I dati che hai già valgono più del modello che comprerai
Esiste un divario persistente tra ciò che i dirigenti dichiarano riguardo ai loro dati e ciò che effettivamente ci fanno. La maggior parte li utilizza per monitorare il passato: report di vendita, dashboard di KPI, tracciamento delle campagne. Alcuni li attivano già per personalizzare le esperienze attraverso l'intelligenza artificiale. Ma quasi nessuno compie il passo successivo, che non è tecnologico bensì concettuale: trattare i dati come un prodotto che genera entrate di per sé, indipendentemente dal business che li ha prodotti.
Questa è la tesi centrale che sta prendendo piede nella conversazione strategica del 2026, e ha numeri alle spalle che la rendono difficile da ignorare. I margini operativi del commercio al dettaglio tradizionale si muovono tra il 2% e il 5%. I margini delle reti pubblicitarie basate su dati propri — costruite sugli stessi clienti e sulla stessa infrastruttura — possono arrivare fino al 90%. Non si tratta di una variante del business originale: è un altro business, costruito sullo stesso asset che già esisteva. Walmart Connect è cresciuto del 41% nell'anno fiscale 2026. L'unità di business alternativa di Kroger, che include media e analisi dei dati, ha generato 1,5 miliardi di dollari di utile operativo nell'ultimo anno fiscale. Entrambe le aziende hanno costruito queste linee di reddito senza acquisire nuovi clienti né aprire nuovi mercati. Hanno cambiato il modo in cui hanno confezionato ciò che già sapevano.
Ciò che manca in quell'analisi, e ciò che mi interessa maggiormente come analista comportamentale, è la domanda che nessun dirigente si sta ponendo ad alta voce: se l'asset è sempre stato lì, perché la maggior parte non lo monetizza?
L'asset invisibile e il bias che lo tiene addormentato
La risposta non risiede nella tecnologia né nel talento. Risiede in come le organizzazioni percepiscono ciò che possiedono.
Esiste un bias cognitivo ben documentato chiamato familiarità con il proprio ambiente: tendiamo a svalutare ciò che produciamo o controlliamo perché l'esposizione ripetuta riduce la percezione del suo valore. Un team di marketing che da anni osserva gli stessi dati comportamentali dei propri clienti smette di vederli come un asset scarso. Li trattano come un input operativo perché questo è ciò che sono stati da sempre. Il cervello umano è estremamente efficiente nel normalizzare il familiare e nel sottovalutare ciò che non ha un prezzo di mercato visibile.
Questo si aggrava nelle grandi organizzazioni perché i dati sono frammentati tra aree che non condividono gli stessi incentivi. Il team commerciale sa quanto acquista ogni segmento. Il team logistico sa quando e dove. Il team di prodotto sa quali funzionalità generano fidelizzazione. Ma nessuno sta pagando per assemblare questi pezzi in un prodotto coerente che un'altra azienda comprerebbe, perché ogni area misura le proprie performance in base a obiettivi interni, non al valore esterno di ciò che sa.
La conseguenza pratica è che il dato più prezioso di un'azienda — la conoscenza accumulata sul comportamento dei propri clienti — vive dispersa, senza struttura, senza prezzo e senza un proprietario chiaro. Non perché l'azienda sia incapace di organizzarla, ma perché organizzarla in quel modo richiede di rompere con la logica operativa che sostiene il quotidiano. E rompere con quella logica genera attrito istituzionale che la maggior parte dei team non ha gli incentivi per assumere.
Il caso di 84.51°, la sussidiaria di analytics e media di Kroger, è istruttivo proprio perché il suo punto di partenza non è stato tecnologico. La piattaforma Stratum non è nata perché Kroger ha scoperto nuovi dati. È nata perché qualcuno ha deciso di strutturare ciò che già sapeva attorno alle decisioni che i brand di largo consumo avevano bisogno di prendere: dove spendere, cosa assortire, come misurare i risultati. L'asset era lo stesso. Ciò che è cambiato è stato il quadro interpretativo dal quale è stato offerto. Questo spostamento — da dato interno a prodotto esterno — è più un atto di design organizzativo che un atto tecnico.
Perché l'IA non risolve il problema, ma lo rende più urgente
Esiste una tentazione comprensibile in questo momento del ciclo tecnologico: credere che implementare modelli linguistici o strumenti di intelligenza artificiale generativa sia sufficiente per capitalizzare i dati che un'azienda possiede. Non lo è, e capire perché richiede di distinguere tra due tipi di vantaggio.
Il primo tipo è il vantaggio di accesso agli strumenti. Tre anni fa, avere accesso a modelli linguistici di grande scala era un vantaggio reale perché pochi potevano permettersi il loro sviluppo. Quel vantaggio è praticamente scomparso. I modelli più capaci sono accessibili a qualsiasi azienda con un budget ragionevole. Il mercato dei modelli base tende alla parità, nello stesso modo in cui l'accesso ai server cloud ha smesso di essere un elemento differenziante un decennio fa.
Il secondo tipo è il vantaggio dell'input proprietario. Ciò che un'azienda alimenta nel modello conta più del modello stesso. I 62 milioni di famiglie e i 2 miliardi di transazioni annuali che 84.51° elabora non sono replicabili. Un'azienda di logistica con cinque anni di dati su percorsi e domanda regionale non è replicabile. Un sistema sanitario con cartelle cliniche collegate ai risultati non lo è nemmeno. Il vantaggio non risiede nell'algoritmo ma in ciò che l'algoritmo elabora, e questo è esattamente ciò che la maggior parte delle aziende continua a trattare come input operativo invece che come asset commercializzabile.
Il paradosso è che la diffusione massiva dell'intelligenza artificiale rende più urgente — non meno — risolvere il problema della monetizzazione dei dati. Se tutti hanno accesso agli stessi strumenti, il differenziale migra completamente verso chi possiede i dati più ricchi, più puliti e più strutturati per produrre output che altri non possono replicare. Le aziende che non avranno risolto l'architettura dei propri dati proprietari entro il 2027 non saranno in svantaggio per mancanza di tecnologia. Saranno in svantaggio perché avranno lasciato che il loro unico vero vantaggio competitivo — la conoscenza accumulata dei propri clienti — rimanga non monetizzato mentre i loro concorrenti lo convertono in margine.
Questo si applica al di fuori del commercio al dettaglio con la stessa logica. Un editore che sa quali formati di contenuto incentivano la conversione per quali segmenti può costruire uno strumento di pianificazione per gli inserzionisti. Un'azienda di logistica che sa quando e dove si concentra la domanda può offrire benchmark ai propri clienti. Un'assicuratrice che comprende i modelli di rischio con granularità geografica può vendere quella conoscenza a governi o sviluppatori immobiliari. Il denominatore comune non è il settore: è possedere informazioni di cui altri hanno bisogno per prendere decisioni migliori e che non possono costruire da soli nel breve periodo.
Ciò che blocca il movimento non è tecnico
Fin qui, l'analisi sembra indicare un'opportunità ovvia che richiede solo la volontà esecutiva. La realtà organizzativa è considerevolmente più complicata, e il comportamento umano all'interno delle istituzioni spiega perché la maggior parte delle aziende non compie questa mossa anche quando la logica la giustifica.
Il primo ostacolo è l'identità di business. Le organizzazioni si costruiscono delle narrazioni su ciò che sono. Una banca è una banca. Una compagnia aerea è una compagnia aerea. Una catena di supermercati vende alimenti. Quando qualcuno propone internamente di trasformare i dati dei clienti in un prodotto da vendere a terzi, la risposta istintiva di molti team non è analitica bensì identitaria: "questo non è ciò che facciamo". Quella resistenza non è irrazionale dal punto di vista dell'individuo che la esprime. È un segnale che il cambiamento proposto minaccia il modello mentale con cui quella persona ha costruito la propria carriera professionale. La banca che decide di monetizzare i dati di comportamento finanziario diventa, in parte, un'azienda di dati. E questo implica che alcuni profili interni perdono rilevanza mentre altri, che non esistevano, diventano centrali.
Il secondo ostacolo è l'attrito di governance. I dati dei clienti sono soggetti a normative sulla privacy che variano per mercato e settore. Costruire un prodotto di dati che sia commercializzabile, legalmente difendibile e affidabile per terzi richiede un'architettura di consenso, anonimizzazione e conformità normativa che la maggior parte delle aziende non ha pronta. Non perché sia impossibile costruirla, ma perché costruirla richiede un investimento trasversale in aree che storicamente non hanno lavorato insieme: tecnologia, legale, prodotto e commerciale. Coordinare quell'investimento senza che nessuna area lo consideri una propria vittoria genera esattamente il tipo di inerzia politica che congela le iniziative strategiche più promettenti.
Il terzo ostacolo è l'assenza di un prezzo visibile. I mercati finanziari valutano le unità di business quando generano entrate con una struttura propria. Finché i dati di un'azienda sono sepolti all'interno dell'operazione senza generare una linea di reddito separata, il loro valore non appare in nessun modello finanziario. Ciò significa che nessun analista lo sollecita dall'esterno, che nessun incentivo di compensazione esecutiva lo premia direttamente e che nessun consiglio di amministrazione lo esige come priorità. L'asset rimane invisibile in bilancio perché non ha un prezzo, e non ha un prezzo perché nessuno ha preso la decisione di assegnarglielo.
Superare questi tre ostacoli non richiede nuova tecnologia. Richiede un cambiamento nel modo in cui i leader inquadrano il problema internamente: passare da "come utilizziamo i nostri dati per operare meglio?" a "per quale decisione di un'altra azienda siamo la fonte di informazione più preziosa e insostituibile?". Questa seconda domanda obbliga a guardare verso l'esterno prima di guardare verso l'interno. E questo, per la maggior parte dei team esecutivi, è un movimento psicologico considerevolmente più difficile che implementare qualsiasi piattaforma di analisi.
La monetizzazione dei dati è un problema di design prima che di tecnologia
La lezione che emerge dal caso Kroger, e dai pattern che si ripetono in logistica, sanità e media, non è che le aziende abbiano bisogno di più dati o di modelli migliori. È che il valore è intrappolato in un divario di design tra ciò che un'organizzazione sa e il modo in cui struttura quella conoscenza affinché qualcun altro possa pagare per essa.
Quel divario ha un'anatomia specifica. Da un lato c'è l'informazione accumulata durante anni di attività: transazioni, comportamenti, pattern, anomalie. Dall'altro ci sono le decisioni che gli attori esterni devono prendere con informazioni migliori di quelle che hanno: quanta parte del budget allocare a quale canale, quale inventario mantenere in quale punto della catena, quali profili di rischio meritano condizioni diverse. Il divario tra i due lati è il prodotto. Il lavoro di design consiste nel costruire la struttura che connette ciò che l'azienda sa con la decisione che il cliente esterno deve prendere, in modo sufficientemente chiaro e affidabile affinché quel cliente paghi per accedervi in modo ricorrente.
Ciò che fa la diffusione massiva dell'intelligenza artificiale in questo contesto è ridurre il costo di costruzione del ponte. Organizzare, pulire e strutturare dati che in precedenza richiedevano team di ingegneria dei dati per mesi ora può essere fatto in settimane con gli strumenti adeguati. Questo non elimina il problema di design né risolve l'attrito organizzativo. Ma riduce la barriera d'ingresso sufficientemente da consentire alle aziende che prima non potevano permettersi quel sviluppo di avere ora la capacità tecnica per farlo, a condizione che abbiano la chiarezza strategica per decidere cosa costruire e per chi.
La decisione rimane umana. E il motivo per cui la maggior parte delle aziende non la prende, pur avendo l'asset disponibile, rimane psicologico prima che tecnico. L'identità di business, l'attrito politico interno e l'invisibilità contabile degli asset di dati sono forze che nessun modello linguistico può risolvere. Sono forze che richiedono che qualcuno ai vertici decida di guardare ciò che già possiede con occhi diversi da quelli con cui lo ha costruito. Quello spostamento percettivo è, in questo momento del ciclo tecnologico, il vantaggio competitivo più scarso e meno copiabile che esista.
