Negli ultimi anni abbiamo assistito a un cambio di prospettiva piuttosto netto. La Data Governance non viene più interpretata soltanto come un insieme di regole e controlli finalizzati alla qualità del dato o alla risposta a specifici requisiti normativi, ma sempre più come una vera e propria “cabina di regia e governo” del patrimonio informativo della banca.
La spinta regolamentare, con BCBS 239 e il tema RDARR tra i riferimenti più recenti, ha sicuramente accelerato questo processo, portando le organizzazioni a confrontarsi con criticità spesso già presenti: frammentazione dei dati, flussi informativi non tracciati end-to-end, responsabilità non sempre chiaramente attribuite e ricorso ancora significativo a lavorazioni manuali.
Da una recente ricerca condotta da ABI Lab, le banche stanno quindi lavorando contemporaneamente su più dimensioni: modelli organizzativi, qualità del dato, architetture informative, catalogazione, gestione delle informazioni che descrivono i dati (Metadata Management) e Data Lineage, cioè la possibilità di ricostruire da dove nasce un dato, quali trasformazioni subisce e dove viene utilizzato.
Proprio il Data Lineage assume un ruolo sempre più importante. Non è più soltanto uno strumento tecnico o documentale, ma diventa un fattore di trasparenza e fiducia, utile sia per la compliance sia per comprendere meglio come il dato viene utilizzato nei processi e nelle decisioni.
Non esiste però un modello unico valido per tutte le banche. Dimensione, complessità organizzativa, architettura dei sistemi e livello di maturità incidono molto sul percorso adottato. Nelle esperienze più evolute si tende comunque a costruire una visione integrata, capace di mettere in relazione dati, processi, rischi, servizi e applicazioni.
A questo si aggiunge oggi un ulteriore fattore di accelerazione come l’intelligenza artificiale. La possibilità di utilizzare l’AI su scala aziendale rende ancora più evidente un principio semplice: non può esserci una buona AI senza una solida base informativa, fatta di dati affidabili, comprensibili, aggiornati e governati.
Data Quality upgraded: nuovi scenari, sfide e buone pratiche
Il tema della qualità del dato in banca esiste da anni, ma il focus continua ad ampliarsi in una prospettiva di governo a 360° delle informazioni. Incontrando anche nuovi ostacoli.
Una prima criticità è legata alla complessità del patrimonio informativo: le banche hanno alle spalle decenni di stratificazione applicativa, molti sistemi diversi, basi dati distribuite e trasformazioni che possono attraversare numerosi passaggi prima di arrivare all’utente finale. Ricostruire con precisione questa catena non è sempre semplice.
Una seconda criticità riguarda il rischio di affrontare la Data Governance per singoli “silos” o per singoli adempimenti. Una soluzione costruita esclusivamente per rispondere a una necessità normativa può risolvere il problema immediato, ma rischia di creare ulteriore frammentazione. La buona pratica, invece, è utilizzare la compliance come occasione per costruire componenti riutilizzabili: tassonomie comuni, cataloghi (business glossary, data dictionary), controlli di qualità, ruoli chiari e meccanismi di tracciatura del dato.
Un altro tema riguarda il significato stesso di qualità. Non basta dire che un dato è corretto: occorre sapere da dove arriva, chi ne è responsabile, quali trasformazioni ha subito, quali controlli sono stati effettuati e in quali processi viene utilizzato. Qualità del dato, gestione delle informazioni che lo descrivono e Data Lineage diventano quindi sempre più strettamente collegati.
C’è poi un tema di proporzionalità. Mappare indistintamente tutto il patrimonio informativo può diventare molto oneroso. Per questo una buona pratica consiste nell’individuare i dati realmente critici, stabilire priorità e applicare i presìdi in modo coerente con il livello di rischio e con l’importanza del processo.
Infine, c’è una dimensione culturale. La Data Governance funziona davvero quando non è percepita come responsabilità esclusiva di una funzione specialistica, ma come un modello condiviso tra business, IT, Risk, Compliance e funzioni di controllo. Il dato deve essere governato dove nasce, dove viene trasformato e dove viene utilizzato.
In questo senso, un tema sempre più rilevante è quello della Data Democratization, cioè la capacità di rendere i dati accessibili e utilizzabili da una platea più ampia di persone all’interno della banca, senza però perdere controllo, qualità e sicurezza. Democratizzare il dato non significa quindi “aprire tutto a tutti”, ma creare le condizioni perché ciascuno possa accedere alle informazioni di cui ha bisogno, con strumenti adeguati, definizioni condivise e livelli di autorizzazione coerenti con il proprio ruolo. È proprio qui che una Data Governance matura diventa un abilitatore: più il dato è ben descritto, tracciato e affidabile, più può essere utilizzato in modo diffuso e consapevole.
La sfida è quindi trovare il giusto equilibrio tra controllo e accessibilità: evitare che la governance diventi un freno all’utilizzo del dato e, allo stesso modo, che la democratizzazione si traduca in una proliferazione di letture, copie e interpretazioni non coerenti delle stesse informazioni.
Oltre la tecnologia: assetti organizzativi, ruoli e competenze per una governance evoluta
Anche sul piano organizzativo non esiste un solo modello. Tuttavia, si osserva una progressiva evoluzione da una Data Governance molto centralizzata verso modelli più distribuiti, nei quali una funzione centrale definisce regole, metodologie e strumenti, mentre responsabilità operative e presidio dei dati vengono attribuiti alle diverse aree della banca.
Stanno quindi assumendo crescente importanza figure come il Data Owner, cioè il responsabile di uno specifico insieme di dati dal punto di vista del business, il Data Steward, che presidia più operativamente qualità, definizioni e corretto utilizzo dei dati, e ruoli specifici legati a domini informativi, indicatori o metriche critiche.
In alcune esperienze, i programmi legati a RDARR hanno rappresentato l’occasione per rendere più chiare responsabilità che in passato erano distribuite o implicite.
Ma probabilmente il cambiamento più significativo riguarda il ruolo del Chief Data Officer. Il CDO sta progressivamente passando dall’essere soprattutto il “custode del dato” a svolgere una funzione di regia: deve tenere insieme qualità, architettura, valorizzazione, cultura del dato e, sempre più spesso, anche le implicazioni connesse all’intelligenza artificiale.
Questo richiede competenze nuove e soprattutto ibride. Servono abilità tecniche e la capacità di comprendere i processi di business, il rischio e la normativa. Diventano inoltre fondamentali comunicazione, change management e capacità di costruire un linguaggio comune tra funzioni diverse.
Essere data-driven, infatti, non significa soltanto avere molti dati a disposizione. Significa saperli comprendere, utilizzare e trasformare sistematicamente in decisioni migliori. Per questo il vero salto di maturità non è soltanto dal punto di vista tecnologico, ma per lo più a livello organizzativo e culturale.
“Data Governance by default”: la vera leva strategica per una trasformazione AI-driven
L’intelligenza artificiale rende ancora più evidente un principio che valeva già prima: la bontà di un modello dipende in larga misura dalla qualità e dal governo delle informazioni alle quali può accedere. Con l’AI questa relazione diventa ancora più stringente, perché aumenta enormemente la quantità di dati che possono essere interrogati e il numero di applicazioni che possono utilizzarli.
La Data Governance deve quindi ampliare il proprio perimetro. Un primo elemento riguarda i dati non strutturati: documenti, policy, contratti, comunicazioni, testi, email, audio e altre fonti informative che fino a poco tempo fa erano meno presenti nei tradizionali modelli di governo del dato. Con l’AI, invece, diventano centrali e devono essere gestiti con regole chiare.
Un secondo tema è quello del significato. Un sistema di AI deve sapere non soltanto dove si trova un dato, ma che cosa significa. Se per esempio un determinato indicatore viene calcolato in modi diversi in sistemi differenti, potrebbe esserci il rischio che l’AI prenda in input un’informazione non corretta generando un output plausibile ma non pienamente compliant alle aspettative. Per questo diventa essenziale stabilire definizioni dei dati condivise e precise golden source da dove attingere informazioni ufficiali.
Un terzo elemento riguarda autorizzazioni e accessi. L’AI deve vedere soltanto ciò che l’utente è autorizzato a vedere. Un buon framework di Data Governance deve contemplare la gestione corretta dei diritti di accesso ai dati soprattutto quando vengono utilizzati sistemi intelligenti.
Infine, diventa fondamentale poter risalire alla fonte delle informazioni e ricostruire il percorso seguito dal dato fino alla risposta prodotta dal sistema di AI. La spiegabilità non dipende soltanto dal modello: dipende anche dalla capacità di sapere quali dati sono stati utilizzati, con quale significato e con quali trasformazioni.
Una Data Governance realmente AI-ready deve rendere i dati non solo disponibili, ma affidabili, comprensibili, aggiornati, autorizzati e tracciabili.
Gestione 2.0 del dato: l’AI per un framework di Data Governance scalabile
Finora abbiamo parlato soprattutto di Data Governance come prerequisito per l’AI; parallelamente, da analisi condotte in ABI Lab, sta emergendo con forza il percorso opposto: utilizzare l’intelligenza artificiale per rendere la Data Governance più efficace e più scalabile.
I primi casi d’uso riguardano attività che oggi richiedono ancora molto lavoro manuale. Pensiamo alla classificazione automatica dei dati, alla proposta di descrizioni e metadati, all’associazione tra termini tecnici e definizioni di business, all’identificazione di informazioni sensibili o alla generazione assistita della documentazione.
Un secondo campo molto promettente riguarda il Data Lineage, cioè la tracciatura del dato. Tecniche di AI possono supportare l’analisi di codice, trasformazioni e collegamenti tra sistemi per ricostruire automaticamente parte del percorso seguito dal dato e contribuire a mantenerlo aggiornato nel tempo.
Lo stesso vale per la qualità del dato. L’AI può aiutare a individuare anomalie, suggerire controlli mancanti, riconoscere schemi ricorrenti e proporre nuove regole. In questo senso il modello più interessante non è quello di una sostituzione dell’uomo, ma quello di un “copilota” che supporta le persone e accelera attività ripetitive o molto onerose.
Guardando avanti, la prospettiva è quella di una Data Governance progressivamente più continua e meno dipendente da aggiornamenti manuali periodici. I sistemi potranno aiutare a rilevare automaticamente modifiche, anomalie, nuovi asset informativi e nuove relazioni tra dati.
Il punto fondamentale, però, resta l’accountability, cioè la chiara attribuzione delle responsabilità. L’AI può suggerire, classificare, ricostruire e segnalare, ma la validazione e la responsabilità finale devono restare chiaramente assegnate alle persone e alle funzioni competenti.
Due facce della stessa medaglia: “Data & AI” Governance
Data Governance e AI Governance sono sempre più interconnesse ed è importante evitare di costruire due mondi paralleli. Entrambi hanno naturalmente specificità differenti, ma condividono molte delle stesse fondamenta: qualità, trasparenza, accesso, sicurezza, tracciabilità, responsabilità e monitoraggio.
Un sistema di AI utilizza dati, definizioni, regole di business e spesso documenti già presenti nell’organizzazione. Separare completamente la governance del modello dalla governance di questi elementi rischierebbe quindi di creare duplicazioni e, soprattutto, aree grigie nelle responsabilità.
La direzione più efficace è quella di costruire una governance integrata dei dati e dell’AI, nella quale il framework di Data Governance esistente rappresenti la base su cui innestare i nuovi presìdi necessari per modelli, strumenti di AI, agenti e output.
Indipendentemente dalla configurazione organizzativa interna, figure specialistiche e professionali in ambito Data Governance (CDO, Data Owner e Data Steward, etc.) devono dialogare sempre di più con i responsabili degli AI Competence Center/AI Factory, con le funzioni di business e con Risk, Compliance, Security e Audit.
Il tema diventa ancora più importante con la cosiddetta AI agentica, cioè sistemi capaci non solo di rispondere a domande, ma anche utilizzare strumenti e svolgere determinate azioni. In questi casi bisogna definire con particolare chiarezza quali informazioni l’agente può vedere, che cosa può fare, entro quali limiti e in quali passaggi è necessario mantenere l’intervento umano.
L’obiettivo, quindi, non dovrebbe essere aggiungere un nuovo livello di governance scollegato dagli altri, ma leggere dato, modello, soluzione e utilizzo finale come parti della stessa catena del valore.
Fuori dalla “sala macchine”: il futuro è nella “cabina di regia”
Nel futuro le banche dovranno affrontare una evoluzione fondamentale: passare da una Data Governance prevalentemente orientata al controllo a una Data Governance capace di coniugare controllo e abilitazione. Compliance, qualità e sicurezza continueranno a essere fondamentali, ma dovranno essere sempre più integrate direttamente nelle architetture e nei processi, evitando di essere percepite come attività aggiunte a valle.
Un secondo elemento sarà la progressiva estensione del perimetro. Le banche non governeranno più soltanto tabelle e database, ma un universo molto più ampio fatto di documenti, contenuti non strutturati, metriche, conoscenza aziendale, modelli e agenti di AI. Il confine tra Data Governance, gestione della conoscenza e AI Governance tenderà quindi a diventare sempre meno netto.
Il terzo passaggio riguarderà il significato dei dati. Sapere dove si trova un’informazione non sarà più sufficiente: sarà necessario esplicitare che cosa significa, come si collega ad altri concetti aziendali e quali regole di business ne disciplinano l’utilizzo. In questo senso assumeranno sempre più importanza strumenti che consentono di costruire un linguaggio comune tra dati, persone e sistemi intelligenti.
Ci sarà poi un tema di automazione. Tracciatura del dato, qualità, catalogazione e controlli potranno essere sempre più supportati dall’AI, consentendo alle persone di concentrarsi sugli elementi a maggiore valore: definizioni, responsabilità, priorità e decisioni.
Ma forse il cambiamento più importante sarà culturale. La Data Governance dovrà uscire definitivamente dalla “sala macchine” per entrare nella cabina di regia della banca. Il dato spiegato, contestualizzato e affidabile diventerà il prerequisito non solo per la compliance, ma anche per l’innovazione e per una reale trasformazione Data/AI-driven.
In definitiva, la sfida non sarà semplicemente governare più dati, ma costruire un sistema che consenta alla banca di conoscere, comprendere e utilizzare il proprio patrimonio informativo con fiducia, anche quando a consumarlo non saranno più soltanto le persone, ma sempre più spesso sistemi intelligenti come per esempio l’AI agentica.
