"La sfida principale risiede nella qualità e nella disponibilità dei dati"
Sviluppare una soluzione di IA personalizzata consente alle aziende di ottimizzare i processi e migliorare l’efficienza. A condizione, però, di disporre di dati affidabili, di definire chiaramente i processi e di progettare con cura l’architettura del proprio ambiente dati, spiega il Prof. Dr. Evangelos Xevelonakis della Scuola universitaria professionale di economia di Zurigo.
La grande maggioranza degli impiegati svizzeri (89%) utilizza quotidianamente l’intelligenza artificiale. È quanto emerge da un sondaggio pubblicato nel maggio 2026 dalla società di consulenza EY. Un numero crescente di PMI sviluppa inoltre soluzioni di IA interne per lavorare sui propri casi d’uso in modo mirato, rapido ed efficiente. Questo approccio consente loro di ridurre i costi legati a determinate attività o di evitare il ricorso all’esternalizzazione, spesso onerosa. Il trattamento dei dati rimane tuttavia fondamentale per lo sviluppo di modelli di IA aziendali efficaci e sicuri, come sottolinea Evangelos Xevelonakis, direttore del Certificate of Advanced Studies (CAS) in Applied Data Analytics presso la Scuola universitaria professionale di economia di Zurigo (HWZ).
In che modo una PMI può integrare l’IA nei propri processi e con quali aspettative?
Evangelos Xevelonakis: In una fase iniziale, le PMI ricorrono generalmente a modelli di base come Gemini, Claude, DeepSeek o modelli di Mistral AI. Questi strumenti consentono già di redigere e-mail e rapporti, condurre ricerche documentali o creare contenuti di marketing. In una fase successiva, è possibile integrare le conoscenze specifiche dell’azienda mediante la generazione aumentata dal recupero di informazioni (Retrieval-Augmented Generation, RAG) e introdurre l’IA nei processi di lavoro. Con un investimento iniziale di 10.000 franchi, la maggior parte delle aziende può mettere a punto una soluzione di IA utile o un prototipo per casi d’uso ben definiti. Infine, si può prendere in considerazione lo sviluppo di modelli proprietari qualora il valore commerciale sia evidente e le dimensioni economiche dell’azienda lo giustifichino.
Come sviluppare modelli di IA proprietari realmente efficaci?
Xevelonakis: La sfida principale risiede nella qualità e nella disponibilità dei dati. Le PMI devono innanzitutto accertarsi dell’accuratezza, della coerenza e dell’attualità dei dati sui quali intendono basare il proprio modello. Occorre poi riunire le diverse fonti, spesso distribuite tra vari sistemi (fogli Excel, software di gestione finanziaria, banche dati di marketing, feedback dei clienti, ecc.) in un unico ambiente dati strutturato e accessibile, ad esempio un data mart, o un database centralizzato progettato per l'analisi dei dati. Oggi questo tipo di strumenti è disponibile anche in open source a costi relativamente contenuti.
L’automazione dei processi suscita spesso timori legati a una perdita di controllo sulle operazioni. Questo rischio è reale?
Xevelonakis: Sì. Automatizzare un processo mal progettato non fa che automatizzare l’errore su scala più ampia e più rapidamente rispetto al passato. Prima di prendere in considerazione l’automazione robotizzata è quindi indispensabile assicurarsi che il processo sia ben definito e privo di criticità, in particolare mappandone l’effettivo svolgimento per correggere eventuali problemi a monte. Quando la quantità di dati disponibile è insufficiente, può essere utile anche un’attività di data mining per comprendere meglio il processo reale.
Lei dirige un programma di formazione continua sull’IA rivolto alle PMI. Com’è strutturato?
Xevelonakis: Il Certificate of Advanced Studies consente a professionisti con esperienza nei settori del commercio, dell’informatica, del marketing, del controllo di gestione o delle attività operative di acquisire solide basi nell’analisi dei dati o di approfondire le competenze in materia. I partecipanti imparano a identificare i bisogni dell’azienda, tradurli in requisiti chiari e determinare in quale fase i dati e l’IA possano creare un valore misurabile. Imparano inoltre a preparare e pulire i dati, sviluppare soluzioni basate sull’IA e interpretarne i risultati. I casi oggetto di studio spaziano dal settore bancario e assicurativo al marketing mirato, dalla manutenzione predittiva all’esplorazione dei processi, nota anche come process mining, utile ad analizzare l’effettivo svolgimento dei processi aziendali a partire dai dati già registrati nei sistemi informatici. Diversi progetti sono stati successivamente selezionati per un’applicazione pratica in azienda.
Può citare un esempio di applicazione pratica sviluppata di recente?
Xevelonakis: Abbiamo realizzato un progetto di analisi per un’azienda che riceveva numerosi feedback non strutturati da parte dei clienti. La sfida consisteva nel trattare una grande mole di testo grezzo, difficile da interpretare con i metodi tradizionali. Abbiamo combinato metodi tradizionali di apprendimento automatico ed elaborazione del linguaggio naturale (NLP) per rendere i dati utilizzabili, con l’IA generativa al fine di interpretare i risultati ottenuti. Questo approccio combinato ha reso i processi aziendali molto più efficienti.
Utilizziamo diversi strumenti, ad esempio Python e piattaforme low-code, nonché modelli di IA generativa come DeepSeek, Mistral AI e ChatGPT per verificare il codice e correggere eventuali errori. In questa fase impieghiamo esclusivamente codice non confidenziale o anonimizzato, riducendo così al minimo i rischi per la protezione dei dati.
La protezione dei dati rimane una questione centrale in materia di IA. Come garantirla?
Xevelonakis: Le aziende devono rispettare la normativa svizzera in materia di trasparenza e protezione dei dati. Possono, ad esempio, affidarsi a fornitori di servizi cloud, prevedendo contrattualmente che i dati rimangano ospitati in Svizzera. Ogni garanzia supplementare comporta però un costo, poiché limita la capacità disponibile presso il fornitore. Un'altra opzione consiste nell'ospitare localmente modelli pre-addestrati, come quelli di Mistral, Llama o Apertus, e combinarli in modo sicuro con i dati interni dell'azienda (ad esempio tramite un'architettura RAG). Il livello di protezione richiesto dipende soprattutto dalla sensibilità del settore interessato: una banca o una compagnia assicurativa ha requisiti di riservatezza ben diversi rispetto a quelli di un piccolo esercizio commerciale.
