Le imprese stanno aumentando la spesa per l’intelligenza artificiale, ma una parte di questi investimenti rischia di non produrre i ritorni attesi per un problema che precede modelli e infrastrutture: la capacità di governare i dati e di attribuire responsabilità chiare sul loro utilizzo. Gartner stima che entro il 2027 il 60% delle organizzazioni che non affronteranno gli ostacoli culturali legati alla data governance non riuscirà a governare con successo i propri sistemi di AI.
La previsione, pubblicata il 21 settembre 2026, sposta quindi il problema dal budget tecnologico al funzionamento dell’organizzazione. In un’indagine condotta da Gartner nel marzo 2026 su 223 responsabili di data e analytics, il 60% indica la resistenza culturale tra le cause del fallimento delle iniziative di governance, contro il 40% che segnala i limiti di finanziamento.
Per aziende che stanno impegnando capitale in modelli, capacità di calcolo, piattaforme dati e nuove applicazioni, la conseguenza è economica: senza regole applicate nei processi, responsabilità distribuite e competenze adeguate, diventa più difficile portare i progetti su scala, misurarne il ritorno e contenere i costi di controllo. L’investimento nell’AI può così crescere più rapidamente della capacità dell’impresa di trasformarlo in produttività, ricavi o efficienza.
A rendere più rilevante il divario tra investimenti e capacità di governo è la velocità con cui sta aumentando la spesa. In una previsione pubblicata il 16 settembre 2026, Gartner stima che la spesa mondiale per l’intelligenza artificiale raggiungerà 2.700 miliardi di dollari nel 2026, il 49,5% in più rispetto all’anno precedente.
La crescita è alimentata soprattutto dagli investimenti nelle infrastrutture, dai server ottimizzati per l’AI e dall’integrazione di funzionalità di intelligenza artificiale nei software già utilizzati dalle imprese.
Secondo John-David Lovelock, distinguished VP analyst di Gartner, l’espansione della capacità dei data center da parte di hyperscaler e service provider rappresenterà la maggiore singola area di spesa. Gartner ha inoltre rivisto al rialzo la crescita prevista nel 2026 per le piattaforme di sviluppo di applicazioni AI, dal 28% al 39%, e per i modelli di AI generativa, dal 110% al 117%.
Per i servizi legati all’AI, la società di ricerca prevede un mercato da 1.200 miliardi di dollari entro il 2030. L’aumento della spesa rende quindi più oneroso per le aziende lasciare irrisolti i problemi di governance: più capitale viene destinato all’AI, maggiore diventa il costo potenziale di dati inaffidabili, responsabilità non definite e sistemi che non possono essere controllati o portati su scala.
Indice degli argomenti:
Dai dati pronti per l’AI alle persone pronte per l’AI
Gartner definisce la cultura della data governance come l’insieme di mentalità, comportamenti e norme organizzative che determinano il modo in cui le regole sui dati vengono adottate e mantenute nell’impresa. Il problema emerge quando la governance resta confinata nei dipartimenti IT o nelle strutture di compliance e non entra nei processi operativi.
Anurag Raj, director analyst di Gartner, osserva che molte aziende stanno concentrando le risorse sulla creazione di dati “AI-ready”, cioè sufficientemente affidabili, disponibili e strutturati per essere utilizzati dai sistemi di intelligenza artificiale. La stessa attenzione, secondo Gartner, deve però essere rivolta agli stakeholder: manager e dipendenti devono conoscere il valore dei dati affidabili, partecipare alla definizione delle regole e assumersi responsabilità sull’uso delle informazioni.
La distinzione è importante perché un catalogo dei dati, un sistema di data lineage o una nuova piattaforma tecnologica possono documentare dove si trova un’informazione e da dove proviene, ma non risolvono automaticamente conflitti tra funzioni aziendali, scarsa responsabilizzazione dei proprietari dei dati o un uso incoerente delle informazioni.
Gartner individua tre direzioni:
- collegare la governance ai risultati di business e agli obiettivi dell’AI,
- distribuire le responsabilità tra tecnologia e funzioni aziendali
- incorporare data governance, alfabetizzazione sui dati, competenze sull’AI e change management nei processi quotidiani.
Perché la governance entra nel conto economico
La questione supera il perimetro tecnologico. L’intelligenza artificiale viene utilizzata ormai per attività che incidono su ricavi, costi, gestione del personale, servizio clienti, credito, procurement e pianificazione finanziaria. Errori nei dati di partenza possono quindi propagarsi in processi aziendali sempre più estesi.
Una ricerca Deloitte pubblicata nel 2026 segnala che il 60% dei dirigenti intervistati dichiara di utilizzare regolarmente l’AI come supporto alle proprie decisioni. Nella stessa ricerca, il 61% riconosce la crescente importanza della qualità e dell’affidabilità dei dati relativi al lavoro e alla forza lavoro, mentre soltanto il 5% dichiara di aver intrapreso iniziative significative per affrontare il problema.
La distanza tra utilizzo dell’AI e maturità dei controlli può tradursi in un rischio economico. Dati incompleti, duplicati, obsoleti o privi di una chiara attribuzione possono deteriorare le prestazioni dei sistemi e rendere più difficile comprendere perché un modello abbia generato una determinata risposta.
La governance assume quindi una funzione simile a quella dei sistemi di controllo che accompagnano altre infrastrutture aziendali: definisce chi può utilizzare un dato, con quali finalità, con quali verifiche e chi risponde degli eventuali errori.
I CIO devono controllare sistemi che si diffondono più velocemente dell’IT
Il problema diventa più difficile con l’espansione dell’AI generativa e degli agenti autonomi. Un’indagine IBM Institute for Business Value diffusa l’8 giugno 2026 e condotta su 2.000 dirigenti tecnologici rileva che circa due terzi dei CIO e CTO intervistati si considerano responsabili di sistemi di AI sui quali non hanno un controllo completo. Il 70% afferma inoltre che le unità aziendali stanno introducendo nuove tecnologie più rapidamente di quanto l’IT riesca a monitorarle. Soltanto l’11% si dichiara completamente preparato alla diffusione su larga scala degli agenti AI.
È un’evoluzione che rende meno efficace una governance costruita esclusivamente su autorizzazioni centrali. Quando strumenti e modelli vengono incorporati direttamente nei flussi di lavoro, il controllo deve essere distribuito tra proprietari dei processi, responsabili dei dati, funzioni di rischio, sicurezza e management.
McKinsey arriva a conclusioni analoghe nella sua “AI Trust Maturity Survey 2026”, condotta tra dicembre 2025 e gennaio 2026 su circa 500 organizzazioni. La maturità media delle pratiche di responsible AI è salita rispetto al 2025, ma solo circa un terzo delle organizzazioni intervistate raggiunge i livelli più avanzati nelle aree strategia, governance e controllo dell’AI agentica.
Anche i direttori finanziari entrano nella governance dell’AI
La responsabilità sta intanto uscendo dai soli dipartimenti tecnologici. La CFO Signals Survey di Deloitte, pubblicata il 23 luglio 2026 e basata su 200 chief financial officer di grandi aziende nordamericane, rileva che il 19% dei CFO intervistati detiene la principale responsabilità per la governance dell’intelligenza artificiale nella propria organizzazione.
Il 59% indica inoltre nella necessità di conciliare rapidità di adozione e gestione dei rischi la maggiore difficoltà nella costruzione di un sistema aziendale di governance dell’AI.
L’ingresso dei CFO nel processo risponde a un problema di allocazione del capitale. Man mano che l’AI entra nei budget ordinari, le imprese devono collegare i costi per infrastrutture, modelli e dati a indicatori di produttività, ricavi, riduzione del rischio o efficienza.
Anche in Italia questa misurazione sta acquistando peso. Secondo l’edizione 2026 dello “State of AI in the Enterprise” di Deloitte, il 51% delle aziende italiane intervistate ha definito parametri specifici per misurare le performance dell’AI, il 49% monitora le variazioni della produttività dei dipendenti e il 35% calcola il ritorno sull’investimento. Tra gli ostacoli citati figurano governance, rischio e compliance, indicati dal 27% del campione.
In Italia la qualità dei dati resta un ostacolo
Un’indagine Ocse pubblicata nell’aprile 2026 offre un quadro specifico per il settore finanziario italiano. Lo studio, basato su 450 rispondenti, segnala che un terzo considera la qualità dei dati un vincolo all’adozione dell’intelligenza artificiale. Il 22% dell’intero campione identifica accuratezza e coerenza dei dati tra gli ostacoli di maggiore rilievo; altre imprese segnalano difficoltà di accesso ai dati e carenze nei processi interni di data management.
L’Ocse registra inoltre differenze nella maturità della data governance tra società appartenenti allo stesso gruppo o tra diverse linee di business. Questa frammentazione può impedire di estendere un progetto di AI da una singola funzione al resto dell’organizzazione.
Il problema interessa in particolare banche, assicurazioni e intermediari, dove i dati utilizzati dai sistemi devono convivere con obblighi di riservatezza, sicurezza, protezione dei dati personali e controlli settoriali.
L’AI Act rende la gestione dei dati un requisito normativo
In Europa la governance non è più soltanto una scelta organizzativa. Il regolamento europeo sull’intelligenza artificiale, l’AI Act, introduce requisiti specifici per alcune categorie di sistemi.
L’articolo 10 prevede che, per i sistemi di AI ad alto rischio che utilizzano dati per l’addestramento dei modelli, i set destinati a training, validazione e test siano sottoposti a pratiche di governance adeguate alla finalità del sistema. La norma richiama tra gli aspetti da considerare l’origine dei dati, le modalità di raccolta, la preparazione e pulizia delle informazioni, la loro disponibilità e adeguatezza e l’analisi dei possibili bias.
Il quadro europeo aggiunge inoltre un elemento direttamente collegato alla tesi di Gartner: le competenze delle persone. L’obbligo di adottare misure a sostegno dell’alfabetizzazione sull’AI è entrato in applicazione il 2 febbraio 2025. Le norme di supervisione e applicazione dell’articolo 4 sono operative dal 3 agosto 2026.
Dal 2 agosto 2026 sono applicabili anche specifici obblighi di trasparenza previsti dall’articolo 50 per determinate categorie di sistemi e contenuti generati o manipolati dall’AI. La Commissione europea ha pubblicato il 20 luglio 2026 le linee guida destinate a provider e utilizzatori.
L’adozione cresce più rapidamente delle competenze
L’urgenza aumenta perché l’utilizzo dell’intelligenza artificiale nelle imprese europee continua a crescere. Il rapporto 2026 sullo stato del Decennio digitale indica che quasi il 20% delle imprese dell’Unione utilizza tecnologie di AI, con una crescita del 48% nel 2025 rispetto all’anno precedente. Le piccole e medie imprese continuano però a incontrare ostacoli legati a competenze, accesso ai dati, infrastrutture e risorse.
I dati Eurostat confermano che le difficoltà non sono limitate alla disponibilità di software. Tra le imprese che non adottano l’AI, le carenze di competenze figurano tra i principali ostacoli, insieme ai dubbi sulle conseguenze legali, alla protezione dei dati e alla disponibilità o qualità delle informazioni necessarie.
Lo stesso tema compare nel settore pubblico europeo. Un rapporto del Joint Research Centre pubblicato nel 2026, basato anche su una consultazione con 119 rispondenti, individua nella disponibilità di dati di qualità la difficoltà più citata per creare le condizioni necessarie all’adozione dell’AI, indicata dal 58% dei partecipanti. La cultura organizzativa segue al 44%, davanti a interoperabilità, preparazione degli utenti e competenze.
Il valore dell’AI dipende da chi governa dati e processi
La previsione Gartner per il 2027 non afferma che sei imprese su dieci falliranno nell’adozione dell’intelligenza artificiale. Il dato riguarda le organizzazioni che trascurano gli ostacoli culturali alla data governance e rappresenta una previsione dell’analista, non un risultato già osservato.
Le altre ricerche disponibili convergono però su un punto misurabile: mentre l’AI entra in un numero crescente di processi aziendali, competenze, qualità dei dati, attribuzione delle responsabilità e capacità di controllo procedono a velocità diverse.
Per le imprese la conseguenza è economica prima ancora che tecnologica. La possibilità di estendere l’AI a funzioni operative e decisionali dipende dalla capacità di conoscere l’origine dei dati, assegnarne la responsabilità, stabilire regole d’uso e formare le persone che dovranno applicarle.
Senza questi passaggi, nuovi investimenti in modelli e infrastrutture possono aumentare il numero dei casi d’uso senza aumentare nella stessa misura il valore prodotto e la capacità dell’organizzazione di controllarne i rischi.
Partecipa alla community