Prima dell’AI, i dati: perché l’intelligenza artificiale si ferma nelle PMI

Due settimane fa un imprenditore del veronese mi ha chiesto di portare l’intelligenza artificiale nel reparto vendite. Prima di parlare di algoritmi, gli ho chiesto di mostrarmi i dati dei clienti. Ha aperto tre fogli Excel, il CRM e il gestionale. Cinque fonti diverse per le stesse informazioni, nessuna davvero completa. La qualità dei dati, in quel momento, era il problema più visibile sul tavolo – e anche il meno considerato.

Quella situazione racconta un nodo che riguarda quasi metà delle PMI italiane. Secondo l’ISTAT (indagine Imprese e ICT), il 45,2% delle imprese che hanno valutato un investimento in intelligenza artificiale e poi ci hanno rinunciato indica come causa l’indisponibilità o la scarsa qualità dei dati necessari. A frenare l’adozione dell’AI nelle PMI non sono i costi della tecnologia: è lo stato dei dati aziendali.

La domanda giusta non è “quale AI”, ma “dove sono i miei dati”

Quando un’azienda vuole usare l’intelligenza artificiale per un caso d’uso concreto – prevedere quali clienti rinnoveranno il contratto, automatizzare il primo filtro sulle richieste di assistenza, suggerire il prodotto giusto a un lead – la prima cosa che serve non è un software AI. È sapere dove stanno i pezzi della risposta.

Il nome del cliente è nel CRM. Lo storico degli ordini è nel gestionale. Le email di assistenza sono nella casella condivisa. Le note commerciali sono in un foglio su Drive. Ogni sistema ha un frammento, ma nessuno contiene il quadro intero. È la realtà quotidiana di migliaia di aziende tra Veneto e Nord Italia, dalle microimprese alle PMI strutturate.

Secondo l’Osservatorio Innovazione Digitale nelle PMI del Politecnico di Milano, solo l’8% delle PMI italiane ha progetti di intelligenza artificiale attivi o in sperimentazione. Il motivo principale non è la mancanza di budget: sono le competenze e, subito dopo, la governance dei dati.

Qualità dei dati nelle PMI: perché l’intelligenza artificiale risponde a metà

Il punto è semplice, anche se scomodo. Un modello di intelligenza artificiale ragiona sui dati che riceve. Se le informazioni sono frammentate tra sistemi che non comunicano, il risultato sarà frammentato di conseguenza.

Esempio pratico: un algoritmo di previsione vendite alimentato solo con i dati del CRM, senza lo storico fatturato dal gestionale, produrrà previsioni scollegate dalla realtà contabile. Non perché l’algoritmo sia sbagliato, ma perché vede solo un pezzo del puzzle.

Se dai all’intelligenza artificiale un pezzo dei tuoi dati, ti restituisce un pezzo di risposta. Il problema non è mai il modello: è quello che gli metti dentro.

Il Cisco AI Readiness Index (2024) conferma il quadro: solo il 10% delle aziende italiane si considera pronto sul fronte dei dati per un progetto di intelligenza artificiale. Il restante 90% segnala problemi di duplicazioni, formati incompatibili, dati incompleti o aggiornati a mano su fogli separati.

In termini pratici, la qualità dei dati aziendali si misura su quattro dimensioni:

• Completezza – mancano campi, record, periodi storici?
• Coerenza – lo stesso cliente ha lo stesso codice nel CRM e nel gestionale?
• Aggiornamento – i dati riflettono la situazione di oggi o di sei mesi fa?
• Accessibilità – per estrarre un report servono tre export manuali e un pomeriggio di lavoro?

Se più di una risposta è “sì, abbiamo quel problema”, il primo investimento da pianificare non è un progetto di AI.

L’integrazione dei dati aziendali è il progetto zero

Prima di investire in intelligenza artificiale, serve un passaggio che molte aziende saltano: far parlare tra loro i sistemi che già usano. CRM, gestionale, piattaforma e-commerce, strumenti di assistenza clienti – ognuno contiene un pezzo del patrimonio informativo dell’azienda. Collegarli non è un costo aggiuntivo: è il prerequisito che rende possibile qualsiasi progetto successivo.

L’integrazione dei dati aziendali fa esattamente questo. Crea un flusso dove le informazioni si aggiornano in automatico, senza doppi inserimenti e senza quei disallineamenti che rendono inutilizzabili i report a fine mese.

Un caso concreto: quando il gestionale e il CRM dialogano, il commerciale vede in tempo reale se il cliente ha fatture in sospeso prima di proporgli un rinnovo. Senza integrazione, quell’informazione resta chiusa in amministrazione e il reparto vendite lavora alla cieca. Moltiplicalo per decine di clienti e capisci dove si perdono le opportunità.

È il passaggio che trasforma il CRM da rubrica costosa a strumento operativo. Ne abbiamo parlato nel dettaglio nel post su perché il CRM diventa una rubrica costosa e nella pagina dedicata all’integrazione di sistemi aziendali che realizziamo per le imprese del territorio.

Come capire se i tuoi dati sono pronti per l’intelligenza artificiale

Prima di chiedere un preventivo per un progetto AI, vale la pena farsi alcune domande. Non servono competenze tecniche: serve solo un po’ di onestà su come funzionano davvero le cose in azienda.

1. Per avere il quadro completo di un cliente, in quanti sistemi devi entrare?
2. I contatti nel CRM corrispondono a quelli nel gestionale, o ci sono differenze nei nomi, nei codici, negli indirizzi?
3. Quando un commerciale lascia l’azienda, le sue note sui clienti restano accessibili al team che subentra?
4. Hai mai preso una decisione operativa basandoti su un dato che poi si è rivelato sbagliato o vecchio?
5. Per generare un report mensile sulle vendite, serve un export manuale o i dati arrivano già aggregati?

Se hai risposto “più di uno” alla prima domanda e “sì” alla quarta, i tuoi dati non sono ancora pronti per l’intelligenza artificiale. Ma non significa che l’AI sia lontana. Significa che il prossimo passo è l’integrazione dei sistemi, non l’algoritmo.

Per chi vuole andare più a fondo, abbiamo raccolto i segnali più comuni nella checklist “I 10 segnali che i tuoi dati non sono pronti per l’AI” – uno strumento pratico per capire a che punto sei, senza dover chiamare nessuno.

Se la tua azienda sta ragionando su come portare l’intelligenza artificiale in azienda, partire dai dati è il modo più concreto per non sprecare il budget e ottenere risultati che reggono nel tempo.