→ Gartner® Hype Cycle for Agentic AI, 2026 (Aprile 2026)
→ Gartner® Hype Cycle for AI in ITSM, 2026 (Giugno 2026)
→ Gartner® Hype Cycle for IT Operations, 2026 (Giugno 2026)

Cosa significa orchestrare gli agenti

Negli ultimi anni, l’intelligenza artificiale generativa ha reso familiari ad aziende e pubbliche amministrazioni le interazioni quotidiane con sistemi capaci di comprendere richieste in linguaggio naturale e rispondere in modo appropriato: chatbot, assistenti virtuali e strumenti di scrittura assistita. L’AI Agentica rappresenta il passo successivo: non più un singolo modello che risponde a una domanda alla volta, ma ecosistemi di agenti specializzati che collaborano tra loro su processi complessi, scambiandosi informazioni, attivando applicazioni esterne, accedendo ai dati aziendali e, infine, prendendo decisioni operative. L’orchestrazione è il livello che coordina questi agenti e ne governa il flusso di lavoro. Un esempio concreto è un processo documentale in cui un agente analizza il file in entrata, un secondo recupera i dati corrispondenti dall’ERP, un terzo verifica la presenza di anomalie e un quarto prepara la proposta operativa da presentare a un operatore umano. Rendere tutto ciò affidabile e governabile su scala aziendale è la vera sfida di questa fase. I numeri confermano che l’interesse è reale. Secondo la Gartner’s 2026 CIO and Technology Executive Survey, «solo il 17% delle organizzazioni ha già implementato agenti AI, ma il 42% pianifica di farlo nei prossimi 12 mesi: la curva di adozione più rapida tra tutte le tecnologie emergenti analizzate dall’istituto».

Userbot e l’intuizione di Antonio Giarrusso

Antonio Giarrusso appartiene a quella generazione di imprenditori che ha iniziato a sperimentare con la tecnologia prima che l’AI entrasse nel mainstream. Il suo primo progetto, iMatematica, nasce quasi per caso nel 2009 e diventa in poco tempo uno strumento usato da milioni di studenti. Con la crescita della community emerge una nuova sfida: garantire a ogni utente lo stesso livello di supporto senza comprometterne la qualità. Da qui nasce l’intuizione alla base di Userbot: affidare all’intelligenza artificiale l’automazione dell’assistenza. Fondata nel 2017, Userbot cresce fino a diventare un punto di riferimento riconosciuto anche da Gartner nell’ambito dell’orchestrazione di agenti AI. Nel 2023 l’ingresso di smeup nel capitale della società apre a Userbot l’accesso a una rete di 2.600 clienti enterprise, in continuità con un percorso di crescita organica ancorata a progetti reali.

«Il valore dell’orchestrazione agentica non sta nell’automazione fine a se stessa, ma nella capacità di rendere i processi aziendali comprensibili e governabili. In un contesto in cui le organizzazioni devono rispondere di ogni decisione – ai clienti, ai regolatori, ai propri collaboratori – avere agenti AI il cui ragionamento sia verificabile non è un’opzione: è un prerequisito. Il riconoscimento di Gartner ci conferma che questa visione sta diventando un parametro di scelta concreto per il mercato enterprise.» – Antonio Giarrusso, CEO Userbot.

Tecnologia senza scatole nere

Userbot.AI si distingue per due scelte precise. La prima: la piattaforma è model-agnostic by design: non è vincolata a un singolo provider AI e consente di selezionare e sostituire i modelli in tempo reale. La seconda riguarda governance e osservabilità: ogni fase del processo decisionale degli agenti è tracciabile, a differenza dei sistemi a “scatola nera”. Un requisito critico per pubbliche amministrazioni, aziende regolamentate e realtà che non possono permettersi processi opachi. Le applicazioni già in produzione spaziano dal customer care alle risorse umane, fino a contesti industriali come la produzione, la supply chain, la manutenzione, la logistica e la gestione dei processi ERP.

La roadmap di smeup non punta ad aggiungere funzionalità AI ai singoli prodotti, ma a costruire un ecosistema di agenti intelligenti trasversale all’intera suite gestionale. L’orchestrazione degli agenti è ancora una tecnologia emergente – ma è già il territorio dove si decide chi sarà rilevante nella prossima fase dell’AI applicata al business. Scegliere oggi da dove iniziare a sperimentare è, in sé, una decisione strategica.

L'articolo Chi dirige gli agenti AI? proviene da Data Manager Online.

Lo scorso aprile, Anthropic ha lanciato Claude Mythos, sistema descritto come capace di identificare e sfruttare vulnerabilità zero-day, e di trasformare quelle già note in exploit funzionanti, il tutto in tempi incredibilmente rapidi. L’implicazione è chiara: il passaggio da “esiste un punto debole” a “si verificano accessi non autorizzati” si sta accorciando drasticamente.

Questo non significa che stia per crollare il mondo, ma bisogna mantenere massima onestà e lucidità riguardo a ciò che cambia quando il rischio cyber si sposta a velocità macchina.

Con Mythos cambia il ritmo

Storicamente, la parte più complessa non era rilevare le vulnerabilità, ma trasformarle in exploit, con la velocità e la scala necessarie. Questo richiedeva tempo, competenze specifiche e investimenti economici di un certo tipo. Se questa barriera viene meno, il tempo medio necessario per sferrare un attacco si comprime e la capacità di azione dei cyber criminali aumenta: più tentativi, su più obiettivi, e molto più rapidamente.

Chi gestisce un ciclo di patching aziendale, è già consapevole del divario: è possibile migliorarlo e automatizzarne alcune parti, ma si opera comunque con limiti umani, finestre di manutenzione e compromessi dettati dalle esigenze di business.

La prevenzione è ancora fondamentale, ma quando il tempo di azione dell’attaccante si riduce in modo significativo, la prevenzione da sola diventa una difesa troppo fragile.

Cosa non cambia con Mythos: il backup non è prevenzione

Affrontiamo subito una comune obiezione “questo è un problema di prevenzione!” Esatto. Nel momento in cui si verifica lo sfruttamento di una vulnerabilità, entra in gioco la prevenzione. La protezione dei dati non ferma un exploit al momento dell’attacco, il backup non bloccherà uno zero-day e il ripristino non è affatto un firewall.

Quindi, se qualcuno cerca di proporre il backup come uno scudo magico, è bene essere scettici. Una volta che gli attaccanti sono riusciti ad accedere, è la recovery a diventare il controllo di sicurezza più cruciale, nonché quello decisivo.

Il vero rischio non è la violazione, ma l’impatto sul business

Per la maggior parte delle aziende il problema principale non è rappresentato dall’idea astratta di “violazione”, ma dalle interruzioni di servizio, la cifratura dei dati – e la loro cancellazione o corruzione – l’impatto sui clienti, le domande scomode delle autorità di regolamentazione e i team che impiegano settimane a cercare di capire quale sia lo “stato ottimale”. La resilienza non è perfezione, è capacità di ripristino. Una violazione è un evento, la capacità di recovery una competenza fondamentale.

La minaccia sottovalutata: il “vandalismo dell’AI” dall’interno

C’è un secondo aspetto che merita attenzione e non riguarda solo gli attaccanti esterni. Man mano che gli agenti AI diventano più comuni nell’IT, si introducono attori autonomi con privilegi reali: strumenti che possono ottimizzare i sistemi, migrare dati, ripulire repository o “correggere” configurazioni. Si tratta di una funzionalità utile, finché non smette di esserlo.

Se un agente autonomo interpreta male l’intento – o opera con un contesto errato – può corrompere o cancellare grandi volumi di dati rapidamente. E poiché opera all’interno dell’ambiente, molti dei classici controlli perimetrali non sono d’aiuto.

Possiamo definirlo “vandalismo dell’AI”, per sottolineare che il rischio per l’integrità dei dati non è più solo un modello di minaccia esterna. C’è quindi bisogno di una rete di sicurezza che consideri contemporaneamente due realtà parallele: da un lato la compromissione esterna è possibile (e più rapida), dall’altro anche l’automazione interna può creare danni con gravi conseguenze.

Qual è lo stato ottimale, a fronte di attacchi più rapidi

Se si accetta il fatto che una violazione possa verificarsi, la domanda diventa concreta: quando qualcosa va storto, si è in grado di ripristinare il sistema in modo rapido, completo e documentabile?

Una protezione dei dati SaaS resiliente si basa su quattro principi:

1. Indipendenza: ridurre il rischio legato alle dipendenze

Un’architettura che si affida a numerosi fornitori e sub-processori crea un maggior numero di punti di esposizione, soprattutto quando esistono zero-day e i tempi di passaggio dalla scoperta all’exploit si accorciano drasticamente. L’indipendenza non ferma uno zero-day, ma riduce la complessità, limita il raggio d’azione del danno e semplifica ripristino e controllo.

1. Immutabilità: la rete di sicurezza deve essere fuori portata

Se gli attaccanti ottengono accesso privilegiato, o un agente interno si comporta in modo anomalo, l’ultima linea di difesa è una copia che non può essere manomessa. L’immutabilità è un requisito di progettazione: i dati di backup non possono essere sovrascritti, cancellati o alterati in modo silenzioso. Il giorno in cui si avrà bisogno della recovery è lo stesso giorno in cui si presume che qualcuno cercherà di renderlo impossibile.

1. Rilevamento delle anomalie: sapere rapidamente quando qualcosa non va

Quando gli oggetti si muovono più velocemente, il rilevamento diventa ancora più importante. Si desiderano segnalazioni anticipate: cancellazioni malevole, pattern di cambiamento insoliti, corruzione su larga scala, prima che il danno si diffonda o che diventi difficile definire uno stato “ottimale”.

1. Accesso istantaneo e ripristino granulare: velocità e precisione

Recovery non significa dover ripristinare tutto. Nei servizi SaaS, questo servizio è spesso lento e crea interruzioni. È necessaria la capacità di trovare rapidamente l’ultimo stato noto e funzionante, di ripristinare solo ciò che è stato compromesso (un utente, una casella di posta, un set di file, record specifici) e di farlo senza un rollback completo dell’ambiente.

Quando gli attacchi si muovono più rapidamente, la velocità e la precisione nel ripristino diventano più preziose che mai.

Se la prevenzione è necessaria, la recovery è irrinunciabile

È essenziale continuare a investire nella prevenzione, ma il rischio cyber moderno sta provando qualcosa di chiaro: gli attaccanti sono più veloci, gli ambienti più complessi e l’autonomia all’interno dell’IT in aumento. In un mondo simile, il backup smette di essere una funzione nice-to-have e diventa una parte fondamentale della strategia di sicurezza, perché è ciò che permette di ripristinare integrità, disponibilità e fiducia dopo qualsiasi incidente.

La speranza non è certo una strategia di sicurezza, è necessario affidarsi alla recovery.

Articolo a cura di Kim Larsen, Group CISO, Keepit

L'articolo Con l’AI, il cyber rischio corre a velocità macchina. I piani di ripristino riescono a tenere il passo? proviene da Data Manager Online.

L’intelligenza artificiale e il machine learning richiedono una crescente capacità di calcolo, in particolare attraverso l’utilizzo di GPU, processori progettati per eseguire grandi quantità di operazioni in parallelo e oggi diventati essenziali per l’addestramento degli algoritmi, il rendering avanzato, le simulazioni e le applicazioni ad alta intensità computazionale.

Per ottimizzare i costi, Seeweb propone le Istanze Spot per i Cloud Server GPU (Spot Instances), una nuova modalità di utilizzo delle risorse cloud che consente di accedere alla stessa configurazione hardware delle tradizionali istanze on-demand a un prezzo più conveniente. Il cliente utilizza quindi la capacità di calcolo disponibile beneficiando di uno sconto, accettando però che l’istanza possa essere revocata qualora quelle risorse diventino necessarie per le configurazioni on-demand. La revoca avviene con un preavviso di due minuti, lasciando quindi il tempo di gestire correttamente il processo in corso.

Lo sconto viene definito al momento della creazione dell’istanza e rimane invariato per tutta la durata della macchina in modalità Spot. La fatturazione segue il normale consumo orario del server, senza introdurre un sistema separato di gestione dei costi. Restano invece escluse, finché l’istanza rimane in modalità Spot, alcune funzionalità avanzate come Template, Snapshot e piani Reserved, che tornano disponibili dopo l’eventuale promozione a istanza on-demand.

«Con le Istanze Spot vogliamo mettere a disposizione dei nostri clienti uno strumento aggiuntivo per ottimizzare il rapporto tra prestazioni e costi, in particolare nei progetti di AI e nell’high performance computing – spiega Marco Cristofanilli, Head of Cloud AI di Seeweb «Molti workload moderni sono infatti progettati per essere distribuiti, resilienti e in grado di tollerare eventuali interruzioni. In questi contesti è possibile ottenere un risparmio significativo, continuando ad avere accesso alle stesse risorse hardware delle istanze on-demand e mantenendo la possibilità di convertirle in qualsiasi momento, quando diventano necessarie per attività critiche».

Un modello adatto ai workload che possono essere interrotti

Il valore delle Istanze Spot emerge soprattutto nei contesti in cui la continuità della singola macchina non è un requisito indispensabile. Un esempio è rappresentato dall’addestramento dei modelli di AI. Si tratta di attività che possono durare molte ore o giorni e prevedono normalmente salvataggi periodici dello stato di avanzamento, i cosiddetti checkpoint. In caso di interruzione, il lavoro può ripartire dall’ultimo punto salvato senza dover ricominciare l’elaborazione.

Lo stesso approccio si applica alle batch e alle code di lavoro, come encoding, rendering, ETL e analisi dei dati, che possono essere eseguite in sequenza o distribuite su più risorse, sfruttando la capacità di calcolo disponibile. Le Istanze Spot possono inoltre essere utilizzate nelle pipeline CI/CD per lo sviluppo software, negli ambienti temporanei di test e staging e nei sistemi basati su worker stateless, dove i singoli nodi possono essere sostituiti senza compromettere il funzionamento complessivo dell’applicazione.

Dalla protezione dei dati alla trasformazione in on-demand

La possibilità che un’istanza venga revocata non significa quindi perdere il lavoro svolto. Attraverso lo storage persistente è possibile mantenere al sicuro dataset, modelli, risultati delle elaborazioni e altri contenuti anche nel caso in cui il server venga terminato. Un elemento che consente alle aziende di combinare convenienza economica e continuità operativa, utilizzando le Istanze Spot per attività temporanee o sperimentali senza rinunciare alla protezione dei dati.

Un ulteriore elemento di flessibilità è la possibilità di promuovere in qualsiasi momento un’Istanza Spot a istanza on-demand. Se un progetto diventa più importante o un’elaborazione assume carattere critico, la risorsa può essere trasformata in una macchina permanente, non più soggetta a revoca.

Con l’introduzione delle Istanze Spot, Seeweb punta ad ampliare la propria proposta rivolta a sviluppatori, data scientist, aziende e organizzazioni che necessitano di elevate capacità di calcolo.La novità riguarda quindi la disponibilità di maggiore potenza elaborativa, ma soprattutto il modo in cui viene utilizzata. Il cloud evolve infatti verso modelli sempre più flessibili, in cui le aziende possono scegliere differenti livelli di continuità, prestazioni e costo in base alle caratteristiche dei propri progetti.

L'articolo Seeweb, più potenza di calcolo con le Istanze Spot proviene da Data Manager Online.

L’intelligenza artificiale sta finalmente passando dalla sperimentazione alla creazione di valore. È questa l’indicazione più significativa che emerge dalla ricerca “The SAP Value of AI 2026”, realizzata da SAP e Oxford Economics su un campione di 2.300 dirigenti in 13 Paesi, tra cui 200 italiani.

Per i CIO il dato più interessante non riguarda tanto l’aumento degli investimenti, quanto il fatto che il ritorno economico dell’AI inizia a diventare misurabile. Le aziende italiane prevedono infatti un investimento medio di 18,4 milioni di dollari nel 2026, destinato a crescere del 45% entro i prossimi due anni. Parallelamente, il ROI atteso passerà dal 20% (4,9 milioni di dollari) al 38%, raggiungendo i 12,2 milioni di dollari.

L’AI agentica diventa una priorità strategica

La ricerca conferma un trend ormai evidente nel mercato enterprise: il focus si sta spostando dall’AI generativa agli agenti intelligenti capaci di eseguire attività, orchestrare processi e collaborare con applicazioni e persone.

Secondo SAP, entro due anni il ROI attribuibile all’AI agentica raggiungerà 13,7 milioni di dollari per azienda in Italia, mentre il 75% delle organizzazioni considera questa tecnologia un fattore di trasformazione rilevante.

Si tratta di un’evoluzione che DataManager ha già approfondito nell’analisi dedicata agli Agenti AI, il cuore operativo della nuova impresa, dove emerge come il vero salto non sia più la generazione di contenuti, ma l’esecuzione autonoma dei processi.

Dalla sperimentazione alla scalabilità

L’AI è ormai presente nel cuore delle operations. Oggi supporta il 26% delle attività aziendali, quota destinata a salire al 44% entro il 2028.

Il problema, tuttavia, non è più introdurre nuovi modelli, ma riuscire a scalarli.

Solo il 20% delle imprese italiane dichiara infatti di seguire un approccio realmente strategico all’adozione dell’intelligenza artificiale, mentre il 36% continua a sviluppare iniziative isolate e poco integrate.

Anche sul piano organizzativo permane un gap significativo:

• solo il 45% dispone di un responsabile dedicato all’AI;
• appena il 35% definisce KPI specifici per misurarne l’impatto;
• solo il 37% ha attivato programmi strutturati di formazione.

Per un CIO questi numeri indicano una criticità evidente: l’AI continua a essere spesso un’iniziativa tecnologica anziché un programma di trasformazione del business.

Il vero collo di bottiglia sono i dati

Se l’AI generativa ha abbassato la barriera tecnologica, oggi il principale limite è rappresentato dalla qualità del patrimonio informativo.

Il 74% delle aziende italiane segnala problemi di qualità dei dati e il 77% dichiara di aver subito ritardi, rilavorazioni o backlog a causa di output AI poco affidabili.

Non sorprende quindi che SAP continui a porre l’accento sulla connessione tra AI, processi e dati aziendali, un tema affrontato anche durante il recente SAP Executive Summit e che rappresenta uno dei prerequisiti fondamentali per costruire architetture enterprise realmente scalabili.

Governance: la sfida che precede quella tecnologica

Il dato probabilmente più interessante per i responsabili IT riguarda però la governance.

Solo una impresa italiana su dieci ritiene di possedere processi e competenze adeguati per governare l’intelligenza artificiale.

L’arrivo degli agenti AI rende questa lacuna ancora più evidente:

• il 40% delle aziende non utilizza processi human-in-the-loop;
• il 25% non dispone di controlli specifici sugli accessi degli agenti;
• solo il 48% mantiene un inventario degli agenti AI attivi.

Sono aspetti che richiamano direttamente i temi della governance, della compliance e della sicurezza, sempre più centrali anche alla luce dell’AI Act europeo e dell’evoluzione delle architetture enterprise.

Shadow AI e competenze: il rischio è organizzativo

Accanto agli aspetti tecnologici emergono criticità di natura organizzativa.

L’80% degli intervistati ritiene che le iniziative di reskilling non stiano tenendo il passo con l’evoluzione dell’intelligenza artificiale, mentre il fenomeno della Shadow AI interessa almeno occasionalmente il 67% delle aziende.

Per i CIO il problema non è tanto impedire l’utilizzo dell’AI quanto riuscire a governarlo, integrandolo nei processi aziendali e definendo policy, responsabilità e controlli coerenti.

Dall’AI all’Autonomous Enterprise

Secondo Carla Masperi, Amministratore Delegato di SAP Italia, il prossimo passo sarà costruire organizzazioni nelle quali dati, processi e AI operino come un unico sistema.

È la visione dell’Autonomous Enterprise, nella quale gli agenti AI non sostituiscono le persone ma collaborano con esse all’interno di workflow governati, contestualizzati e misurabili.

Per i responsabili IT il messaggio della ricerca è chiaro: il valore dell’AI non dipenderà più dalla scelta del modello linguistico più potente, ma dalla capacità di integrare dati, processi, sicurezza e governance in un’unica architettura digitale. Solo così sarà possibile trasformare l’attuale entusiasmo per l’AI agentica in un vantaggio competitivo sostenibile.

L'articolo SAP: il ROI dell’AI accelera, ma governance e qualità dei dati restano il vero banco di prova per i CIO proviene da Data Manager Online.

Negli ultimi anni il concetto di AI Factory è diventato uno dei simboli più riconoscibili della nuova era dell’intelligenza artificiale. Grandi cluster di GPU, concentrati in pochi data center altamente specializzati, hanno reso possibile l’addestramento di modelli sempre più complessi e potenti, accelerando una trasformazione tecnologica senza precedenti.

Questa evoluzione è stata fondamentale: senza infrastrutture centralizzate di questa scala, lo sviluppo dell’AI generativa non avrebbe raggiunto l’attuale livello di maturità. Tuttavia, quando l’intelligenza artificiale esce dalla fase sperimentale e inizia a essere integrata nei processi produttivi delle aziende, emerge un punto critico sempre più evidente: il valore dell’AI non dipende solo dalla capacità di addestrare modelli, ma soprattutto dalla possibilità di utilizzarli in modo continuo, efficiente e su scala globale.

È qui che il paradigma cambia. Nel ciclo di vita dell’intelligenza artificiale è infatti essenziale distinguere tra training e inferenza. Il primo è un processo intensivo dal punto di vista computazionale ma episodico. Il secondo è il momento in cui il modello entra realmente in azione, rispondendo alle richieste degli utenti ed elaborando informazioni in tempo reale. Ed è proprio l’inferenza a rappresentare la vera economia dell’AI: ogni interazione digitale, ogni sistema di raccomandazione, ogni applicazione intelligente si basa su questo processo.

Con la diffusione dell’AI in ambito enterprise, l’inferenza è destinata a diventare la componente dominante sia in termini di volumi sia di costi operativi. Non sorprende che molte analisi prevedano che rappresenterà la maggior parte dei workload AI nei prossimi anni.

I limiti della centralizzazione

Questo spostamento ha implicazioni profonde. Non è più sufficiente concentrare la potenza di calcolo in pochi poli sempre più grandi e potenti: diventa necessario ripensare dove e come l’intelligenza viene eseguita.

Le AI Factory continueranno a svolgere un ruolo imprescindibile, soprattutto nella fase di addestramento dei modelli. Ma quando questi modelli vengono messi in produzione emergono limiti strutturali che non possono essere ignorati.

La latenza è il primo: in molti casi d’uso – dall’elaborazione video in tempo reale alla personalizzazione delle esperienze digitali fino all’automazione industriale – anche pochi millisecondi possono fare la differenza tra un’esperienza fluida e una inefficace. A questo si aggiungono i costi legati al trasferimento dei dati e le complessità normative e di governance, soprattutto nei settori regolamentati dove la sovranità del dato è un requisito essenziale. Infine, la scalabilità: concentrare tutte le richieste di inferenza in pochi hub globali significa esporsi a colli di bottiglia nei momenti di picco.

Per queste ragioni, il mercato sta evolvendo verso modelli ibridi e distribuiti, in cui il cloud centrale rimane fondamentale ma non più esclusivo.

L’edge come estensione naturale del cloud

In questo contesto, l’edge computing assume un ruolo sempre più strategico. Portare la capacità di calcolo vicino al punto in cui i dati vengono generati e utilizzati consente di ridurre la latenza, migliorare l’esperienza utente e ottimizzare l’efficienza complessiva dell’infrastruttura.

Non si tratta di sostituire il cloud, ma di estenderlo.

L’obiettivo non è replicare ovunque la stessa potenza di calcolo, ma costruire un modello intelligente di distribuzione dell’inferenza, in cui ogni richiesta venga eseguita nel punto della rete più adatto in base a criteri dinamici come prestazioni, costi e disponibilità.

È su questa trasformazione che si inserisce l’evoluzione delle piattaforme globali di Akamai, con soluzioni come Akamai Inference Cloud, che portano capacità di calcolo accelerato direttamente all’interno di una rete globale distribuita. L’obiettivo è rendere l’inferenza un servizio nativamente edge-aware, capace di adattarsi in tempo reale alle condizioni della rete e ai requisiti applicativi.

Orchestrazione e architettura distribuita

Ma distribuire la potenza di calcolo non basta. La vera sfida è l’orchestrazione: la capacità di decidere dinamicamente dove eseguire ogni singola inferenza, bilanciando latenza, carico infrastrutturale, prossimità geografica e vincoli di compliance. In altre parole, la rete diventa una sorta di sistema operativo globale dell’intelligenza artificiale.

In questo modello anche lo storage e la gestione dei dati giocano un ruolo fondamentale. Soluzioni come Akamai Object Storage permettono di supportare carichi distribuiti garantendo accesso coerente ai dati e prestazioni elevate indipendentemente dalla posizione in cui avviene l’elaborazione.

Il risultato è un’architettura realmente ibrida, in cui cloud ed edge non sono in competizione ma collaborano. Il cloud centrale continua a rappresentare il cuore del training e dei processi più complessi e intensivi, mentre l’edge diventa il livello in cui l’intelligenza artificiale interagisce con il mondo reale: utenti, dispositivi, sistemi industriali e transazioni digitali. 

Casi d’uso e impatto reale

Questa combinazione consente di allocare ogni workload nel punto più efficiente dell’infrastruttura, abilitando nuovi scenari applicativi.

Nel media, l’inferenza all’edge consente di personalizzare e trasformare contenuti live in tempo reale senza sovraccaricare le infrastrutture centrali. Nel retail, abilita esperienze più ricche e immediate nei punti vendita, migliorando l’interazione con i clienti e la gestione operativa. Nei servizi finanziari, permette di rilevare frodi e anomalie nel momento stesso in cui avvengono le transazioni, riducendo drasticamente i tempi di risposta.

In tutti questi scenari, la prossimità dell’intelligenza non è solo un vantaggio tecnologico, ma un elemento competitivo decisivo.

Resilienza e conclusione

Un ulteriore beneficio di questo modello è la resilienza. In un’architettura distribuita, eventuali guasti locali non compromettono il servizio complessivo: i workload vengono automaticamente ridistribuiti verso altri nodi della rete o verso il core centrale. Questo rende l’infrastruttura AI più robusta e adattiva.

La storia delle infrastrutture digitali insegna che ogni tecnologia realmente scalabile tende alla distribuzione. È accaduto con i contenuti e le CDN, poi con il cloud computing, e oggi sta accadendo con l’intelligenza artificiale.

Le AI Factory continueranno a essere essenziali, ma non saranno sufficienti. Il futuro dell’AI non sarà definito solo dalla potenza dei modelli, ma dalla loro capacità di essere presenti ovunque servano, esattamente nel momento in cui servono.

In definitiva, il valore non risiederà soltanto nell’intelligenza costruita nei data center, ma nella sua capacità di essere distribuita nel mondo reale.

A cura di Nicola Ferioli, Head of Engineering di Akamai Technologies

L'articolo Le AI Factory non bastano: il valore dell’AI si gioca nell’inferenza all’edge proviene da Data Manager Online.

Per due anni, la strategia aziendale sull’IA si è basata su un unico assunto: arrivare ai limiti il più velocemente possibile. Il percorso predefinito era un account sul cloud pubblico, una chiave API di OpenAI o Anthropic e la disponibilità ad assorbire i costi in cambio della velocità. Quell’istinto ha prodotto sperimentazioni straordinarie – ma ora sta andando a sbattere contro un muro.

Gartner prevede che la spesa mondiale per l’IA raggiungerà i 2,52 trilioni di dollari nel 2026, con un aumento del 44% su base annua, di cui 1,37 trilioni destinati esclusivamente all’infrastruttura. Infatti, a metà del 2025, hanno affermato che l’IA è entrata in una “Fase di disillusione”, in cui la scalabilità dipende da un ROI prevedibile piuttosto che da progetti pilota visionari. La pressione si è spostata dalla velocità con cui le imprese possono sperimentare l’IA alla loro capacità di sostenerla, governarla e difenderla in produzione.

Dall’accesso pionieristico all’economia dell’inferenza

Stiamo passando dall’IA 1.0, dove l’accesso a modelli all’avanguardia era il fattore di differenziazione, all’IA 2.0, dove l’economia dell’inferenza, la gravità dei dati, la latenza e il controllo determinano il risultato. I prezzi dei token sono diminuiti di circa dieci volte ogni anno dal 2021, eppure la spesa totale per l’IA nella maggior parte delle imprese è aumentata perché modelli più capaci richiedono flussi di lavoro decisamente più ricchi.

Anthropic, OpenAI e Mistral stanno ora differenziando la propria offerta tra modelli di punta e modelli base a basso costo proprio perché i clienti si rifiutano di pagare i prezzi dei modelli di punta per ogni attività. Il sondaggio di McKinsey “2025 State of AI” conferma questa tendenza: l’adozione si sta diffondendo, ma un impatto su larga scala rimane difficile da raggiungere nella maggior parte delle organizzazioni. La domanda che i CIO si pongono non è più quale modello utilizzare, ma quale carico di lavoro eseguire dove, a quale costo e secondo quali criteri.

Il test della “Next Best Action”

Prendiamo un caso d’uso aziendale: una banca che fornisce la “Next Best Action”, ovvero la raccomandazione in-app, in filiale o tramite call center fornita in millisecondi in risposta alla richiesta in tempo reale del cliente. Le migliori banche con cui collaboriamo hanno dimostrato che la personalizzazione a questo livello può aumentare i ricavi del 5-15%. Una banca globale con cui collaboriamo ha lanciato un assistente AI che ha già risolto più di 1,5 milioni di richieste nel suo primo anno.

Tuttavia, la matematica dell’inferenza è spietata. Una singola decisione dell’agente può innescare da cinque a venti chiamate al modello, ciascuna con la propria finestra di contesto. Il divario tra 0,50$ e 3,30$ per milione di token di input – insignificante in una demo a ciclo singolo – diventa la differenza tra una funzionalità con margine positivo e una che consuma silenziosamente capitale attraverso centinaia di milioni di eventi.

Analisi recenti suggeriscono che le aziende che utilizzano un unico modello di fascia alta per ogni attività stiano spendendo il 40–85% in più per l’inferenza. Decagon, dopo aver progettato la propria architettura su uno stack multimodello open source basato su NVIDIA Blackwell, ha ridotto di sei volte il costo per query vocale. La mossa migliore non è più una decisione di marketing, ma di economia unitaria, presa un token instradato alla volta.

La sovranità diventa la strategia

Il dibattito tra cloud pubblico e IA privata non è più ideologico: è specifico al carico di lavoro e la geopolitica è entrata nell’equazione. Gli obblighi ad alto rischio previsti dall’AI Act dell’UE entreranno pienamente in vigore nell’agosto 2026, con multe fino a 35 milioni di euro o al 7% del fatturato globale; Francia e Germania stanno orientando gli appalti nazionali verso Mistral e stack sovrani open-weight.

In Asia, la regolamentazione dell’IA sta prendendo forma in modi nettamente diversi. Il Model AI Governance Framework di Singapore e gli strumenti di test dell’IMDA sono diventati modelli regionali. In Oriente, l’AI Promotion Act giapponese sovrappone regole settoriali a linee guida volontarie; l’AI Basic Act della Corea del Sud impone un’assicurazione di responsabilità civile per i sistemi ad alto rischio. Nel frattempo, l’India ha lanciato il suo LLM sovrano in occasione dell’2026 AI Impact Summit e sta destinando 1,25 miliardi di dollari alla IndiaAI Mission, con la legge DPDP che entrerà in vigore gradualmente entro il 2027.

La spinta all’open source guidata dallo Stato cinese, la legge PDP indonesiana e l’approccio settoriale pragmatico dell’Australia completano un quadro in cui non esistono due giurisdizioni uguali – e il 96% delle organizzazioni in APAC ha pianificato di aumentare gli investimenti in IA, principalmente tramite infrastrutture ibride. Un’architettura IA basata su un unico cloud e un’unica giurisdizione è ormai un rischio strutturale.

Il nostro lavoro di inferenza ibrida con NVIDIA e il più ampio passaggio all’IA on-premise per i carichi di lavoro regolamentati rappresentano una risposta diretta.

Il vero gap è al di sopra del modello

La lezione più dura degli ultimi 18 mesi è che la commoditizzazione dei modelli non riduce la complessità aziendale, ma la trasferisce altrove. Mistral o DeepSeek riducono i costi di sperimentazione, ma gli oneri di orchestrazione, governance, valutazione e integrazione salgono lungo la catena e ricadono sull’acquirente.

La stessa dinamica si sta ora verificando nell’IA fisica e nella tecnologia della difesa. Physical Intelligence, Figure AI e Skild AI stanno portando i modelli di base dei robot nelle fabbriche, nei centri logistici e nelle case, dove la latenza, la sovranità e la residenza dei dati contano più dei punteggi dei benchmark. World Labs di Fei-Fei Li sta costruendo il livello di intelligenza spaziale – modelli del mondo che percepiscono e ragionano in 3D – che costituirà l’àncora della prossima generazione di gemelli digitali industriali. Palantir e Anduril hanno costruito interi franchise partendo dal presupposto che il piano di controllo, non il modello, sia il vantaggio duraturo.

I dirigenti dovrebbero misurare l’economia unitaria per attività utile, il carico operativo per agente implementato e il rapporto tra le risorse di inferenza impiegate per la struttura di governance che la circonda. Tale rapporto è in genere di 1:5 o peggiore.

Cosa riserva il futuro a banche, operatori di telecomunicazioni e fabbriche

È in arrivo un secondo cambiamento architettonico: l’attenzione sub-quadratica. Gli approcci di DeepSeek, Google e Cartesia stanno riducendo il costo del ragionamento a lungo termine di diversi ordini di grandezza, con benchmark recenti che mostrano riduzioni dei costi da 100 a 300 volte a parità di accuratezza.

Per le grandi banche, questo trasforma la modellizzazione del rischio dell’intero portafoglio, il rilevamento di modelli di frode su più decenni e il Know-Your-Customer (KYC) intergiurisdizionale in operazioni a passaggio singolo piuttosto che soluzioni alternative di recupero a blocchi.

Per le società di telecomunicazioni, le operazioni di rete agentiche, la manutenzione predittiva e il ragionamento pluriennale sul percorso del cliente diventano economicamente sostenibili su larga scala.

Per i produttori, la simulazione dell’intero impianto e la previsione delle interruzioni della catena di approvvigionamento passano da lavori batch periodici a un ragionamento continuo.

L’architettura vincente non sarà quella con il token più economico. Sarà quella che colloca la potenza di calcolo il più vicino possibile ai dati, sotto la giusta giurisdizione, con una governance che regge. Sostenibile, sovrana, controllata: questa è la nuova triade. Le imprese che la costruiranno ora definiranno il prossimo decennio.

Articolo a cura di Abhas Ricky, Chief Strategy Officer, Cloudera

L'articolo Dai token alla fiducia: un passaggio che vale 2,5 trilioni di dollari per l’IA proviene da Data Manager Online.

Lo studio, realizzato su 2.500 dirigenti di PMI in dieci Paesi europei, evidenzia come il principale ostacolo all’adozione responsabile dell’intelligenza artificiale non sia la tecnologia, bensì la cultura organizzativa.

La Shadow AI arriva fino al top management

La ricerca fotografa un fenomeno in rapida espansione: l’uso “silenzioso” dell’intelligenza artificiale è ormai diffuso a tutti i livelli aziendali.

Tra i dati più significativi emerge che:

• il 44% dei dirigenti utilizza strumenti di AI per apparire più competente sul lavoro senza comunicarlo ai colleghi;
• il 45% dei dipendenti adotta applicazioni di intelligenza artificiale senza informare il management;
• il 37% dei manager ha utilizzato l’AI in progetti aziendali senza coinvolgere il proprio team;
• il 33% dei leader teme che dichiarare apertamente l’utilizzo dell’AI possa essere interpretato come una mancanza di professionalità;
• il 31% riconosce che un utilizzo non controllato dell’intelligenza artificiale rappresenta un rischio concreto per l’organizzazione.

Il fenomeno mostra quindi una contraddizione evidente: l’AI viene utilizzata sempre di più, ma continua a essere percepita come qualcosa da nascondere.

Il problema non è la tecnologia, ma la cultura aziendale

Secondo Sharp Europe, il motivo principale è che molte organizzazioni hanno investito rapidamente negli strumenti di intelligenza artificiale senza costruire allo stesso tempo un quadro di riferimento condiviso fatto di regole, formazione e fiducia.

Non sorprende quindi che il 35% dei dirigenti dichiari di non sentirsi sufficientemente preparato dal punto di vista tecnico. La stessa percentuale afferma di non fidarsi completamente dei risultati prodotti dall’AI, mentre il 33% teme che un utilizzo esplicito dell’intelligenza artificiale possa ridurre la propria autorevolezza.

In altre parole, la tecnologia è disponibile, ma manca ancora una cultura organizzativa che ne favorisca un utilizzo trasparente e consapevole.

Servono governance e fiducia

Secondo Roland Singer, Vice President di Sharp DX Europe, il problema non riguarda singoli comportamenti scorretti, ma l’assenza di modelli condivisi.

“I leader non si esprimono sull’IA non perché stanno facendo qualcosa di sbagliato, ma perché la maggior parte dei quadri normativi, delle policy e della visione comune su come utilizzare correttamente l’intelligenza artificiale non esiste ancora. Queste non sono le preoccupazioni di chi resiste all’IA, ma di chi cerca di orientarsi in materia senza un supporto adeguato.”

Singer sottolinea come le aziende abbiano adottato rapidamente nuovi strumenti, ma abbiano investito molto meno nella costruzione di fiducia, trasparenza e linee guida condivise.

La prossima sfida sarà rendere l’AI trasparente

Per Sharp Europe, la fase successiva dell’adozione dell’intelligenza artificiale non riguarderà tanto l’accesso agli strumenti quanto la capacità delle aziende di creare ambienti in cui il loro utilizzo sia dichiarato, regolamentato e accettato.

Governance, cybersecurity, infrastrutture cloud e formazione dovranno procedere insieme per consentire un’integrazione dell’AI realmente sostenibile.

Secondo Singer, il cambiamento deve partire proprio dal management.

“I leader sono nella migliore posizione per dare l’esempio su questo. Non perché abbiano tutte le risposte, ma perché dimostrano apertamente come utilizzano essi stessi l’intelligenza artificiale. Questo cambia la cultura più rapidamente di qualsiasi politica.”

L’obiettivo diventa quindi trasformare la Shadow AI in un utilizzo trasparente e governato, capace di valorizzare il contributo dell’intelligenza artificiale senza generare nuove aree di rischio per le organizzazioni.

L'articolo Shadow AI, quasi un manager su due usa l’intelligenza artificiale senza dirlo ai colleghi proviene da Data Manager Online.

Il cambiamento non riguarda soltanto la sostituzione della carta con un documento digitale. L’eFIR introduce, infatti, un nuovo modello operativo, basato sulla condivisione delle informazioni in tempo reale tra tutti gli attori coinvolti nella gestione del rifiuto e sulla disponibilità immediata di dati aggiornati, affidabili e tracciabili.

Se in passato il formulario poteva essere completato con tempistiche più ampie, il nuovo modello rende il processo molto più rapido, strutturato e guidato. Le informazioni vengono precompilate a partire dalle anagrafiche già censite, riducendo le attività manuali e limitando il rischio di errori nella compilazione. Allo stesso tempo, ogni soggetto coinvolto opera all’interno di un flusso definito, supportato dall’utilizzo della firma digitale, che attribuisce al documento pieno valore giuridico e ne garantisce l’integrità.

La corretta gestione delle anagrafiche rappresenta un ulteriore elemento di valore. Una volta censiti rifiuti, operatori autorizzati, trasportatori e impianti di destinazione, diventa possibile automatizzare gran parte della compilazione del formulario e semplificare il lavoro degli utenti, assicurando al tempo stesso maggiore qualità delle informazioni e una riduzione delle possibili anomalie.

L’evoluzione verso un processo completamente digitale porta con sé anche un altro beneficio: una maggiore trasparenza lungo l’intero ciclo di gestione del rifiuto. La tracciabilità delle operazioni, la condivisione in tempo reale delle informazioni e l’integrità garantita dalla firma digitale contribuiscono a rafforzare l’affidabilità del processo e a ridurre il rischio di errori e a limitare le frodi.

Accanto agli aspetti operativi, esiste però un tema che rischia di ricevere meno attenzione, pur rappresentando un preciso obbligo normativo: la conservazione digitale dei documenti. Il formulario elettronico, una volta firmato, diventa infatti un documento informatico che deve essere conservato secondo quanto previsto dalla normativa vigente. Non tutti i provider che oggi consentono di operare sul RENTRI includono anche questo passaggio: in molti casi la soluzione permette di generare e trasmettere il documento, ma non di conservarlo a norma, lasciando alle aziende il compito di completare separatamente questo adempimento.

È proprio su questo aspetto che si inserisce l’approccio di Archiva Group. Oltre a supportare la gestione digitale dell’eFIR e l’integrazione con il RENTRI, le soluzioni Archiva consentono di gestire anche la conservazione a norma dei documenti, offrendo alle organizzazioni un unico interlocutore per l’intero ciclo di vita documentale. Un approccio che semplifica la gestione operativa, riduce la complessità organizzativa e aiuta le aziende ad affrontare i nuovi adempimenti con un processo integrato che accompagna il documento lungo tutto il suo ciclo di vita, dalla generazione alla conservazione a norma.

Articolo a cura di Andrea Gallo, Senior Solutions Engineer di Archiva Group

L'articolo Dal formulario cartaceo all’eFIR: cosa cambia per le aziende con le novità in ambito RENTRI proviene da Data Manager Online.

L’intelligenza artificiale sta trasformando il modo in cui le imprese organizzano processi, prendono decisioni e sviluppano nuove competenze. La sfida è tradurre questa evoluzione tecnologica in valore per l’organizzazione, integrandola nei modelli operativi e nelle attività quotidiane.

«La domanda non è più “cosa farà l’AI per noi”, ma “che tipo di azienda vogliamo diventare”, spiega Alessandro Turetta, Chief Business & Growth Officer di Nextea, nel corso di un recente webinar intitolato “La centralità delle persone e della conoscenza nell’AI Strategy”.

«L’intelligenza artificiale è ormai accessibile a tutti. Il vantaggio competitivo nasce dalle persone che sanno utilizzarla e dalla conoscenza che alimenta i modelli», prosegue Turetta. Da questa visione prende forma l’offerta Nextea, società di Consulting e Management di Altea Federation: un percorso che accompagna le aziende nella definizione della strategia AI, nell’individuazione delle priorità, nella costruzione della governance e nello sviluppo delle competenze necessarie per portare l’innovazione nei processi.

Supporto alle imprese

Il punto di partenza è l’assessment della maturità AI dell’organizzazione. L’analisi consente di fotografare il livello di preparazione dell’impresa, individuare gli ambiti con maggiore potenziale e definire una roadmap coerente con gli obiettivi di business.

«Un progetto di AI riguarda l’intera azienda. Riguarda il modo in cui si lavora, si prendono decisioni e si costruisce il futuro dell’organizzazione. La tecnologia è un abilitatore che deve essere inserito in un percorso più ampio», spiega Turetta.

A partire dall’assessment, Nextea supporta le imprese nella definizione delle priorità applicative, nella costruzione dei modelli di governance e nella selezione delle soluzioni più coerenti con le esigenze aziendali.

Un secondo elemento riguarda il patrimonio di conoscenza dell’impresa. Ogni organizzazione possiede un capitale fatto di esperienze, competenze, processi e informazioni che spesso rimane distribuito tra funzioni e persone. Per Nextea, rendere questa conoscenza strutturata e accessibile è una condizione necessaria per valorizzare appieno il potenziale dell’intelligenza artificiale: i modelli possono generare risultati efficaci solo quando hanno accesso al sapere specifico dell’azienda.

Accompagnare la trasformazione

La preparazione delle persone rappresenta uno degli elementi distintivi dell’approccio Nextea. L’introduzione dell’intelligenza artificiale nei processi aziendali richiede nuove competenze, capacità di valutazione e una cultura diffusa dell’utilizzo consapevole degli strumenti.

È questo il principio alla base della Human Readiness, ovvero la capacità dell’organizzazione di creare le condizioni per un’adozione efficace dell’AI.

«La trasformazione AI dipende dalla capacità dell’azienda di integrare tecnologia, governance e persone – afferma Massimiliano Caviglia, Partner and Manager People Value Area di Nextea -. Il fattore umano ha un peso determinante, anche se richiede tempi di maturazione più lunghi».

Per questo Nextea interviene sul fronte People & Culture con programmi di formazione, sviluppo delle competenze e accompagnamento dei team.

L’approccio si traduce in interventi di change management, revisione dei ruoli, workshop strategici ed esperienziali, percorsi dedicati all’intelligenza emotiva e alle brain skills, fino alla formazione tecnica per sviluppare l’AI literacy e accompagnare l’adozione dell’intelligenza artificiale nell’organizzazione.

L’AI come moltiplicatore

L’intelligenza artificiale può esprimere il suo valore quando entra nei processi aziendali e diventa parte del modo in cui l’organizzazione lavora e prende decisioni. «L’AI è un moltiplicatore delle capacità dell’impresa perché amplifica ciò che l’azienda sa fare – conclude Turetta «La tecnologia mette a disposizione nuove possibilità, ma il valore nasce dalla capacità delle persone di utilizzarle e trasformarle in risultati tangibili. Per questo puntiamo a integrare la visione consulenziale con una piattaforma che trasformi l’AI in infrastruttura e consenta di valorizzare la conoscenza aziendale e trasformarla in una capability operativa, mettendo a disposizione delle persone un patrimonio strutturato di informazioni e competenze a supporto delle attività quotidiane».

L'articolo Nextea, costruire valore con l’intelligenza artificiale proviene da Data Manager Online.

Il dato conferma come l’agentic commerce, ovvero il commercio gestito da agenti intelligenti autonomi, stia passando rapidamente dalla fase sperimentale a quella operativa. Una trasformazione che coinvolge non solo i consumatori, ma anche i retailer, sempre più orientati a preparare infrastrutture, sistemi di pagamento e processi per dialogare con gli assistenti AI.

L’AI entra nel percorso d’acquisto

Secondo l’indagine, il 34% degli italiani ha già utilizzato strumenti basati sull’intelligenza artificiale per semplificare lo shopping online negli ultimi dodici mesi. L’adozione è particolarmente elevata tra le generazioni più giovani: il 52% della Gen Z e il 44% dei Millennial dichiarano di aver già sperimentato assistenti AI durante gli acquisti.

Il fenomeno continua inoltre ad allargarsi: il 13% degli intervistati afferma di aver iniziato a utilizzare queste tecnologie proprio nell’ultimo anno, segnale di una diffusione ancora in piena crescita.

Oltre le raccomandazioni: l’AI arriva fino al checkout

L’aspetto più interessante della ricerca riguarda il futuro dello shopping digitale. Il 43% dei consumatori italiani si dichiara disposto a lasciare che un assistente AI completi autonomamente un acquisto, una volta definiti budget, preferenze e criteri di scelta.

Tra i Millennial questa disponibilità sale al 45%, mentre resta sorprendentemente omogenea anche nelle altre fasce generazionali: Gen Z (42%), Gen X (42%) e Baby Boomer (41%).

Per chi utilizza già questi strumenti, i benefici sono evidenti:

• il 65% apprezza il risparmio di tempo;
• il 64% ritiene che l’AI aiuti a orientarsi tra l’enorme quantità di prodotti disponibili online;
• il 54% vorrebbe ricevere suggerimenti proattivi e personalizzati dai retailer.

L’intelligenza artificiale viene quindi percepita sempre meno come un semplice motore di raccomandazione e sempre più come un vero assistente personale per gli acquisti.

La fiducia resta il fattore decisivo

Se l’interesse cresce rapidamente, la piena adozione dipenderà dalla capacità delle piattaforme di garantire trasparenza e sicurezza.

Gli italiani indicano con chiarezza le condizioni necessarie per affidare all’AI anche la fase di pagamento:

• 38%: procedure semplici di reso, rimborso e assistenza post-vendita;
• 34%: certezza che l’assistente scelga realmente il miglior prezzo o il miglior rapporto qualità-prezzo;
• 32%: chiarezza sulle responsabilità in caso di errori;
• 32%: protezione dei dati personali e delle informazioni di pagamento;
• 31%: possibilità di verificare e annullare l’acquisto prima della conferma definitiva.

Permangono tuttavia alcune resistenze. Tra chi non intende delegare gli acquisti all’AI, il 48% teme di perdere il controllo sulle proprie decisioni, mentre il 39% ritiene che fare shopping sia già sufficientemente semplice senza ulteriori automatismi. Il 36% teme errori nella scelta del prodotto o problemi legati alla privacy e alla sicurezza dei dati.

Anche i retailer preparano l’agentic commerce

La ricerca evidenzia come il cambiamento stia interessando anche il lato dell’offerta.

L’80% dei retailer italiani si dichiara favorevole all’introduzione dell’agentic commerce, con il 41% che considera questa evoluzione una priorità strategica e il 48% intenzionato a investire nella tecnologia entro i prossimi dodici mesi.

Le principali priorità individuate dalle aziende riguardano soprattutto gli aspetti di governance:

• protezione dei dati sensibili e prevenzione delle frodi (30%);
• gestione dei rischi derivanti da eventuali errori degli agenti AI (30%);
• conformità alle normative e alle policy aziendali (29%);
• semplicità di integrazione con i sistemi IT esistenti (28%).

Resta però una preoccupazione importante: il 37% dei retailer teme che l’intermediazione dell’intelligenza artificiale possa ridurre il rapporto diretto con il cliente, modificando profondamente le dinamiche di fidelizzazione.

Lo shopping cambia, ma il rapporto di fiducia resta centrale

L’evoluzione delineata dalla ricerca suggerisce che l’intelligenza artificiale stia rapidamente assumendo un ruolo operativo nell’e-commerce. Se finora gli algoritmi aiutavano a trovare prodotti e confrontare prezzi, la prossima fase potrebbe vedere gli agenti AI gestire direttamente l’intero processo di acquisto.

Perché questo scenario diventi realtà su larga scala, tuttavia, non basterà la tecnologia. Consumatori e aziende chiedono infatti garanzie su sicurezza, trasparenza, protezione dei dati e controllo delle decisioni. In altre parole, l’AI potrà diventare un nuovo canale di vendita solo se riuscirà a conquistare la stessa fiducia che oggi gli utenti ripongono nei retailer e nei sistemi di pagamento digitali.

L'articolo Sempre più italiani pronti a lasciare gli acquisti all’AI: cresce l’interesse per l’agentic commerce proviene da Data Manager Online.