Quasi ogni settimana, i titoli dei giornali dedicati all’AI sono dominati dalle notizie sull’ultimo modello in ordine di tempo. Meta ha annunciato il suo nuovissimo modello chiamato Muse Spark, il primo realizzato dalla sua divisione AI rinnovata. Il nuovo modello è competitivo rispetto ai principali concorrenti in diverse attività.
Tuttavia, ogni nuovo modello rilasciato rivela qualcosa di controintuitivo: più modelli invadono il mercato, più diventano beni di consumo. Se è così, allora la domanda diventa: qual è il fattore di differenziazione per le aziende che cercano di adottare e scalare l’AI?
La risposta si riduce a una sola parola: fiducia.
Nel corso del tempo, il modello che si trova sulla vostra scrivania avrà meno importanza dell’intelligenza connessa e affidabile che lo alimenta. Considero l’intelligenza connessa come dati curati, attinti da fonti multiple e organizzate. Di conseguenza, un modello di AI può ragionare su tutti i dati contemporaneamente, anziché lavorare partendo da un quadro unico e incompleto.
Ecco un altro modo di vedere la questione: i modelli di AI sono le auto che guidiamo e migliorano ogni giorno. Tuttavia, i dati e l’intelligenza sono il sistema di navigazione: la differenza tra sapere che ci si sta muovendo e sapere dove si sta andando. Un semplice Gps che utilizza una mappa obsoleta potrebbe portarti da qualche parte, ma ti condurrà a destinazione in modo affidabile e veloce?
Forse.
Ma “forse” non è abbastanza quando si tratta di decisioni ad alto rischio, specialmente nei servizi finanziari. Stiamo parlando di alcune delle decisioni più importanti al mondo, che incidono sulla capacità delle persone di ottenere un prestito, di stipulare un’assicurazione a prezzi accessibili e di proteggere il proprio denaro dai criminali finanziari. Questi modelli hanno bisogno di una fonte di verità su cui basare il loro ragionamento; altrimenti, non solo aumentiamo le probabilità di esiti negativi, ma mettiamo a repentaglio la fiducia del pubblico proprio in un momento in cui la fiducia nelle istituzioni è in declino in tutto il mondo.
Il Ceo di Nvidia, Jensen Huang, ha sottolineato questo punto di recente quando ha affermato: “I dati strutturati sono la verità di base dell’AI”. Stava identificando ciò che il settore ha tardato a riconoscere: che un modello potente richiede dati affidabili. E non tutti i dati meritano questa distinzione.
I dati devono essere organizzati, normalizzati e calibrati in base al modo in cui il mondo funziona realmente. Si tratta di un lavoro meticoloso che non può essere svolto semplicemente raccogliendo informazioni dal web; ecco perché le organizzazioni che combinano i modelli migliori con questo tipo di intelligenza interconnessa riusciranno a conquistare la fiducia. Inoltre, ciò garantirà che le decisioni basate sull’AI possano essere giustificate dinanzi a consigli di amministrazione, autorità di regolamentazione, clienti e azionisti.
Le conseguenze di una base di dati errata si stanno già manifestando. Secondo il Mit, il 95% dei progetti pilota di AI non riesce a produrre un impatto misurabile. Ciò è in parte dovuto al fatto che la base di dati è troppo debole. Modelli più potenti non risolvono questo problema; semmai, rendono le conseguenze di un risultato errato più difficili da individuare e più costose da correggere.
Basta leggere le notizie per rendersi conto che i rischi di un risultato errato sono evidenti: i dazi stanno ridisegnando il commercio globale dall’oggi al domani, la geopolitica sta ridisegnando le catene di approvvigionamento, gli eventi meteorologici estremi sfidano i modelli storici e gli attacchi informatici prendono di mira le infrastrutture critiche. Come chiarisce il rapporto Global Risks 2026 del World Economic Forum, i rischi continuano a crescere a spirale in termini di portata, interconnessione e velocità.
Per banche, assicuratori e gestori patrimoniali, questa interconnessione non è solo teorica: è la differenza tra reagire al rischio e anticiparlo. In questa era di “rischio esponenziale”, la sfida principale non sta solo nell’aumento dell’entità delle minacce, ma anche nella loro crescente interconnessione. Ad esempio, un evento meteorologico estremo che danneggia le infrastrutture potrebbe compromettere un nodo critico della catena di approvvigionamento, con ripercussioni a catena sulla crescita economica e sul credito. Per una società di servizi finanziari, l’utilizzo di un’AI generica abbinata a dati frammentati non può fornire una risposta valida su come valutare tali rischi. Tuttavia, l’intelligenza connessa – che abbraccia diversi set di dati su clima, credito e conformità – può avvicinarvi a una risposta di cui potete fidarvi.
Man mano che un numero crescente di fonti di dati viene unificato, emerge un quadro del rischio più completo, più preciso e più utilizzabile rispetto a qualsiasi risultato ottenibile con un approccio a compartimenti stagni. Ecco perché le aziende che uniscono i dati di terze parti a quelli di loro proprietà saranno quelle in grado di prendere decisioni migliori e più rapide e di difenderle quando sarà necessario.
Negli ultimi tre anni, la complessità e le capacità dei modelli sono migliorate notevolmente. Tuttavia, è giunto il momento di concentrarsi sul perfezionamento dell’intelligenza che sta alla base di essi. Non si tratta di decisioni riservate esclusivamente agli ingegneri, ma rivolte a chiunque voglia seriamente sfruttare il vero potenziale dell’AI. Ogni organizzazione che implementa l’AI su larga scala deve porre ai propri team di dati la stessa domanda che pone ai fornitori di AI: questa intelligenza è affidabile, interconnessa e verificata rispetto a risultati reali?
Poiché la posta in gioco va oltre i ricavi e la crescita, ciò è importante anche per chiunque abbia a cuore il rafforzamento della fiducia istituzionale su cui si basano i mercati. Moody’s è stata fondata oltre un secolo fa sulla convinzione che i mercati funzionino meglio quando tutti hanno accesso a dati e analisi trasparenti, rigorosi e indipendenti. Questo è vero oggi come lo era allora e l’AI non cambia questo principio: aumenta semplicemente il costo di un errore.
Le opinioni espresse sono esclusivamente quelle dell’autore e non riflettono necessariamente le convinzioni di Fortune.
Questo articolo è stato originariamente pubblicato su Fortune.com.
