Data readiness per RAG e agent AI nel B2B

Perché la data readiness batte la scelta del modello

Buyer e operatori giudicano l'AI su quanto risposte e azioni coincidono con la realtà. Un modello più forte non sistema un indice costruito sull'export dell'anno scorso o un connector che ignora i permessi a livello sito. La data readiness è un problema di prodotto e ops: chi possiede la verità, come fluiscono gli update, cosa non deve mai essere retrieved o scritto. Trattala come gate prima di spendere su embedding, agent o demo vendor. Se non sai nominare il system of record per ogni campo che un agent userà, non sei pronto per i side effect. Parti con Q&A su un corpus pulito e owned—oppure metti in pausa il pilot.

• La qualità del modello è secondaria rispetto ad ACL e freshness
• Dati sbagliati nei tool diventano post ERP sbagliati
• Il tempo di discovery qui costa meno della cleanup di un incidente dopo
• Passa una checklist di readiness prima del kickoff contractor

Ownership e system of record

Assegna un owner per corpus e per dominio transazionale: manuali di policy, account CRM, inventory ERP, macro ticket. Owner significa chi approva i cambi di contenuto e chi è accountable quando l'AI cita spazzatura. Separa i system of record dalle copie di comodità. Indici vettoriali, data lake e CSV notturni sono derivati. Gli agent che scrivono devono puntare al SoR; il RAG dovrebbe preferire export con provenance dal SoR. Documenta le regole di conflitto: se CRM ed ERP non concordano sull'indirizzo cliente, chi vince? Agent e retrieval hanno bisogno di quella regola codificata, non dibattuta su Slack durante il pilot.

• Nomina SoR, owner e cadenza di update per dominio
• Vieta Spreadsheet 'ombra' come knowledge di produzione senza piano di sunset
• Registra chi può revocare un documento o congelare un connector
• Collega l'ownership ai path di escalation del support

ACL e tenancy prima di indicizzare

Mappa chi può vedere cosa oggi nei sistemi sorgente. Se gruppi SharePoint, ruoli ERP e RBAC SaaS non concordano, l'AI non li unificherà magicamente—farà leak o rifiuti scorretti. Codifica i confini tenant, sito, ruolo e partner nei metadata prima del primo embed. Allinea a architettura multi-tenant e SSO e identity così il principal di retrieval coincide con l'utente autenticato. Testa leak cross-tenant e cross-role con fixture reali, non con account demo che vedono tutto.

PII e campi sensibili in corpora e tool

Ticket free-text, email e note sono mine di PII. Decidi cosa può entrare in embedding, log e prompt del modello. Redigi o escludi per policy—non per speranza—ID nazionali, dati sanitari, dettagli di pagamento e secret. I tool layer che chiamano CRM o sistemi HR servono allowlist a livello campo. Un agent con 'read customer' che restituisce il codice fiscale completo è un incidente di compliance in attesa del questionario. Persisti le trace AI sotto le stesse regole di retention e accesso degli altri audit log. Non scaricare PII grezza in bucket di debug 'solo per il pilot'.

• Classifica i campi: public / internal / restricted / forbidden per l'AI
• Rimuovi secret e credential dai documenti ingestiti
• Separa dataset di training/eval dalla PII di produzione dove richiesto
• Documenta DPA e sub-processor prima dei pilot vendor

Freshness, lag e design dell'ingestion

Definisci uno SLO per il lag dell'indice: quanto può essere stale una policy o un listino prima che la risposta sia unsafe? Reindex event-driven o al publish battono scrape batch settimanali per la knowledge operativa. Fai tombstone immediato di documenti eliminati e revocati. Chunk stale che sopravvivono al SoR sono una causa comune di risposte sbagliate e confident. Per gli agent, la freshness vale anche sulle read dei tool: i TTL di cache su inventory o entitlement devono matchare il rischio di business. Accoppia il design di ingestion ai pattern di integrazione ERP quando la verità transazionale deve restare live.

ROI della cleanup: cosa sistemare prima del pilot

Non ogni cartella merita un mese di lavoro di tassonomia. Prioritizza la cleanup per blast radius: domande operatore ad alto traffico, campi money-moving, policy regolate e tutto ciò che un agent potrebbe scrivere. Win economici: rimuovi duplicati, tagga gli owner dei documenti, elimina versioni obsolete, sistema ACL rotte solo sul corpus del pilot. Lavoro costoso: tassonomia enterprise completa—rimandala finché il pilot non prova valore. Budgetta la cleanup esplicitamente in stime di progetto e scope MVP. Ignorarla fa sembrare l'AI costosa quando il costo reale erano input sporchi.

• Corpus pilot: un dominio, una persona, contenuto owned
• Misura il rate di claim non supportati dopo l'igiene, non prima
• Togli drive orfani dal path di retrieval
• Traccia ore di cleanup vs rischio incidente evitato

Checklist di discovery prima di un pilot AI

Eseguila in technical discovery prima della selezione vendor o del kickoff contractor. Se fallisce un item critico, hai un progetto dati, non un progetto AI.

• SoR nominato per ogni dominio che il pilot leggerà o scriverà
• Owner e processo di update documentati per il corpus pilot
• Modello ACL mappato sui ruoli utente autenticati
• Campi PII / forbidden classificati ed esclusi
• SLO di freshness e path di reindex/tombstone definiti
• Dieci golden question con fonti attese identificate
• Azioni di scrittura (se presenti) gated e idempotenti
• Retention e accesso audit per le trace AI concordati

Barre diverse per RAG vs agent

Il RAG serve documenti citabili e filtrati per ACL. Gli agent servono anche API affidabili, ID stabili e regole di conflitto tra sistemi. Non promuovere un pilot chat a tool-calling finché la readiness transazionale non è all'altezza. I connector verso ERP, CRM e ticket ereditano il design di MCP e tool layer: schemi stretti, permessi e observability—non API key god-mode. L'approvazione umana non scusa master data cattivi; rallenta solo il danno. Sistema ID e ownership prima.

Criteri di acceptance per i contractor

Richiedi un report di data readiness come deliverable: mappa SoR, test ACL, esclusioni PII, metriche di lag e raccomandazione go/no-go. Una demo flashy su una cartella condivisa non è acceptance. Collega i milestone di pagamento a test di leakage e qualità retrieval sul golden set secondo le pratiche di hiring contractor e evaluation contractor AI. Includi runbook per reindex, revoke e rollback prima del traffico di produzione.

Prossimi passi

Scegli un workflow e elenca ogni campo e documento che l'AI toccherebbe. Segna SoR, owner, ACL, classe PII e stale massima. I gap su quella lista sono il vero backlog. Poi leggi RAG in produzione, AI agentica, altre risorse, case study, prenota una call, o contatti per una review di readiness prima che atterri il budget del pilot.

Domande frequenti