L’AI non ha un problema di velocità. Ha un problema di fiducia.

Può generare analisi in pochi secondi, sintetizzare documenti, costruire scenari, suggerire classificazioni, individuare anomalie e produrre report con una rapidità che fino a pochi anni fa sembrava impensabile. Ma se i dati che la alimentano sono incompleti, incoerenti, duplicati, non aggiornati o non tracciabili, il risultato non è intelligenza aumentata. È disordine accelerato.

Questo è il punto che molte imprese tendono a rimuovere. Parlare di modelli AI, agenti intelligenti e automazione avanzata è più attraente che affrontare anagrafiche sporche, centri di costo disallineati, codifiche non uniformi, fonti informative parallele e report costruiti su Excel personali. Eppure la trasformazione AI si decide proprio lì: nella qualità della base informativa.

La prospettiva Global IT Governance presentata al convegno “Financial Controlling & AI Data Governance Avanzata” del 4 giugno 2026 ha sintetizzato questo nodo con una formula molto efficace: nessuna AI è migliore dei dati che la alimentano. È una frase semplice, ma scomoda, perché sposta l’attenzione dalla tecnologia alla responsabilità organizzativa. Se il dato è un asset, allora deve essere governato come tale: con ownership, regole, controlli, tracciabilità e qualità sufficiente a sostenere decisioni manageriali.

Il dato non è più un residuo amministrativo

In un’organizzazione che vuole utilizzare l’AI, questa impostazione non regge più. Il dato diventa un asset. E un asset, se conta davvero, va gestito con responsabilità, regole, investimenti e controlli. Non basta che esista. Deve essere disponibile, coerente, aggiornato, comprensibile, tracciabile e utilizzabile.

Per la funzione Finance il tema è ancora più delicato. I dati economico-finanziari alimentano reporting, pianificazione, forecast, valutazione degli investimenti, misurazione delle performance, rapporti con banche e decisioni del management. Se questi dati sono fragili, anche l’output AI più sofisticato resta fragile. Magari più veloce. Magari meglio presentato. Ma non per questo più affidabile.

Qualità del dato significa fiducia manageriale

La qualità del dato non coincide con la semplice assenza di errori. Un dato può essere formalmente corretto ma poco utile, perché non aggiornato, non comparabile, non collegato alla fonte originaria o non coerente con altri dati aziendali. La data quality riguarda completezza, accuratezza, consistenza, tempestività, tracciabilità, ownership e comprensibilità.

La parola chiave è fiducia. Un CFO, un controller o un imprenditore devono poter capire da dove arriva un numero, chi lo ha prodotto, quando è stato aggiornato, quali trasformazioni ha subito e se può essere usato per prendere una decisione. Senza questa fiducia, l’AI diventa un moltiplicatore di ambiguità.

È qui che molte imprese pagano anni di tolleranza verso soluzioni provvisorie diventate permanenti. Excel paralleli, report personali, classificazioni “storiche”, riconciliazioni manuali e dipendenza da singole persone non sono semplici inefficienze. Sono debito informativo. E quando si introduce l’AI, quel debito arriva a scadenza.

Data governance non significa bloccare tutto

Una delle obiezioni più frequenti è che, prima di introdurre l’AI, bisognerebbe “sistemare tutti i dati”. È una posizione comprensibile, ma rischiosa. Se l’obiettivo diventa bonificare ogni archivio, integrare ogni sistema e risolvere ogni incoerenza prima di partire, la trasformazione non comincerà mai.

La strada più efficace è diversa: collegare la governance del dato ai casi d’uso prioritari. Se il primo obiettivo è migliorare il forecast di cassa, si lavora sui dati di incassi, pagamenti, scadenze, ordini e comportamenti dei clienti. Se il primo obiettivo è controllare meglio i costi, si lavora su fatture, contratti, fornitori, centri di costo e categorie di spesa. Se il primo obiettivo è accelerare il closing, si presidiano riconciliazioni, scritture, controlli e fonti contabili.

Questo approccio evita due errori opposti: partire senza dati sufficienti oppure usare la data quality come alibi per rinviare ogni iniziativa. La governance cresce insieme ai casi d’uso, ma deve crescere davvero. Non può restare una dichiarazione di principio.

AI governance: training data, lineage e bias non sono temi da specialisti

Quando i dati alimentano sistemi AI, la questione diventa ancora più seria. La qualità dei dati di training, la tracciabilità delle fonti, la gestione dei bias e la possibilità di spiegare gli output non sono dettagli tecnici per addetti ai lavori. Sono condizioni di affidabilità manageriale.

Un sistema AI che suggerisce previsioni di vendita, segnala anomalie di costo, classifica documenti, supporta decisioni di credito o produce report direzionali deve essere interrogabile. Non nel senso informatico del termine, ma nel senso gestionale: l’azienda deve poter capire perché un certo output è stato generato, su quali dati si basa e quali limiti presenta.

La tracciabilità è particolarmente importante. Se non si conosce la provenienza dei dati, non si può valutare la qualità della risposta. Se non si conoscono i criteri di trasformazione, non si può distinguere un’anomalia reale da un artefatto del sistema. Se non si conoscono i limiti del dataset, non si può capire dove l’AI rischia di sbagliare.

Il Finance come presidio naturale della qualità informativa

La funzione Finance ha una responsabilità particolare, perché è abituata a lavorare con coerenza, riconciliazione, comparabilità e controllo. Queste competenze, nate in ambito amministrativo e contabile, diventano preziose anche nella governance AI. Il Finance può aiutare l’impresa a distinguere i dati critici da quelli accessori, definire metriche condivise, presidiare le fonti informative e costruire una disciplina del dato orientata alla decisione.

Questo non significa che la data governance debba essere “proprietà” esclusiva del Finance. Sarebbe un altro errore. I dati attraversano vendite, operations, acquisti, HR, IT, customer service e direzione generale. Ma il Finance può svolgere un ruolo di regia, soprattutto quando i dati hanno impatto su performance, marginalità, liquidità, rischio e investimenti.

La verità è che molte imprese scoprono la fragilità dei propri dati solo quando provano a usarli per qualcosa di più ambizioso di un report mensile. L’AI rende questa fragilità più visibile. E non sempre l’immagine è lusinghiera.

Cosa fare lunedì mattina

Prima di introdurre un nuovo caso d’uso AI, il management dovrebbe rispondere a cinque domande operative. Quali dati alimenteranno il processo? Chi è responsabile della loro qualità? Sono aggiornati con frequenza sufficiente? È possibile ricostruirne la provenienza? Quali errori o distorsioni potrebbero produrre decisioni sbagliate?

Non serve costruire una data governance perfetta prima di partire. Serve però smettere di trattare i dati come materiale grezzo indistinto. L’AI può generare valore solo se lavora su informazioni che l’azienda è disposta a governare. Il resto è una scorciatoia apparente: più veloce all’inizio, molto più costosa quando gli errori arrivano nei processi decisionali.