Negli ultimi anni il mondo dei dati si è arricchito di piattaforme, paradigmi e nuove architetture. Le organizzazioni hanno investito nel cloud, industrializzato le pipeline e costruito ambienti analitici sempre più sofisticati. Eppure, in molte realtà, il percorso dal dato al valore continua a essere complesso.
I tempi di delivery possono estendersi per settimane o mesi, le funzioni di business restano legate ai backlog IT, l’ownership degli asset è spesso difficile da individuare e la governance rischia di essere percepita come un vincolo. Nel frattempo, l’intelligenza artificiale entra nei processi core e rende qualità, disponibilità e affidabilità dei dati ancora più decisive.
È da questa tensione che parte il nuovo Deep Dive della serie CIO Compass. La sua tesi è netta: dietro quella che definiamo “data complexity” c’è spesso un problema organizzativo. È una questione di responsabilità, priorità, costi e capacità di trasformare il dato in un valore misurabile e durevole.
Dal progetto al prodotto
Il Data Product introduce un cambio di prospettiva. Un dato strategico viene gestito come un prodotto, con una persona responsabile chiaramente identificata, impegni definiti su qualità e disponibilità, un ciclo di vita end-to-end, costi visibili e un valore atteso per chi lo utilizza. Ciò significa superare progressivamente una logica basata sull’accumulo di richieste e governare un vero portafoglio di prodotti. Alcuni meritano di essere sviluppati e fatti evolvere; altri devono essere mantenuti; altri ancora possono essere dismessi quando il valore generato non ne giustifica più costi e complessità.
La productizzazione, infatti, non deve coinvolgere indiscriminatamente ogni dataset. Ha senso concentrarla sugli asset realmente critici per le decisioni, le operation e i processi alimentati dall’AI. È qui che il Data Product diventa una leva di trasformazione: rende esplicito chi risponde del dato e introduce impegni misurabili verso chi quel dato lo utilizza.
-Leggi anche: L’IT diventa più “smart”: come osservabilità, automazione e AI stanno trasformando le operations
Quando l’ownership accelera il valore
I dati presentati nel Deep Dive mostrano quanto questo passaggio possa incidere sulla capacità di delivery. In alcuni casi relativi ai settori aerospace e maritime transport, use case che richiedevano tra 6 e 12 mesi per arrivare in produzione sono passati a 4-6 mesi con i primi Data Product gestiti dai business domain, con un’accelerazione del time-to-market compresa tra il 30% e il 50%. Nei modelli più maturi, l’obiettivo scende a poche settimane o 2-3 mesi, grazie al riuso dei componenti e alla standardizzazione dei modelli di delivery. Anche l’ownership cambia in maniera significativa. Nelle fasi iniziali, meno del 20% degli asset critici può avere un business owner chiaramente identificato; l’adozione del modello Data Product può portare questa quota oltre il 60% nei domain prioritari. E per i grandi gruppi industriali la scala cambia radicalmente: alcune organizzazioni puntano a gestire tra 500 e 800 Data Product entro il 2030.
Sono numeri che evidenziano un punto centrale: la maturità tecnologica, da sola, dice poco sulla capacità di generare valore. Il passaggio decisivo riguarda il modello operativo e la chiarezza delle responsabilità.
L’architettura segue il modello organizzativo
Lakehouse, Data Fabric, Data Mesh e Data Space mantengono naturalmente un ruolo importante, serve però invertire la prospettiva con cui spesso vengono affrontati: l’architettura dovrebbe sostenere il modello organizzativo scelto.
Definire una nuova architettura senza chiarire prima ownership e accountability rischia di modernizzare lo stack lasciando invariati i problemi che rallentano l’organizzazione. Lo stesso principio vale per il Data Mesh, che il report interpreta principalmente come una postura organizzativa: i business domain assumono la responsabilità dei propri prodotti, mentre l’IT mette a disposizione piattaforme solide, standard e servizi condivisi. La tecnologia diventa così un abilitatore di un modello più distribuito, nel quale autonomia e governance devono trovare un equilibrio. Perché funzioni servono responsabilità reali, budget, tempo e competenze adeguate.
- Leggi anche: Oltre l’Hype della GenAI: una nuova fase di maturità per l’AI aziendale
AI e Data Product: la qualità del dato diventa ancora più critica
Questo tema assume un peso ulteriore con la diffusione dell’AI e degli approcci agentici. Quando algoritmi e agenti entrano nei processi operativi, dati poco affidabili possono propagare rapidamente errori lungo la catena decisionale.
Il Deep Dive richiama un dato particolarmente significativo: il 60% dei senior executive dichiara di non avere sufficiente fiducia nella qualità o nel livello di preparazione dei propri dati per sfruttare efficacemente l’AI. Inoltre, il 72% delle organizzazioni non avrebbe ancora costruito una vera data culture. Per questo qualità, lineage, disponibilità e utilizzo del dato devono diventare visibili e misurabili. Una Data Product Platform sostenibile richiede un’architettura metadata-driven, infrastrutture flessibili e trasparenza economica, affinché ogni prodotto possa essere valutato anche sulla base del valore che genera nel tempo.
Sovranità e controllo entrano nella strategia del dato
C’è poi un altro elemento che rende la riflessione particolarmente attuale: la sovranità digitale.
Le decisioni relative ai dati si inseriscono oggi in un contesto geopolitico e normativo che porta le imprese a interrogarsi con maggiore attenzione su localizzazione, dipendenze tecnologiche, sicurezza, accesso e controllo. Diventa quindi imperativo valutare ciascun Data Product anche in funzione della sua sensibilità business, regolamentare e strategica, adeguando di conseguenza hosting, cifratura, localizzazione e access control.
La sovranità entra così nell’architettura attraverso decisioni concrete, prese prodotto per prodotto. Costi, performance e autonomia tecnologica diventano dimensioni della stessa scelta strategica.
La trasformazione dei dati è una trasformazione dell’organizzazione
Le piattaforme continueranno a evolvere, integrando sempre più profondamente dati, analytics e AI. La differenza tra le organizzazioni dipenderà però dalla capacità di definire responsabilità chiare, formalizzare la qualità, governare un portafoglio di Data Product e rendere trasparente il valore generato. In questo scenario, il Data Product diventa un ponte tra tecnologia e business. Porta il dato fuori dalla logica della singola richiesta e lo inserisce all’interno di un modello continuativo di responsabilità, servizio e creazione di valore.
Per CIO e CDO, la domanda si sposta quindi da “dove sono i nostri dati?” a “chi ne governa l’utilizzo, il valore e i rischi?”. È in questa risposta che si gioca una parte sempre più rilevante della capacità delle imprese di utilizzare l’AI con efficacia e di mantenere il controllo sulle proprie decisioni.
Approfondisci il tema scaricando il whitepaper «Escaping the data maze».
SCOPRI IL WHITEPAPER
____________________________________________________