Diego Facchini, CEO di Data-Driven.Ai, porta nel mondo dell’imprenditoria una lunga esperienza maturata nella gestione di piattaforme e infrastrutture tecnologiche in contesti complessi e internazionali. Il suo percorso, sviluppato tra grandi progetti nei settori engineering, healthcare, pharma ed eCommerce, ha contribuito a costruire una visione sistemica in cui strategia, architettura tecnologica e organizzazione dialogano in modo continuo.
Nel lavoro di Data-Driven.Ai, l’intelligenza artificiale si inserisce nei processi aziendali come leva di trasformazione, capace di generare valore quando dati, persone e modelli decisionali vengono pensati in modo integrato.
In questa intervista per il blog di IntelligentIA, Facchini riflette sul significato dell’approccio AI-driven, sul ruolo degli ecosistemi di innovazione e sulle competenze che renderanno l’intelligenza artificiale sostenibile, diffusa e responsabile nei prossimi anni, evidenziando il valore di una cultura del dato capace di guidare decisioni consapevoli nelle organizzazioni.
Data-Driven.Ai è sponsor di IntelligentIA. Diego Facchini salirà sul palco dell’evento, il 6-7 marzo a Roma, per parlare di AI nei processi di recruiting e nella gestione delle risorse umane. Un’evoluzione che introduce modelli più data-driven e rafforza l’integrazione tra tecnologia, competenze e strategia nella valorizzazione del talento.
Data-Driven.Ai lavora sull’integrazione tra dati, software e modelli di intelligenza artificiale in contesti molto diversi. Qual è oggi il principale fraintendimento che le aziende hanno quando parlano di “AI-driven”, e dove invece si gioca la differenza tra un progetto efficace e uno solo nominalmente basato sui dati?
Il principale fraintendimento oggi è pensare che essere AI-driven significhi semplicemente usare un modello di intelligenza artificiale. Spesso si crede che basti integrare un tool o adottare un modello pre-addestrato per poter dire di fare AI. In realtà, un progetto davvero data-driven non parte dall’algoritmo: parte dall’analisi, dalle persone, dai processi e dagli obiettivi che si vogliono raggiungere.
L’intelligenza artificiale non è una scorciatoia. È un amplificatore, e amplifica ciò che trova. La differenza tra un progetto efficace e uno che resta solo AI di facciata si gioca su tre elementi molto concreti:
Chiarezza del problema. Se l’organizzazione non ha chiaro cosa vuole risolvere, nessun modello potrà farlo al suo posto.
Maturità del dato. Dati incompleti o non governati generano risultati fragili. L’algoritmo non corregge il caos: lo rende più veloce.
Integrazione reale nei processi. Se il modello non entra nel flusso operativo quotidiano, rimane una demo interessante ma sterile.
Un progetto funziona quando produce decisioni migliori, riduce tempi e aumenta efficienza in modo misurabile. Se non cambia il modo in cui l’azienda lavora, non è davvero AI-driven: è solo tecnologia aggiunta. La vera trasformazione non è tecnica, è organizzativa.
Nel vostro lavoro emerge spesso un approccio fortemente ingegneristico all’IA, lontano sia dall’hype sia dalle soluzioni preconfezionate. In fase di progettazione, quali decisioni iniziali incidono di più sulla riuscita di un sistema di machine learning o di AI applicata? E quali errori vedete ripetersi più spesso nei primi step?
Quando si progetta un sistema di machine learning o di AI applicata, le decisioni davvero importanti si prendono all’inizio. Ed è lì che si determina il 70% del successo o del fallimento del progetto.
La prima domanda non dovrebbe essere “che modello usiamo?”, ma come misureremo il valore che stiamo creando. Definire metriche chiare – sia tecniche che di business – cambia completamente il modo in cui si progetta il sistema.
Poi c’è l’architettura dei dati. Da dove arrivano? Sono affidabili? Con quale frequenza vengono aggiornati? Una pipeline incerta genera risultati incerti indipendentemente dalla qualità del modello.
Un’altra scelta cruciale è capire se ha senso costruire un modello custom o integrare soluzioni esistenti. Non sempre costruire da zero è la risposta migliore: dipende dal contesto, dal vantaggio competitivo e dalla scalabilità futura.
E infine, c’è un tema spesso trascurato: la manutenzione nel tempo. Un sistema AI non è un software statico. Va monitorato, aggiornato e misurato continuamente.
Gli errori che vediamo ripetersi più spesso nei primi step sono abbastanza ricorrenti: partire dal modello invece che dal processo; sottovalutare la qualità e la strutturazione dei dati; non prevedere un monitoraggio post-rilascio; non coinvolgere fin dall’inizio le persone che dovranno usare il sistema.
Per questo diciamo spesso che l’AI non è un semplice progetto IT ma è un intervento che modifica flussi, responsabilità e modalità decisionali. Se questo aspetto organizzativo non viene considerato sin dall’inizio, anche la soluzione tecnicamente più avanzata rischia di non produrre impatto reale.
Attraverso l’Innovation Hub avete scelto di investire non solo in sviluppo tecnologico, ma anche in sperimentazione, formazione e contaminazione tra competenze. Che ruolo ha oggi un innovation hub per un’azienda che lavora sull’intelligenza artificiale? È più uno spazio di ricerca, di prototipazione o di cultura del dato?
Per noi l’Innovation Hub non è semplicemente uno spazio fisico, né solo un laboratorio tecnologico. È un ecosistema che integra impresa, formazione e contaminazione tra competenze. Un luogo dove tecnologia e relazioni crescono insieme.
L’Innovation Hub realizzato a Roma Nord è stato pensato come un business forum permanente, un coworking evoluto, uno spazio dedicato a eventi, sperimentazione e confronto tecnologico, ma anche come un acceleratore di relazioni, innovazione e collaborazione tra imprese e professionisti.
Per un’azienda che lavora con l’intelligenza artificiale, oggi non basta sviluppare soluzioni. Serve creare un contesto in cui quelle soluzioni possano essere comprese, testate e adottate.
L’Innovation Hub diventa quindi uno spazio dove le imprese possono confrontarsi su casi reali, una rampa di lancio per le startup che hanno progetti e idee da realizzare, un luogo di formazione continua e condivisione di know-how e un punto di incontro tra competenze tecniche, manageriali e strategiche.
L’AI non cresce in isolamento, ha bisogno di dialogo, di sperimentazione condivisa, di cultura diffusa. Senza questo ecosistema, anche la tecnologia più avanzata rischia di restare teorica. Con questo ecosistema, invece, l’innovazione diventa concreta, condivisa e sostenibile.
Molti progetti di IA falliscono non per limiti dei modelli, ma per problemi legati alla qualità, alla governance e all’uso dei dati. Nella vostra esperienza, quanto pesa l’infrastruttura dati rispetto agli algoritmi? E come cambia il lavoro quando l’IA deve entrare in processi già esistenti e non nati data-first?
Nella nostra esperienza, l’infrastruttura dati pesa spesso più dell’algoritmo. Si tende a parlare molto di modelli, di performance, di accuratezza. Ma la verità è che un modello sofisticato applicato a dati incoerenti o non governati produce risultati insoddisfacenti. Al contrario, anche un modello relativamente semplice, se alimentato da dati strutturati e affidabili, può generare maggior valore.
L’AI non compensa il disordine, lo rende solo più veloce. Quando poi l’intelligenza artificiale deve entrare in processi già esistenti – e non progettati in ottica data-first – il lavoro diventa soprattutto organizzativo.
Significa rivedere i flussi, capire da dove arrivano realmente i dati, chiarire chi ne è responsabile, introdurre regole di governance e tracciabilità. È un lavoro meno visibile rispetto all’algoritmo, ma decisivo.
Spesso l’AI in sé non è la parte più complessa del progetto. La vera sfida è trasformare il processo senza bloccare l’operatività quotidiana. Integrare l’intelligenza artificiale richiede equilibrio: innovare, ma senza creare fratture; migliorare i sistemi esistenti, senza destabilizzare l’organizzazione. Quando questo equilibrio viene trovato, l’AI diventa uno strumento di evoluzione naturale, non un elemento di rottura.
Guardando ai prossimi anni, l’intelligenza artificiale sta diventando sempre più pervasiva ma anche più invisibile, integrata nei sistemi e nei processi quotidiani. Dal punto di vista di Data-Driven.Ai, quali competenze diventeranno davvero critiche per lavorare con l’IA in modo consapevole e sostenibile? E che responsabilità ha oggi chi costruisce questi sistemi?
Nei prossimi anni l’intelligenza artificiale diventerà sempre più invisibile. Non la vedremo come qualcosa di separato, ma come una componente integrata nei sistemi, nei software, nei processi quotidiani. Proprio per questo, le competenze davvero critiche non saranno solo tecniche.
Servirà una capacità diffusa di comprendere e leggere i dati in modo consapevole. Non solo specialisti, ma manager, professionisti e decisori dovranno saper interpretare numeri, indicatori e output algoritmici senza accettarli in modo automatico. In altre parole, servirà pensiero critico applicato ai dati: capire da dove arrivano, quali limiti hanno, che margine di errore esiste, quando è opportuno fidarsi e quando è necessario intervenire.
Diventeranno centrali anche le competenze di governance e sicurezza, la capacità di integrare tecnologia e conoscenza del dominio, e soprattutto la responsabilità decisionale.Perché lavorare con l’AI significa prendere decisioni sulla base di sistemi che apprendono, evolvono e influenzano comportamenti.
Chi costruisce questi sistemi ha oggi una responsabilità enorme. Significa progettare soluzioni spiegabili, garantire trasparenza e tracciabilità, ridurre il rischio di bias, costruire architetture sostenibili nel tempo, non solo dal punto di vista tecnico, ma anche organizzativo.
E significa anche avere l’onestà di non vendere aspettative irrealistiche. L’intelligenza artificiale non è neutrale. Riflette le scelte, le priorità e i valori di chi la progetta. La vera sfida non è costruire il modello più potente. È costruire sistemi responsabili, coerenti con il contesto in cui operano e con l’impatto che generano sulle persone e sulle organizzazioni.
IntelligentIA è il primo grande evento dedicato all’IA in programma a Roma il 6-7 marzo 2026. Due giornate “full immersion” sull’intelligenza artificiale per capire come integrarla nei processi di business e come gestirla con intelligenza umana, per prendere decisioni migliori e generare valore reale per le organizzazioni, le aziende e le persone.
