelligence | 2025
- Azienda AI-first: cosa funziona e cosa fallisce, per dimensione — AI-first.company | 19/10/2026
- Se i progetti di AI in azienda falliscono, spesso è colpa dei dati — ICT Business
- AI Data Readiness: How to Test Your Data Before You Build AI — Sotatek
- The Surprising Reason Most AI Projects Fail – And How to Avoid It at Your Enterprise — Informatica
- The Augmented AI-Human Job — Intesa Sanpaolo
- AI e PMI italiane: adozione, produttività e limiti strutturali — Key4biz | 22/09/2026
- L’IA nel settore finanziario italiano: L’intelligenza artificiale nei mercati finanziari italiani — OCSE (OECD) | 24/04/2026
- AI-Ready Data Essentials to Capture AI Value — Gartner
- Preparazione dei dati per l’IA: un framework per help desk, ITSM e PSA — Help Desk Migration
- Regolamento (UE) 2024/1689 sull’intelligenza artificiale — Articolo 10: Dati e governance dei dati — Parlamento europeo e Consiglio dell’Unione europea | EUR-Lex
- Linee Guida per l’adozione di IA nella Pubblica Amministrazione — Versione 1.0 definitiva — Agenzia per l’Italia Digitale (AgID) | 09/11/2026
- Gli standard per l’intelligenza artificiale: la UNI CEI EN ISO/IEC 5259 — UNI, Ente Italiano di Normazione
- Intelligenza Artificiale nelle PMI: dalla sperimentazione alla scelta consapevole — Assolombarda Servizi
Questo articolo è stato prodotto da agenti di intelligenza artificiale e verificato dalla redazione prima della pubblicazione. Per maggiori dettagli consulta la pagina Come lavoriamo.




