Miglior modello AI per analisi dati

L'analisi dati è il caso d'uso in cui l'AI sembra più impressionante e produce i rischi meno visibili. Un modello che scrive un paragrafo di commento su un andamento di vendita sembra utilissimo — finché non si scopre che il numero da cui è partito era sbagliato.

Questa guida spiega come impostare il problema in modo che il rischio sparisca, e quale fascia serve davvero.

Due impostazioni molto diverse

La differenza fra un progetto di analisi dati che funziona e uno che produce danni sta quasi tutta in una scelta di architettura.

Il modello calcola. Gli si danno i dati e gli si chiede il risultato. È l'impostazione più immediata e la più rischiosa: il modello produce un numero che sembra corretto, e nessuno ha modo di verificarlo se non rifacendo il conto.

Il modello scrive la query. Gli si dà la struttura dei dati e la domanda, e produce l'istruzione che il database eseguirà. Il calcolo lo fa il database, che non sbaglia mai un'aritmetica, e la query resta lì da leggere.

La seconda impostazione ha un vantaggio ulteriore: la query è ispezionabile. Chi conosce i dati può leggerla in dieci secondi e accorgersi che il filtro sul periodo è sbagliato o che manca l'esclusione dei resi — cosa impossibile con un numero prodotto direttamente.

Perché l'errore qui è più grave

In un progetto di estrazione, un dato sbagliato è un dato sbagliato: si corregge. In un'analisi, un numero sbagliato diventa una decisione.

Se un report dice che un prodotto sta crescendo del venti per cento quando sta calando, qualcuno investirà in quella direzione. L'errore non resta nei dati: si trasforma in scelte aziendali, e viene scoperto mesi dopo dai risultati.

A questo si aggiunge che le analisi vengono verificate meno di qualunque altro output. Un dato estratto da una fattura si controlla contro la fattura; un'analisi si controlla solo rifacendola, e quasi nessuno lo fa.

• Chiedi sempre di mostrare come è arrivata al numero
• Fai produrre la query, non solo il risultato
• Verifica periodo, filtri ed esclusioni applicati
• Confronta con un numero noto come controllo
• Diffida delle analisi senza procedimento
• Fai rivedere le analisi importanti a chi conosce i dati

Il quarto punto è il controllo più semplice ed efficace: chiedere anche un dato di cui si conosce già la risposta. Se quello torna, gli altri sono probabilmente affidabili; se non torna, hai scoperto il problema prima che diventasse una decisione.

Quale fascia serve

L'ultima riga a sinistra merita attenzione: la capacità più preziosa in questo ambito non è produrre l'analisi, è riconoscere quando i dati non permettono di rispondere. Una domanda sul margine per cliente non ha risposta se i costi non sono allocati per cliente, e un modello che lo dice vale più di uno che produce comunque un numero.

L'impostazione consigliata

Un flusso che funziona bene in azienda ha quattro passaggi e tiene ciascuno al suo posto.

La domanda arriva in italiano. Il modello la traduce in una query, che viene mostrata prima di essere eseguita. Il database calcola. Il modello commenta il risultato, citando esplicitamente la query da cui proviene.

Il risultato è che ogni numero nel report è tracciabile fino all'istruzione che lo ha prodotto. È la condizione minima perché un'analisi possa essere usata per decidere.

Errori da evitare

• Far calcolare al modello invece che al database.
• Accettare numeri senza procedimento.
• Non verificare periodo e filtri applicati.
• Usare l'analisi per decidere senza un controllo su dati noti.
• Non prevedere che il modello dica «i dati non bastano».
• Confondere un commento con un'analisi.

Cosa i dati non dicono

C'è una categoria di errori che non dipende dal modello e che l'AI rende più facile commettere: chiedere ai dati qualcosa che non contengono.

Una domanda come «quali clienti stanno per andarsene» presuppone che nei dati ci sia un segnale di abbandono. Se l'unica informazione disponibile è lo storico degli ordini, il modello può produrre una risposta — clienti che non ordinano da un po' — che sembra la risposta alla domanda e non lo è.

• Verifica che la domanda abbia una risposta nei dati disponibili
• Diffida delle risposte a domande sulle cause: i dati mostrano correlazioni
• Chiedi al modello di dichiarare le assunzioni fatte
• Fai esplicitare cosa è stato escluso dal calcolo
• Attenzione ai periodi: un confronto anno su anno non è un trimestre su trimestre

Il terzo punto è quello che intercetta più problemi. Un modello che dichiara «ho considerato inattivo un cliente senza ordini da 90 giorni» ti sta dando l'informazione per valutare se quella definizione ha senso nel tuo settore. Uno che non lo dichiara ha fatto la stessa scelta senza dirtelo.

Quanto costa un sistema di analisi

L'analisi dati ha una struttura di costo particolare: le richieste sono relativamente poche ma ciascuna è pesante, perché il modello deve ricevere la struttura dei dati e spesso esempi.

Prendiamo 2.000 domande al mese, con 6.000 token di input — struttura delle tabelle, istruzioni, esempi — e 800 di output fra query e commento.

Cifre modeste in valore assoluto, ed è il motivo per cui in questo ambito non conviene ottimizzare sul listino: la differenza fra le fasce vale meno di un'ora di lavoro al mese, mentre una query sbagliata può costare una decisione.

Il valore vero di questi sistemi

Un'ultima considerazione sul perché questi progetti hanno senso, che spesso viene raccontata male.

Il valore non è sostituire chi analizza i dati: è rendere i dati raggiungibili da chi non sa scrivere query. In molte aziende esistono domande semplici che nessuno pone perché richiederebbero di disturbare la persona che sa accedere ai dati, e per una domanda da due minuti non vale la pena.

Un sistema che permette di fare quelle domande in italiano, mostrando la query e il risultato, non toglie lavoro a nessuno: fa emergere domande che prima restavano senza risposta. È un guadagno che il confronto sui costi non cattura, ed è quasi sempre il motivo per cui questi progetti vengono considerati riusciti.

Esempi pratici

Direzione commerciale che vuole interrogare le vendite. Domande frequenti e piuttosto standard: fatturato per area, andamento di un prodotto, confronto fra periodi. La struttura dati è nota e stabile. Fascia intermedia sufficiente, con query sempre mostrata e un controllo iniziale su numeri già conosciuti.

Controllo di gestione che analizza la marginalità. Domande articolate che incrociano più tabelle, con regole di allocazione dei costi che vanno rispettate. Qui la fascia alta si giustifica: il rischio è che il modello produca una query sintatticamente corretta ma concettualmente sbagliata, e su questi numeri le decisioni sono importanti.

In entrambi i casi la protezione è la stessa, e non dipende dal modello: la query resta visibile, i numeri noti servono da controllo, e chi conosce i dati rivede le analisi che portano a decisioni.

Come applicarlo in azienda

La scelta che conta non è il modello: è l'architettura. Fai scrivere al modello la query e far calcolare al database elimina alla radice il rischio più grave.

Il flusso che funziona ha quattro passaggi. La domanda arriva in italiano. Il modello la traduce in una query, che viene mostrata prima di essere eseguita. Il database calcola. Il modello commenta il risultato citando la query da cui proviene.

Il risultato è che ogni numero è tracciabile fino all'istruzione che lo ha prodotto. È la condizione minima perché un'analisi possa essere usata per decidere, e nessuna impostazione alternativa la garantisce.

Investi poi dove rende davvero: nella descrizione dei dati fornita al modello. Cosa contiene ogni tabella, come si collegano, quali filtri sono sempre necessari, quali regole di allocazione vanno rispettate. Una struttura documentata bene migliora i risultati più di qualunque salto di fascia — e su questi volumi la differenza fra le fasce vale meno di un'ora di lavoro al mese.

Attenzione infine alla categoria di errore che l'AI rende più facile: chiedere ai dati qualcosa che non contengono. Una domanda sulle cause di un fenomeno, o su un margine che nessuno ha allocato, può ricevere una risposta plausibile che non è la risposta alla domanda. Chiedi sempre al modello di dichiarare le assunzioni fatte e cosa ha escluso dal calcolo.

Il valore vero di questi sistemi, che spesso viene raccontato male, non è sostituire chi analizza i dati: è rendere i dati raggiungibili da chi non sa scrivere query. Fa emergere domande che prima restavano senza risposta perché non valeva la pena disturbare nessuno — ed è un guadagno che il confronto sui costi non cattura, secondo il ragionamento di quanto si risparmia con un modello leggero.

Se vuoi rendere i tuoi dati interrogabili in italiano senza rinunciare all'affidabilità, Giallo Studio progetta soluzioni su misura e le mette in produzione.

Il resto del percorso, in tre pagine. Se il compito è ripetitivo e ad alto volume, vale la pena verificare la direzione opposta con quando basta un modello economico. Il metodo di valutazione sui propri casi è in costo per task o prezzo per token, mentre il calcolo della spesa reale è in strategia a modello misto: leggero e potente.

Tre letture per chiudere il quadro. Se stai ancora scegliendo la fascia, il criterio operativo è in come si leggono i benchmark AI. Per il calcolo della spesa reale — quella che comprende contesto ripetuto, tentativi falliti e revisione umana — il riferimento è quando conviene cambiare modello AI. E quando il traffico è disomogeneo, l’impostazione che dà il miglior rapporto fra qualità e costo è descritta in perché i benchmark dei vendor non sono comparabili.

Conclusione

Per l'analisi dati la scelta più importante non è il modello: è l'architettura. Far scrivere al modello la query, e far calcolare al database, elimina alla radice il rischio più grave — un numero plausibile e sbagliato che diventa una decisione.

Con quell'impostazione la fascia alta si giustifica per generare query articolate, mentre commentare risultati già calcolati richiede molto meno. E ogni analisi deve poter mostrare come è arrivata al numero.

Se vuoi rendere i tuoi dati interrogabili in italiano senza rinunciare all'affidabilità, Giallo Studio progetta soluzioni AI su misura per le PMI.

Schema consigliato: Article + FAQPage + BreadcrumbList