Dagli Agenti ai Domain Specific Language Models, dalla BI autonoma agli ambienti multicloud, dati ben governati saranno alla base di un’AI che possa portare un valore concreto
Dopo un anno di sperimentazione intensa e accelerata, le organizzazioni stanno ora entrando in una nuova fase della trasformazione digitale: quella in cui le aspettative sull’Intelligenza Artificiale devono tradursi in risultati concreti e misurabili.
Il 2026 si profila come l’anno della svolta, in cui l’attenzione si sposterà definitivamente dalla sperimentazione all’adozione di un’AI governata, spiegabile, sicura e orientata a produrre valore per il business.
“L’Intelligenza Artificiale non è più un insieme di iniziative tecnologiche isolate, ma sta rapidamente diventando una pratica aziendale strutturata e regolamentata. Con l’entrata in vigore dell’AI Act europeo e il consolidamento del quadro normativo successivo a DORA, le aziende inizieranno a gestire l’AI, come già avviene per ambiti critici quali finanza, risorse umane e cybersecurity, in modo verificabile, monitorato e governato”, spiega Andrea Zinno, Data Evangelist di Denodo. “In questo nuovo contesto, non è più accettabile affidarsi a modelli opachi o a sperimentazioni non controllate e non è più possibile governare ciò che non è spiegabile, e non si può spiegare un’AI addestrata su dati non affidabili. Sempre più spesso, fenomeni come allucinazioni, violazioni della sicurezza o non‑conformità normative non derivano da limiti intrinseci dei modelli, ma da dati fragili, non gestiti nel modo adeguato o non tracciabili. Per questo motivo, la qualità e la governance dei dati emergeranno come il requisito chiave per il futuro successo dell’AI”.
Per affiancare le aziende nell’intraprendere un percorso di adozione dell’AI consapevole e prepararsi al meglio alle sfide future, Denodo, leader nella gestione dei dati, ha identificato 10 trend che definiranno l’anno che è appena iniziato.
1. L’AI passerà dall’essere semplice assistente a operatore autonomo e agentico
L’Intelligenza Artificiale evolverà oltre il ruolo di supporto fornito da assistenti passivi, lasciando definitivamente spazio ad agenti autonomi capaci di eseguire attività complesse, attivare flussi di lavoro e collaborare attivamente con le persone.
Questa trasformazione, tuttavia, potrà realizzarsi su larga scala solo se tali agenti saranno alimentati da dati affidabili, ben governati e disponibili in tempo reale.
2. I dati AI-ready diventeranno una priorità per i CIO
Si tratta di una tendenza sempre più diffusa. Di fronte a iniziative di Intelligenza Artificiale che faticano a entrare in produzione su larga scala e spesso evidenziano ritorni sull’investimento negativi, le aziende stanno spostando il focus dalla sperimentazione isolata alla costruzione di solide fondamenta di dati “pronti per l’AI”.
Dati affidabili e disponibili in tempo reale stanno diventando una priorità a livello dei Chief Information Officer (CIO), poiché rappresentano il presupposto fondamentale per consentire ad agenti autonomi e applicazioni di AI di generare valore misurabile in tempi rapidi. È qui che la gestione logica dei dati emerge come un abilitatore strategico, capace di coniugare efficacemente infrastruttura, governance e risultati di business.
3. I data product saranno fondamentali per i Domain Specific Language Models (DSLM) e per gli agenti aziendali
Ogni settore, dalla finanza alla supply chain, dal customer al risk management, diventerà produttore e consumatore di data product avanzati, intelligenti, con SLA chiari e misurabili e progettati per fornire dati affidabili e contestualizzati.
Tali data product costituiranno la base informativa necessaria per l’evoluzione dei Domain‑Specific Language Models (DSLM), abilitando data agent specializzati e verticali, capaci di operare in modo autonomo all’interno di processi di business specifici.
4. La gestione logica dei dati sostituirà il concetto di “un data lake unico per governarli tutti”
I casi d’uso di maggior impatto in ambito bancario, assicurativo, manifatturiero e retail si baseranno su eventi in tempo reale e di breve durata (come sinistri, deriva dei sensori, interruzioni della supply chain, comportamenti dei clienti, ecc).
In questo contesto, i tradizionali data lakehouse non riescono a fornire i dati richiesti, perciò la gestione logica dei dati diventa un elemento cruciale. La pratica di centralizzare tutti i dati in un unico data lake è progressivamente destinata a svanire e le organizzazioni adotteranno la gestione logica dei dati per accedere direttamente dove i dati risiedono (ambienti multicloud e ibridi), evitando duplicazioni non necessarie e garantendo al contempo una governance dei dati coerente e una portabilità integrata e flessibilità fin dalla progettazione.
5. Crescita del multicloud, della sovranità e della portabilità by design
Le strategie cloud stanno evolvendo dal semplice approccio lift-and-shift verso modelli più consapevoli e ottimizzati in base alla tipologia di carico di lavoro, che combinano ambienti ibridi e multicloud.
La gestione logica dei dati e i livelli di controllo distribuiti diventano allora elementi architetturali fondamentali, poiché sono in grado di garantire coerenza, interoperabilità, conformità normativa e portabilità fluida dei dati attraverso infrastrutture sempre più eterogenee e distribuite, fin dalla fase di progettazione.
6. L’Autonomous Business Intelligence democratizzerà la data analytics
Le analisi basate sull’Intelligenza Artificiale e gli agenti trasformeranno radicalmente la BI, consentendo agli utenti di condurre analisi complesse e multifattoriali attraverso interfacce conversazionali naturali.
In questo contesto, il ruolo della Business Intelligence evolverà dal reporting manuale e descrittivo verso una maggiore guida, orchestrazione e validazione degli insight automatizzati, supportando decisioni più rapide e informate per l’intera organizzazione.
7. La produzione diventerà autonoma e data-driven
I siti produttivi evolveranno verso sistemi autonomi e adattivi, per rispondere in tempo quasi reale a fattori macroeconomici come variazioni della domanda, dazi, volatilità dei costi energetici e interruzioni della supply chain.
Grazie all’utilizzo estensivo di sensori intelligenti, dati operativi in tempo reale e agenti AI, i cicli di produzione potranno essere accelerati fino a 2–3 volte, mentre i data product abiliteranno operazioni di supply chain ottimizzate, resilienti e transfrontaliere, supportando decisioni autonome lungo l’intero ecosistema industriale.
8. Dal dato al valore: il ROI diventerà il fattore decisivo per l’AI e il Cloud
Il ritorno sull’investimento diventerà il principale criterio di valutazione per le iniziative di Intelligenza Artificiale e Cloud, con aziende che tenderanno sempre più a richiedere risultati concreti, misurabili e tracciabili, privilegiando piattaforme in grado di ridurre lo spostamento dei dati, eliminare le ridondanze e accelerare i tempi di analisi e decisione.
Il 2026 segnerà l’affermazione di framework pratici, approcci all’AI responsabili e case study verificabili, capaci di dimostrare un chiaro impatto economico e un percorso sostenibile dal dato al valore.
9. La governance dell’AI richiede una solida governance dei dati
Le organizzazioni riconosceranno sempre più che una governance efficace dell’Intelligenza Artificiale non può prescindere da una solida gestione dei dati.
Una data governance attiva e in tempo reale, che integri semantica, privacy, qualità e sicurezza, diventerà un prerequisito imprescindibile per garantire affidabilità dell’AI, spiegabilità dei modelli, conformità normativa e riduzione delle allucinazioni, trasformando la fiducia nell’AI da principio teorico a capacità operativa.
10. Le competenze diventeranno il prossimo collo di bottiglia dell’AI
Le capacità dell’Intelligenza Artificiale stanno accelerando rapidamente, ma la velocità di adozione rischia di non tenere il passo. Il principale fattore limitante non sarà tecnologico, ma riconducibile al livello di competenze, fiducia e adeguatezza organizzativa.
Per colmare questo divario, le organizzazioni dovranno investire in programmi strutturati di upskilling e reskilling, affiancati da strumenti intuitivi, che consentano anche agli utenti non tecnici di interagire e collaborare con l’AI in modo autonomo e responsabile. Solo così sarà possibile allineare innovazione tecnologica e competenze della forza lavoro, trasformando l’AI da potenziale in valore reale e diffuso.
