Perché i progetti data falliscono prima di generare valore
Il problema raramente è lo strumento. Nelle PMI, i progetti data falliscono quando partono dalla tecnologia invece che da decisioni, responsabilità e processi.
Il fallimento non arriva alla fine. Arriva all’inizio.
Molti progetti data sembrano fallire quando il dashboard non viene usato, quando il data warehouse è incompleto o quando il modello AI resta in test. In realtà il fallimento è quasi sempre precedente: nasce quando il progetto non chiarisce quale decisione deve migliorare.
Per un’azienda ambiziosa, questo punto è decisivo. Le risorse sono limitate, i processi sono spesso ibridi tra gestionale, Excel e conoscenza tacita, e il management non può permettersi mesi di lavoro che producono solo un “repository dati”. Il dato deve diventare controllo, priorità e azione.
La tecnologia accelera. Non sostituisce la direzione.
Il contesto europeo conferma che l’adozione digitale cresce, ma non basta adottare strumenti. Eurostat rileva che nel 2024 il 13,5% delle imprese UE con almeno 10 addetti utilizzava tecnologie AI, in crescita rispetto all’8,0% del 2023. La Commissione Europea, nel Digital Decade 2025, segnala però che l’adozione di AI, cloud e big data deve ancora accelerare.
Il punto operativo è semplice: una PMI non vince perché “ha AI” o “ha cloud”. Vince quando il sistema dati riduce ambiguità in riunione, velocizza una decisione commerciale, evidenzia una varianza di margine o intercetta un’anomalia prima che diventi costo.
I quattro motivi più comuni di fallimento
1. KPI definiti dopo, non prima
Se il progetto parte da “colleghiamo tutte le fonti”, il perimetro esplode. Se parte da “quali 12 decisioni dobbiamo prendere meglio ogni mese”, il perimetro si restringe e diventa governabile. I KPI non sono decorazioni del dashboard: sono il contratto tra dati e management.
2. Responsabilità non assegnate
Ogni metrica critica deve avere un owner. Chi definisce il margine? Chi valida il costo prodotto? Chi decide se un cliente è attivo o dormiente? Senza ownership, il progetto diventa una discussione infinita su definizioni diverse della stessa realtà.
3. Governance percepita come burocrazia
Gartner prevede che molte iniziative di governance dati falliranno quando non sono legate a risultati prioritari di business. È una lezione importante per le PMI: governance non significa comitati e documenti infiniti. Significa regole minime, chiare e usate davvero.
4. AI costruita su dati non pronti
Nel 2025 Gartner ha segnalato che il 63% delle organizzazioni non ha, o non sa se ha, pratiche di data management adeguate all’AI, e prevede l’abbandono di molti progetti AI non supportati da dati “AI-ready”. Per una PMI, questo significa che prima del chatbot sul gestionale serve risolvere anagrafiche, qualità, permessi e tracciabilità.
Una sequenza più solida per una PMI
Definire le decisioni: quali scelte devono migliorare nei prossimi 90 giorni?
Mappare le fonti minime: quali sistemi servono davvero per quelle decisioni?
Stabilire definizioni e ownership: chi decide cosa significa ogni metrica?
Costruire un primo modello dati stabile: piccolo, leggibile, documentato.
Rilasciare dashboard e routine di revisione: il dato deve entrare nel calendario del management.
Solo dopo, automatizzare e introdurre AI dove il processo è maturo.
Il criterio finale: il progetto cambia una riunione?
Un buon progetto data si riconosce da una cosa concreta: cambia il modo in cui l’azienda parla dei problemi. Le riunioni diventano meno narrative e più operative. Le eccezioni emergono prima. Le discussioni si spostano da “quale numero è vero?” a “quale decisione prendiamo?”.
Questo è il lavoro di una boutique data agency: non installare tecnologia, ma costruire chiarezza. Strumenti, pipeline e dashboard sono necessari. Ma il valore nasce quando diventano parte del modo in cui l’azienda governa se stessa.
Fonti citate
Eurostat, Usage of AI technologies increasing in EU enterprises
European Commission, State of the Digital Decade 2025
Gartner, 80% of D&A Governance Initiatives Will Fail by 2027