I dati come asset strategico

L’idea, in breve

Preferisco descrivere i dati come il terreno dell’AI, anziché come il suo carburante. Ripercorro la catena dal dato alla decisione per chiedermi dove si interrompe nella pratica. Affronto qualità, tassonomie, ontologie di contesto e responsabilità di governance, senza confondere la plausibilità di una risposta con la sua verità.

Qui sintetizzo il percorso del capitolo. Sotto trovi un estratto del mio libro e i riferimenti che vi cito, con la numerazione della bibliografia.

Scheda del sito rivista · 17 ottobre 2026

Dal percorso del libro

Un estratto dal mio libro

Testo originale, dall’apertura del capitolo. · 1 min

Le tavole del capitolo

Ingrandisci ogni tavola per leggerla. La sintesi e l’approfondimento sopra spiegano il capitolo in testo; non sono trascrizioni integrali delle immagini.

Verifica e confronta

I riferimenti che cito nel capitolo

Ho riunito i riferimenti citati in questo capitolo, conservando le voci e i numeri della bibliografia del mio libro. Trovi un collegamento solo quando è presente nel volume.

• [46] Floridi, Luciano. The Ethics of Artificial Intelligence: Principles, Challenges, and Opportunities. Oxford University Press, Oxford, 2023.
• [15] Benanti, Paolo. Human in the Loop. Decisioni umane e intelligenze artificiali. Mondadori Università, Milano, 2022.
• [52] Gartner. Lack of AI-Ready Data Puts AI Projects at Risk. Report, febbraio 2025.
• [54] Gartner. Organizations with Successful AI Initiatives Invest Up to Four Times More in Data and Analytics Foundations. Report, aprile 2026.
• [107] Redman, Thomas C. Data Driven: Profiting from Your Most Important Business Asset. Harvard Business Press, Boston, MA, 2008.
• [31] DAMA International. DAMA-DMBOK: Data Management Body of Knowledge. 2nd Edition Revised, Technics Publications, Basking Ridge, NJ, 2017.
• [16] Bender, Emily M., Timnit Gebru, Angelina McMillan-Major e Shmargaret Shmitchell. "On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?". Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT '21), 610–623, 2021.
• [22] Brown, Tom B., Benjamin Mann, Nick Ryder, Melanie Subbiah, Jared Kaplan, Prafulla Dhariwal, Arvind Neelakantan, Pranav Shyam, Girish Sastry, Amanda Askell, Sandhini Agarwal, Ariel Herbert-Voss, Gretchen Krueger, Tom Henighan, Rewon Child, Aditya Ramesh, Daniel M. Ziegler, Jeffrey Wu, Clemens Winter, Christopher Hesse, Mark Chen, Eric Sigler, Mateusz Litwin, Scott Gray, Benjamin Chess, Jack Clark, Christopher Berner, Sam McCandlish, Alec Radford, Ilya Sutskever e Dario Amodei. "Language Models are Few-Shot Learners". Advances in Neural Information Processing Systems, 33, 1877–1901, 2020.
• [94] Osservatorio Innovazione Digitale nelle PMI. PMI, prospettive di analisi per la trasformazione digitale: stato dell'arte e passi per il futuro. Politecnico di Milano, Milano, 2025.
• [93] Osservatorio Artificial Intelligence. Artificial Intelligence: adozione, trasformazione, equilibrio. Politecnico di Milano, Milano, febbraio 2026.
• [25] Challapally, Aditya, Chris Pease, Ramesh Raskar e Pradyumna Chari. The GenAI Divide: State of AI in Business 2025. Tech report, MIT NANDA Project, 2025.
• [90] Moretti, Franco. Distant Reading. Verso Books, London/New York, 2013.
• [48] Floridi, Luciano. Distant Writing: Literary Production in the Age of Artificial Intelligence. SSRN preprint, 2025.

Idee collegate