<\/p>\n\n\n\n
L’intelligenza artificiale cresce a ritmi accelerati nelle imprese italiane, ma la corsa all’adozione tecnologica ha lasciato indietro un prerequisito fondamentale: il governo del dato. Questo articolo esplora che cosa significa davvero la data governance industriale e perch\u00e9 la sua assenza \u00e8 oggi la prima causa di fallimento delle iniziative AI in produzione.<\/p>\n\n\n\n
Si parte dal contesto italiano, dove il dualismo tra adozione rapida e governance in ritardo \u00e8 netto, per poi analizzare il quadro normativo europeo (Data Governance Act, Data Act e AI Act) che sta trasformando la governance da best practice a requisito progressivamente vincolante. Si esaminano le direzioni di investimento delle imprese pi\u00f9 avanzate, i punti critici ancora aperti e un percorso operativo in quattro passi, ispirato al Lean Thinking, per avviare la governance in modo incrementale e misurabile. In chiusura, una riflessione su come il dato, ben governato, sia l’abilitatore strategico della servitizzazione e del vantaggio competitivo nell’industria del futuro.<\/p>\n\n\n\n
Nel 2025, il mercato dell’intelligenza artificiale in Italia ha raggiunto 1,8 miliardi di euro, con una crescita del +50% in un solo anno. Nello stesso periodo, il 71% delle grandi imprese aveva gi\u00e0 avviato almeno un progetto AI attivo. Eppure solo il 9% di quelle stesse imprese<\/strong> pu\u00f2 dichiarare di avere processi strutturati di AI governance \u2014 e solo il 24% si dichiara soddisfatto della qualit\u00e0 dei propri dati<\/strong>.<\/p>\n\n\n\n Non \u00e8 un paradosso: \u00e8 la fotografia esatta di ci\u00f2 che accade quando si corre pi\u00f9 veloci della propria capacit\u00e0 di controllo. E in un contesto manifatturiero \u2014 dove i dati nascono su macchine, sensori, ERP, MES e sistemi SCADA con standard diversi e origini eterogenee \u2014 questo divario tra adozione e governance diventa un rischio operativo concreto, prima ancora che un problema di compliance.<\/p>\n\n\n\n Nel libro “25 anni di Lean Thinking alla maniera italiana<\/em>“<\/a>, Michele Bonfiglioli scrive una frase che vale come manifesto: “Tutti questi strumenti non valgono nulla senza una base dati affidabile e una governance centralizzata. Senza dati coerenti, qualsiasi sistema diventa un simulacro.”<\/em> Questo articolo sviluppa quella intuizione: cos’\u00e8 la data governance industriale, dove investono le imprese pi\u00f9 avanzate, quali sono i colli di bottiglia organizzativi, e quale quadro normativo europeo sta ridisegnando le regole del gioco per l’industria manifatturiera<\/strong>.<\/p>\n\n\n\n La data governance industriale \u00e8 una disciplina organizzativa<\/strong>, non una tecnologia. Non coincide con l’acquisto di un catalogo dati, con l’installazione di un data lake o con il deployment di una piattaforma di master data management. \u00c8 un insieme di politiche, ruoli, processi e standard <\/strong>che definiscono chi possiede i dati, chi ne garantisce la qualit\u00e0, come vengono classificati, chi pu\u00f2 accedervi e, soprattutto, chi risponde quando qualcosa non torna.<\/p>\n\n\n\n In produzione, questo si traduce in domande concrete: i dati di efficienza che escono dal MES e quelli che entrano nell’ERP raccontano la stessa storia? Se un operatore in stabilimento e un analista in sede guardano lo stesso indicatore di linea, vedono lo stesso numero? Quando un fornitore invia i dati di qualit\u00e0 di un lotto, questi vengono integrati in modo coerente con i dati del processo di assemblaggio, o finiscono in un foglio Excel parallelo?<\/p>\n\n\n\n Se la risposta \u00e8 “dipende”, “non sempre” o “non lo so”, la governance del dato industriale \u00e8 un problema aperto. E come conferma l’esperienza di Bonfiglioli Consulting in progetti di trasformazione digitale<\/a>, questo problema \u00e8 tra le prime cause di fallimento delle iniziative AI e analytics: non perch\u00e9 gli algoritmi siano sbagliati, ma perch\u00e9 i dati su cui lavorano non sono governati.<\/p>\n\n\n\n Uno degli sprechi digitali pi\u00f9 diffusi nelle aziende manifatturiere \u00e8 la ridondanza dei dati<\/strong>: le stesse informazioni replicate in pi\u00f9 sistemi con definizioni diverse, aggiornamenti asincroni e nessun’unica fonte autorevole. Michele Bonfiglioli lo identifica esplicitamente tra i muda<\/em> digitali \u2014 i nuovi sprechi nell’era dell’industria connessa: automatizzare un’attivit\u00e0 inutile significa digitalizzare lo spreco; replicare un dato incoerente su pi\u00f9 piattaforme significa amplificarne l’errore.<\/p>\n\n\n\n Il punto di rottura \u00e8 organizzativo prima che tecnico<\/strong>. Richiede la definizione di tre ruoli che ancora mancano nella maggior parte delle aziende: il data owner<\/strong> (responsabile del dato a livello di dominio o processo), il data steward<\/strong> (responsabile operativo della qualit\u00e0 quotidiana) e il data product owner<\/strong> (responsabile dell’uso di quel dato come asset di business). Secondo una ricerca della MIT Sloan Management Review, le organizzazioni che assegnano ownership formale del dato ottengono risultati significativamente superiori nei progetti di analytics e AI rispetto a quelle che trattano la governance come un’attivit\u00e0 IT collaterale, e identificano nella chiarezza dei ruoli il principale fattore abilitante, prima ancora degli strumenti tecnologici.<\/p>\n\n\n\n Questo allineamento tra responsabilit\u00e0 organizzativa e qualit\u00e0 del dato \u00e8 esattamente ci\u00f2 che il modello Lean World Class\u00ae<\/strong> di Bonfiglioli Consulting<\/a> applica anche al perimetro digitale: prima si strutturano le responsabilit\u00e0 operative, poi si digitalizza, mai il contrario.<\/p>\n\n\n\n L’Italia presenta un dualismo significativo. Sul fronte dell’adozione tecnologica, i dati ISTAT 2025<\/a> mostrano che il 38,1% delle imprese con almeno 10 addetti ha raggiunto un livello di digitalizzazione alto o molto alto, con il manifatturiero tra i settori pi\u00f9 attivi nell’investimento in IoT, automazione e robotica. Sul fronte della governance, il quadro \u00e8 pi\u00f9 fragile.<\/p>\n\n\n\n L‘Osservatorio Artificial Intelligence del Politecnico di Milano<\/strong><\/a> rileva che, a fronte di un mercato AI cresciuto del 50% nel 2025, solo il 9% delle grandi imprese italiane ha processi di AI governance strutturati. Il 54% \u00e8 in fase di strutturazione, ancora senza scadenze definite. Il 19% dei lavoratori dichiara di usare esclusivamente strumenti AI approvati dall’azienda \u2014 il che significa che la grandissima parte utilizza strumenti non controllati,<\/strong> con dati aziendali che circolano fuori da qualsiasi perimetro di governance. In ambito manifatturiero, dove i dati riguardano processi, progettazione e supply chain, questa dispersione \u00e8 un rischio reale.<\/p>\n\n\n\n A questo si aggiunge il dato dell‘Osservatorio Data Management del Politecnico di Milano<\/strong>:<\/a> solo il 24% delle aziende italiane si dichiara soddisfatto della qualit\u00e0 dei propri dati, con molte realt\u00e0 che si collocano sotto la media per governance e capacit\u00e0 di calcolare il valore di business dei propri asset informativi. Investire in sensoristica, MES e piattaforme IoT senza costruire una governance della qualit\u00e0 del dato significa, per usare la metafora del libro “25 anni di Lean Thinking alla maniera italiana<\/em>“<\/a>, costruire un sistema di navigazione sofisticato su una mappa piena di errori.<\/p>\n\n\n\n L’Europa ha costruito in pochi anni un impianto normativo che trasforma la governance del dato da best practice a requisito progressivamente vincolante<\/strong>. Per le imprese manifatturiere, tre provvedimenti definiscono il perimetro d’azione.<\/p>\n\n\n\n Il Data Governance Act<\/strong> (DGA)<\/a>, in vigore dal settembre 2023, stabilisce le condizioni per una condivisione sicura e fiduciaria dei dati tra imprese, settori e Paesi UE. Introduce la figura degli intermediari del dato certificati e crea il framework entro cui si costruiscono i Data Space settoriali \u2014 spazi di condivisione controllata che permettono alle filiere industriali di collaborare sui dati senza perdere sovranit\u00e0 informativa.<\/p>\n\n\n\n Il Data Act<\/strong>, in applicazione dal settembre 2025, introduce un principio fondamentale per le fabbriche connesse: chi genera dati attraverso dispositivi IoT e macchinari connessi ha il diritto di accedere<\/strong> a quei dati e di condividerli con terze parti a condizioni eque. Questo ridefinisce il rapporto tra produttori di macchine e utilizzatori: un’azienda manifatturiera che usa impianti connessi pu\u00f2 rivendicare l’accesso ai dati di funzionamento, anche quando il costruttore della macchina preferirebbe trattenerli per ragioni commerciali. \u00c8 una svolta che, correttamente sfruttata, apre nuove possibilit\u00e0 di ottimizzazione e servitizzazione.<\/p>\n\n\n\n L’AI Act<\/strong>, prima legge al mondo sull’intelligenza artificiale, prevede all’Articolo 10 <\/a>requisiti specifici di data governance per i sistemi AI ad alto rischio: i dataset devono essere documentati, verificati, rappresentativi e privi di bias critici, con pratiche di gestione che garantiscano integrit\u00e0 e pertinenza. La piena applicabilit\u00e0 per i sistemi ad alto rischio \u00e8 scattata nell’agosto 2026. Per le aziende che usano AI in contesti manifatturieri critici \u2014 manutenzione predittiva, controllo qualit\u00e0 automatizzato, pianificazione della produzione \u2014 la conformit\u00e0 non \u00e8 pi\u00f9 rinviabile.<\/p>\n\n\n\n Le direzioni di investimento in data governance industriale nel biennio 2025-2026 si concentrano su tre assi principali.<\/p>\n\n\n\n Governance embedded nei workflow operativi.<\/strong> Il modello tradizionale \u2014 governance come layer separato, spesso gestito dall’IT come attivit\u00e0 di audit a posteriori \u2014 cede il passo a un approccio in cui le regole di qualit\u00e0, classificazione e accesso al dato sono incorporate direttamente nelle pipeline di lavoro. Il principio \u00e8 che la governance che non \u00e8 continua non \u00e8 governance<\/strong>: i controlli di qualit\u00e0 devono avvenire nel momento in cui il dato viene generato o trasformato, non a valle. Il mercato globale della data governance, che vale 4,60 miliardi di dollari nel 2026, cresce a un CAGR del 16% fino al 2031, con l’Europa che registra il tasso pi\u00f9 alto \u2014 stimato al 20% annuo \u2014 e la Germania come mercato dominante nel contesto continentale. Questi numeri non fotografano solo la crescita del software: segnalano una presa di coscienza che il dato industriale \u00e8 un asset strategico<\/strong> che richiede lo stesso livello di presidio con cui si gestiscono gli impianti fisici.<\/p>\n\n\n\n Data Space for Manufacturing.<\/strong> Il programma Digital Europe della Commissione Europea<\/a> ha finanziato la costruzione di spazi di dati industriali dedicati al manifatturiero, con finanziamenti fino a 3 milioni di euro per progetto, pensati per permettere alle imprese di condividere dati lungo la filiera \u2014 tra OEM, fornitori, service provider e clienti \u2014 mantenendo il controllo sulla sovranit\u00e0 delle proprie informazioni. Il framework Gaia-X<\/strong> f<\/a>ornisce l’architettura tecnica per costruire questi spazi in modo federato e interoperabile, basandosi su principi di self-description, sovranit\u00e0 e fiducia verificabile. Per le PMI manifatturiere italiane, la partecipazione a questi ecosistemi di data sharing non \u00e8 solo un’opportunit\u00e0 tecnologica: \u00e8 un posizionamento competitivo nella filiera europea.<\/p>\n\n\n\n AI Data Governance.<\/strong> Con l’aumento dei progetti AI in produzione, la governance specifica dei dati usati per addestrare e validare i modelli diventa una priorit\u00e0 autonoma. Include la gestione della provenienza dei dati di training, la documentazione dei bias, la tracciabilit\u00e0 delle versioni dei dataset e la qualit\u00e0 certificata degli input. In un’azienda manifatturiera che usa modelli predittivi per la qualit\u00e0 o la manutenzione, un dato di training non governato pu\u00f2 tradursi in decisioni automatizzate sbagliate \u2014 e in responsabilit\u00e0 difficili da attribuire ex post.<\/p>\n\n\n\n Silos di sistema.<\/strong> ERP, MES, PLM, CRM e SCADA parlano linguaggi diversi, con definizioni non allineate delle stesse entit\u00e0: ordine, prodotto, fermo macchina, difetto, lotto. Il risultato sono le isole digitali \u2014 cio\u00e8 sistemi che gestiscono dati collegati allo stesso processo ma senza un modello condiviso \u2014 e che obbligano a riconciliazioni manuali, con perdita di tempo e amplificazione degli errori.<\/p>\n\n\n\n Assenza di ownership chiara.<\/strong> Quando nessuno \u00e8 formalmente responsabile di un dato, quel dato degrada progressivamente. Campi vuoti, valori non aggiornati, codifiche non standardizzate si accumulano senza che nessuno abbia mandato e incentivo a correggerli. La governance del dato richiede un\u2019assegnazione formale della responsabilit\u00e0, con ruoli chiari e KPI misurabili.<\/p>\n\n\n\n Governance reattiva invece che preventiva.<\/strong> La maggior parte delle aziende scopre i problemi di qualit\u00e0 del dato quando lancia un progetto di AI o di advanced analytics: cio\u00e8 quando \u00e8 troppo tardi per fare bonifica in tempi utili senza compromettere il progetto. Integrare controlli di qualit\u00e0 nei processi operativi quotidiani \u00e8 ancora raro ma decisivo per la sostenibilit\u00e0 di qualsiasi iniziativa digitale avanzata.<\/p>\n\n\n\n Shadow AI come nuovo rischio di governance.<\/strong> Un fronte critico sempre pi\u00f9 rilevante \u00e8 la Shadow AI: l’uso di strumenti di intelligenza artificiale non approvati dall’azienda, spesso tramite account personali o servizi esterni, che introduce flussi di dati non tracciabili e rende inefficace la governance tradizionale. Non si tratta solo di un tema di sicurezza informatica: quando documenti tecnici, dati di processo, informazioni commerciali o know-how industriale vengono inseriti in strumenti fuori perimetro, l’azienda perde controllo su dove quei dati finiscano, chi li elabori e con quali garanzie di riservatezza. In questo senso, la Shadow AI \u00e8 una forma di erosione silenziosa della fonte unica di verit\u00e0 e obbliga la data governance industriale a presidiare non solo sistemi e piattaforme, ma anche i comportamenti d’uso quotidiano.<\/p>\n\n\n\n Attualit\u00e0 normativa italiana.<\/strong> I recenti decreti attuativi in materia di AI confermano che il governo dell’intelligenza artificiale \u00e8 ormai una questione non solo tecnologica, ma anche organizzativa e di responsabilit\u00e0. Il messaggio che arriva dal quadro italiano \u00e8 chiaro: l’AI dovr\u00e0 essere governata con un sistema integrato <\/strong>di compliance, cybersecurity, data protection, controllo dei fornitori, formazione, documentazione e tracciabilit\u00e0. Per le imprese manifatturiere, questo significa che la governance del dato non \u00e8 pi\u00f9 un supporto accessorio ai progetti digitali, ma una condizione di legittimit\u00e0 e di continuit\u00e0 operativa.<\/p>\n\n\n\n Difficolt\u00e0 nel dimostrare il valore.<\/strong> La governance del dato \u00e8 un investimento con ritorni non immediatamente visibili, il che la rende vulnerabile ai tagli di budget. Costruire una narrativa del valore \u2014 quanto costa un dato sbagliato in una decisione produttiva, quanto vale un dato affidabile in un contratto di servitizzazione \u2014 \u00e8 una competenza manageriale ancora poco sviluppata.<\/p>\n\n\n\n Compliance e governance come silos separati.<\/strong> In molte organizzazioni, la gestione del dato \u00e8 affidata al legal\/compliance per ragioni di GDPR, separata dalla governance operativa del dato industriale. Con l’AI Act che collega direttamente qualit\u00e0 del dato e responsabilit\u00e0 legale del sistema AI che lo utilizza, le due dimensioni non possono pi\u00f9 coesistere in compartimenti stagni: devono convergere in un unico presidio integrato.<\/p>\n\n\n\n Il Lean Thinking <\/a>\u2014 che Bonfiglioli Consulting applica da oltre 25 anni nelle operazioni manifatturiere \u2014 offre anche per la governance del dato un principio operativo fondamentale: prima si eliminano gli sprechi, poi si standardizza, poi si migliora in modo continuo.<\/strong> Applicato ai dati, significa non partire con un programma enterprise da 18 mesi, ma con un approccio incrementale focalizzato sul valore misurabile fin dal primo ciclo.<\/p>\n\n\n\n Il percorso si articola in quattro passi sequenziali. Il primo \u00e8 la mappatura dei domini critici<\/strong>: identificare quali dati sono fondamentali per le decisioni pi\u00f9 rilevanti \u2014 qualit\u00e0 del prodotto, efficienza di linea, affidabilit\u00e0 dei fornitori, accuratezza della pianificazione. Il secondo passo \u00e8 la definizione di regole di qualit\u00e0 minime<\/strong> per quei domini: completezza, accuratezza, tempestivit\u00e0, coerenza, calibrate sul livello sufficiente per le decisioni che quei dati devono supportare, non su un ideale di perfezione statistica.<\/p>\n\n\n\n Il terzo passo \u00e8 l’assegnazione formale dell’ownership<\/strong>: per ogni dominio critico, chi \u00e8 il data owner? Chi \u00e8 il data steward? La risposta deve essere nominativa, con KPI di qualit\u00e0 misurabili e visibilit\u00e0 nel reporting. Il quarto passo \u00e8 la costruzione di un data catalog minimo<\/strong>: un inventario degli asset di dato con metadati, fonte, frequenza di aggiornamento, owner e livello di qualit\u00e0 certificato. La disciplina vale pi\u00f9 dello strumento: un registro condiviso ben governato produce pi\u00f9 valore di una piattaforma sofisticata abbandonata.<\/p>\n\n\n\n Le metriche operative per monitorare la maturit\u00e0 nel tempo includono: il data quality score per dominio<\/em> (percentuale di record conformi alle regole definite), il tempo medio di risoluzione di un’anomalia nel dato dalla rilevazione alla correzione a livello di fonte<\/em>, e la percentuale di decisioni critiche supportate da dati certificati<\/em>. Questi indicatori trasformano la governance da attivit\u00e0 astratta a processo misurabile, con visibilit\u00e0 nel reporting operativo. <\/p>\n\n\n\n La data governance industriale non \u00e8 solo un fattore di efficienza interna. \u00c8 anche l’abilitatore strategico del modello di business che il libro “25 anni di Lean Thinking alla maniera italiana<\/em>“<\/a>, identifica come frontiera competitiva di Industry 5.0: la servitizzazione<\/strong>. Le aziende che vendono non pi\u00f9 solo prodotti, ma “performance as a service” \u2014 disponibilit\u00e0 garantita di un impianto, qualit\u00e0 certificata di un output, efficienza energetica come contratto SLA \u2014 hanno bisogno di dati governati non solo dentro la fabbrica, ma lungo tutta la catena del valore, incluso il cliente finale.<\/p>\n\n\n\n Questo allarga il perimetro della governance: dai dati interni ai dati che fluiscono tra impresa e clienti attraverso macchinari connessi, piattaforme predittive e contratti di service level. Il valore del dato aumenta quando \u00e8 condiviso in modo sicuro e governato \u2014 ed \u00e8 la promessa dei Data Space industriali europei, dove la fiducia nella qualit\u00e0 e nella provenienza del dato condiviso \u00e8 la condizione per costruire ecosistemi di collaborazione competitiva.<\/p>\n\n\n\nCos’\u00e8 la data governance industriale (e perch\u00e9 non \u00e8 un progetto IT)<\/strong><\/h2>\n\n\n\n
Il problema della fonte unica di verit\u00e0<\/strong><\/h2>\n\n\n\n
Il contesto italiano: adozione rapida, governance in ritardo<\/strong><\/h2>\n\n\n\n
Il quadro normativo europeo: la governance diventa obbligo<\/strong><\/h2>\n\n\n\n
Dove investono le imprese pi\u00f9 avanzate<\/strong><\/h2>\n\n\n\n
\n\n\n\nI punti critici<\/strong><\/h2>\n\n\n\n
Il metodo Lean applicato alla governance del dato: da dove iniziare<\/strong><\/h2>\n\n\n\n
Data governance e servitizzazione: il valore oltre la fabbrica<\/strong><\/h2>\n\n\n\n