Data quality: decidono i dati o il modello?

Hai presente una nota spese?

Quella vera: ossia voci barrate perché non pertinenti, un totale corretto a penna, una freccia che sposta un importo da una riga all'altra, un "non corrisponde!" cerchiato a lato. Fotografala e chiedi al tuo modello preferito: "Dammi la tabella di questa immagine".

Ti risponderà con sicurezza assoluta. E sbaglierà. Uno non vede il barrato e tiene le spese annullate. Un altro si inventa un'aliquota IVA che nel foglio non c'era. Un altro ancora accorpa due righe e ti restituisce un totale che non torna con nulla. Li abbiamo provati, i modelli più noti: nessuno produce un dato di cui ti fideresti per chiudere un bilancio.

Il punto è che il modello non è stupido: abbiamo usato modelli di frontiera. Il problema è che il carburante è sporco.

Garbage in, garbage out, ma con l'amplificatore

Il principio è semplice: se entra spazzatura, esce spazzatura (a meno di non avere la DeLorean). Il grosso problema è che l'AI non si limita a sbagliare, amplifica. Un dato sporco dentro un foglio Excel resta un errore in una cella. Lo stesso dato dentro un flusso agentico si propaga: alimenta un'analisi, che alimenta una decisione, che fa partire un'azione. La macchina più veloce del mondo fonde il motore se le mettete benzina sporca, e lo fa più in fretta di quanto facesse il tuo vecchio gestionale.

Ecco perché quando l'AI "inventa", la causa è quasi sempre a monte. Le allucinazioni non sono (solo) un difetto del modello, sono spesso il sintomo di un dato mancante o confuso nel contesto. Il modello è progettato per completare la sequenza in modo plausibile, non per dirvi "questo non ce l'ho". Se il dato buono non c'è, indovina. E lo fa in modo convincente.

La bella (e scomoda) impaginazione

Qui arriva la parte scomoda, quella che nessuno dice al C-level. La data quality per l'AI è l'esatto opposto della "bella impaginazione" a cui sei affezionati. Il PDF brandizzato con il logo gigante, le tre colonne irregolari, i box colorati, le note a piè di pagina mischiate al testo: per un occhio umano è ordine, per un modello può trasformarsi in rumore. La grafica spacca la sintassi, i loghi confondono l'analisi visiva, e il risultato peggiora.

Il formato che un'AI legge meglio è povero e nudo: testo semplice, machine-readable, dove la gerarchia è fatta di poche regole chiare e non di orpelli grafici. C'è un paradosso quasi divertente in tutto questo: viene premiato chi per anni ha lavorato "sulla carta di formaggio", tenendo i dati semplici e strutturati invece che belli. La sostanza batte l'estetica, per una volta.

Tre mosse: identificare, sanificare, aggiornare

La buona notizia è che la data quality non è un misticismo. È una disciplina, con tre movimenti concreti.

• Identificare: non tutti i dati meritano di entrare. Prima di collegare una fonte, chiediti quanto vale davvero e quanto è rumorosa. Agganciare una sorgente ampia e sporca non aggiunge conoscenza, inquina quella che hai già e rende più faticoso trovare il percorso giusto.

• Sanificare: trasformare il dato grezzo in qualcosa che l'AI capisce, eliminare il rumore prima che finisca nella knowledge base aziendale. Se hai anni di storico, è un lavoro che spaventa. La scorciatoia? usare l'AI (modelli linguistici e visivi) per pulire e normalizzare, con validazione a campione su una soglia di errore, e un controllo umano mirato.

• Aggiornare: questa è la mossa che quasi tutti dimenticano. Un gestionale legacy funziona uguale per anni. Un sistema AI no, soffre di degrado silenzioso. I processi evolvono, la base dati o il RAG restano indietro, e il sistema continua a risponderti sicuro (e in modo convincente) usando informazioni vecchie. La data quality non è una pulizia una tantum, è un presidio nel tempo.

Perché è un lavoro sartoriale

Il modello è ormai una commodity. Cambiarlo è questione di poche righe di configurazione. I tuoi dati, no: quelli sono il tuo vantaggio competitivo, o il tuo problema. La maggior parte delle aziende sta ottimizzando la variabile sbagliata, insegue l'ultimo rilascio mentre il carburante resta sporco.

Noi partiamo dall'altra parte. Costruiamo architetture e RAG su misura sui tuoi dati proprietari, integriamo fonti eterogenee (gestionali, documenti, API) e mettiamo observability sul flusso per intercettare il degrado prima che diventi un errore in produzione. Da partner, allo stesso livello, con la trasparenza che ci portiamo dietro: prima di prometterti un agente, mettiamo in ordine il carburante. E i dati restano tuoi, senza lock-in.

Questo vuol dire essere un partner: la magia diventa ingegneria.