---
title: "Data quality: sono i dati a decidere, non il modello"
description: "Quando l'AI sbaglia la colpa è quasi sempre dei dati, non del modello. Come identificare, sanificare e aggiornare le fonti per farla funzionare davvero nel tuo nuovo progetto aziendale."
url: "https://volcanicminds.com/insights/data-quality-why-ai-fails-on-dirty-data"
lang: "it-it"
type: "second_level_page"
updated: "2026-09-03"
alternate: "https://volcanicminds.com/en/insights/data-quality-why-ai-fails-on-dirty-data"
---

# Data quality:  decidono i dati o il modello?

## Avete 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. Fotografatela e chiedete al vostro modello preferito: "Dammi la tabella di questa immagine".

Vi 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 vi restituisce un totale che non torna con nulla. Li abbiamo provati, i modelli più noti: nessuno produce un dato di cui vi fidereste 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 vostro 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 siete 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, chiedetevi quanto vale davvero e quanto è rumorosa. Agganciare una sorgente ampia e sporca non aggiunge conoscenza, inquina quella che avete 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 avete 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 rispondervi 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 vostri dati, no: quelli sono il vostro vantaggio competitivo, o il vostro 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 vostri 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 promettervi un agente, mettiamo in ordine il carburante. E i dati restano vostri, senza lock-in.

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

## Le domande che restano

Come si scopre che il problema non è il modello

### Quanto pesa la pulizia dei dati sul budget di un progetto AI?

Molto più di quanto viene preventivato, ed è la voce che salta fuori (magicamente) dopo la firma. Non è una fase da mettere in fondo al piano: se i dati non reggono, il modello non ha niente su cui lavorare e il progetto non parte.

**Conviene guardarli prima di decidere il perimetro**, perché è lì che si capisce se l'obiettivo è raggiungibile o va ridotto.

### Da dove si comincia se i dati sono in disordine ovunque?

Non da un progetto di data quality aziendale, che dura anni o muore prima.

Si parte dal **singolo caso d'uso**: quali fonti servono a rispondere a quella domanda, quali sono autorevoli, quali si possono escludere. Sistemare i dati di un processo alla volta produce un risultato usabile in settimane, e quel risultato finanzia il pezzo successivo.

### Si può partire con dati imperfetti?

Con dati incompleti sì, con dati contraddittori no.

La differenza è sostanziale: se manca un'informazione il sistema può dire che non la sa, e va bene, si aggiungerà; se la stessa cosa è scritta in tre modi diversi senza una data, il sistema sceglierà e lo farà con sicurezza, sbagliando in modo credibile.

**L'incompletezza si gestisce, la contraddizione no.**

## Come si sceglie il punto da cui partire?

Chiedetevi qual è il set di dati più prezioso della vostra azienda, e qual è il più disordinato. Se la risposta è la stessa, avete trovato dove bisogna ancorare il ROI e dove, forse, falliscono i vostri progetti AI.