La ITSM data quality ha smesso da tempo di essere una questione di “igiene” operativa per diventare una scelta strategica. Tra le condizioni che rendono possibile l’integrazione dell’AI nei processi IT, la qualità dei dati è quella più sottovalutata e, allo stesso tempo, la più decisiva. Tre elementi sono indispensabili perché qualunque automazione basata sull’AI produca risultati stabili: una Configuration Management Data Base (CMDB) accurata, uno storico dei workflow strutturato e coerenti record operativi – le tracce digitali delle attività IT quotidiane, dalle segnalazioni di malfunzionamento alle modifiche sui diversi sistemi, fino alle richieste di servizio degli utenti.
La qualità dei dati come fattore di successo (o di fallimento) dell’AI
I numeri prodotti dalla ricerca internazionale convergono su un punto: la qualità dei dati è oggi la principale variabile che separa i progetti AI riusciti da quelli destinati a fallire. Secondo una indagine Gartner del febbraio 2025 condotta su 1.203 responsabili in data management, il 63% delle organizzazioni non disponeva – o non era sicura di disporre – di pratiche di gestione dei dati adeguate per l’AI. Gartner prevedeva inoltre che entro il 2026 il 60% dei progetti AI non supportati da dati pronti per l’AI sarebbe stato abbandonato.
Il dato non è isolato. Dei 782 responsabili nella funzione Infrastructure & Operations intervistati sempre da Gartner,il 38% dichiarava che i progetti AI implementati si erano rivelati una esperienza fallimentare e un altro 38% citava esplicitamente la scarsa qualità o disponibilità dei dati come causa diretta del problema. Solo il 28% dei progetti AI in ambito IT generava un ROI in linea con le aspettative.
Su un fronte ancora più specifico, oltre la metà dei professionisti IT non si fida dei dati contenuti nel proprio CMDB, pur utilizzandolo come fonte per workflow ITSM e automazioni che dovrebbero essere alimentate dall’AI.
Che cosa intendiamo davvero per ITSM data quality?
Parlare di ITSM data quality non significa parlare di “dati puliti” in senso generico. Significa garantire che le informazioni gestite nella piattaforma ITSM – ovvero tutto ciò che viene tracciato durante le attività IT quotidiane – rispondano a quattro requisiti precisi e verificabili:
- Completezza: ogni registrazione deve contenere tutti i campi necessari per essere processata in modo affidabile, sia da un operatore umano sia da un agente AI. Un incident (la segnalazione di malfunzionamento dei servizi IT) senza categoria assegnata, un asset senza riferimento al suo responsabile, una richiesta senza data di scadenza sono tutti esempi di dati incompleti che bloccano l’automazione.
- Accuratezza: l’informazione registrata corrisponde a ciò che è effettivamente in produzione: lo stato reale di un asset, le relazioni tecniche e funzionali fra i diversi componenti dell’infrastruttura IT – i Configuration Item (CI) – l’effetto prodotto da un intervento di change management (la modifica pianificata di un sistema) dopo la sua implementazione.
- Attualità: i dati riflettono la realtà del momento, non una fotografia del passato. Un’informazione obsoleta all’interno del system of record – la piattaforma riconosciuta come fonte ufficiale del dato per tutta l’organizzazione – diventa, di fatto, una fonte di disinformazione.
- Integrità relazionale: le relazioni fra i diversi elementi sono tracciate, esplicite e verificabili. Per esempio: il legame tra un servizio business e i suoi componenti tecnici, fra un incident e l’asset coinvolto, fra una change e gli ambiti su cui essa produce effetti.
Senza queste quattro condizioni, anche il modello AI più sofisticato si trova a operare su informazioni che non descrivono in modo affidabile la realtà operativa: prenderebbe decisioni basate su un quadro distorto, e i suoi suggerimenti – per quanto formalmente coerenti – finirebbero per risultare disallineati rispetto a ciò che sta effettivamente accadendo nei sistemi aziendali.
Perché senza una buona ITSM data quality l’AI non scala
Keith Andes, Product Marketing @ EasyVista osserva come le due frasi più ricorrenti che le organizzazioni IT pronunciano internamente sono: «I nostri processi non sono pienamente implementati» e, soprattutto, «I nostri dati non sono affidabili». È una osservazione importante, perché definisce con precisione un punto di rottura: se il system of record aziendale è incompleto o disordinato, l’AI può solo amplificare quel disordine, mai correggerlo.
Tre esempi concreti chiariscono ulteriormente il problema:
- CMDB disordinata e routing automatico degli incident. Se i CI sono duplicati, mal categorizzati o orfani, un agente AI che assegna i ticket sulla base delle dipendenze applicative produrrà assegnazioni sbagliate con la stessa rapidità con cui produrrebbe quelle giuste. La velocità non compensa l’inaccuratezza.
- Knowledge base disallineata. Un sistema di sintesi della conoscenza basato su LLM che pesca da articoli obsoleti suggerirà soluzioni non più applicabili, oppure procedure non approvate per l’ambiente specifico dell’organizzazione. L’apparente autorevolezza dell’output AI rende il danno più difficile da intercettare in tempo reale.
- Storico operativo incompleto. Se i ticket vengono chiusi senza una corretta classificazione della causa originaria del problema (la cosiddetta root cause, ovvero ciò che ha generato il malfunzionamento, distinta dai sintomi visibili), l’AI non ha materia prima sufficiente per identificare pattern ricorrenti né per migliorare nel tempo i suggerimenti agli operatori.
In tutti e tre i casi, il modello AI funziona perfettamente in laboratorio È quando incontra dati reali – disordinati, incoerenti, parziali – che il valore promesso viene meno. La ITSM data quality è dunque la variabile che separa una demo riuscita, perché eseguita dal fornitore in ambiente controllato, da un sistema produttivo effettivamente affidabile.
Quattro priorità per costruire una solida ITSM data quality
Una volta compreso quanto la qualità dei dati incida sul successo dell’AI, resta da capire come intervenire. Riconoscere il problema è il primo passo, affrontarlo richiede di agire su quattro fronti precisi, in sequenza e con risultati misurabili.
1. Misurare prima di intervenire
Non si migliora ciò che non si misura. Definire KPI espliciti sulla qualità dei dati consente di trasformare un problema percepito in un problema gestibile. Le dashboard di data quality sono strumenti di lavoro quotidiano per i team operativi e devono tracciare una serie di parametri fondamentali quali: quante schede del CMDB sono complete in tutti i loro campi obbligatori, da quanto tempo in media non vengono aggiornate, quanti record duplicati esistono, in quale percentuale i ticket vengono categorizzati in modo accurato.
2. Automatizzare il rilevamento e l’allineamento dei dati
Il dato inserito manualmente invecchia rapidamente. Per mantenere una CMDB affidabile servono due cose: strumenti di discovery automatica, che scansionano in modo continuo l’infrastruttura – reti, dispositivi degli utenti finali (laptop, desktop, smartphone, server), ambienti cloud – e ne registrano gli elementi presenti; e processi di riconciliazione, che confrontano periodicamente ciò che risulta nel CMDB con ciò che è realmente in produzione, segnalando differenze, asset mancanti o configurazioni non più valide. Le piattaforme ITSM moderne, incluse soluzioni come EV Discovery di EasyVista, sono progettate per svolgere questa attività in modo costante e automatizzato, anziché lasciarla a verifiche manuali periodiche che invecchiano fra una sessione e l’altra.
3. Definire ownership esplicita sui dati
Dietro ogni asset, ogni servizio, ogni area di knowledge base deve esserci un responsabile identificato che ne presidi la qualità nel tempo. Senza ownership, la ITSM data quality si degrada per inerzia. Con una ownership chiara, invece, ogni segnalazione di anomalia trova un destinatario preciso, e le attività di bonifica dei dati diventano una pratica strutturale, non più un’eccezione gestita caso per caso.
4. Integrare la qualità del dato nel workflow e non a valle
Il momento più efficace per garantire la qualità di un dato è quello della sua creazione. Form di apertura ticket con validazione, campi obbligatori intelligenti, suggerimenti automatici di categorizzazione, controlli di coerenza al momento della chiusura: tutte queste buone pratiche prevengono il problema all’origine, anziché obbligare a costose attività correttive a posteriori. È a questo livello che l’AI può iniziare a fornire un valore concreto già oggi, supportando e non sostituendo la disciplina operativa dei team IT.
Il dato come investimento, non come costo
Migliorare la ITSM data quality è oggi uno degli investimenti più strategici che un’organizzazione possa compiere. Il messaggio di Keith Andes, da questo punto di vista, è diretto e definitivo: «Smettete di destinare il 100% del budget AI alle feature AI. L’AI ha bisogno di una base solida su cui operare.» Questa base solida consiste in un workflow documentato e in dati affidabili. Le organizzazioni che decideranno di investire sul proprio system of record prima che sulle feature più appariscenti otterranno un doppio risultato: un ITSM più robusto nell’immediato, e una base credibile per qualunque sviluppo agentico nei prossimi anni. Ecco che la qualità del dato smette di essere un tema operativo per diventare una scelta strategica con effetti diretti sulla competitività.
FAQs
1. Che cos’è la ITSM data quality?
È la condizione di completezza, accuratezza, attualità e integrità relazionale dei dati operativi gestiti all’interno della piattaforma ITSM: record di incident, change, asset, configuration item, knowledge base. Costituisce la materia prima su cui poggiano automazioni, decisioni operative e iniziative di AI.
2. Perché la qualità dei dati è critica per l’AI in ambito ITSM?
Perché l’AI non corregge i dati su cui opera: li amplifica. Se la CMDB è disordinata o lo storico operativo è incompleto, l’AI riprodurrà – e accelererà – quegli errori. Gartner stima che entro il 2026 il 60% dei progetti AI privi di dati pronti per l’AI verrà abbandonato.
3. Da dove conviene partire per migliorare la ITSM data quality?
Dalla misurazione dello stato attuale. Prima di intervenire serve sapere dove ci si trova: quante schede del CMDB sono complete in tutti i loro campi obbligatori, quanto sono vecchi in media i dati di configurazione, quanti record duplicati esistono, in quale percentuale i ticket vengono categorizzati in modo accurato. Senza questi indicatori di partenza, ogni azione successiva procede alla cieca.
4. Qual è il ruolo della CMDB nella ITSM data quality?
CMDB è la fonte di verità sulle configurazioni e le dipendenze IT. Quando è accurata, ogni automazione e ogni decisione operativa ne beneficiano.