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.

La sovranità è passata dall’essere un tema marginale, che riguarda principalmente i dipartimenti legali, a una responsabilità primaria dei team IT, degli architetti e dei decisori tecnologici. Adottarla “by-design” significa trattarla come un requisito architetturale centrale fin dall’inizio. Costruire sulle giuste fondamenta previene costose rilavorazioni e riduce l’accumulo di debito tecnico. Si tratta di una domanda che continuerà a crescere: più l’AI viene integrata nei processi core, più la sovranità entrerà in tutte le fasi del ciclo di vita dell’AI. 

Perché l’approccio “sovereignty-first” è cruciale nel 2026

EU Data Act, EU AI Act e DORA impongono requisiti che devono essere soddisfatti principalmente attraverso mezzi tecnici, influenzando quindi direttamente l’architettura. Ad esempio, l’EU Data Act obbliga i fornitori a garantire la portabilità dei dati entro 30 giorni e abolisce le egress fee (ossia le tariffe di uscita) tra fornitori entro gennaio 2027. L’EU AI Act richiede data lineage documentata e logging automatico per l’intero ciclo di vita dei sistemi ad alto rischio. Chi utilizza API AI pubbliche per applicazioni critiche senza poter dimostrare l’origine dell’infrastruttura commette un errore di governance documentato. DORA completa il quadro: le aziende finanziarie devono avere e gestire strategie di uscita testate per i workload critici, tecnicamente dimostrabili e attivabili in qualsiasi momento.

Di conseguenza, la compliance inizia con la scelta dell’architettura. Nello specifico, sono quattro i prerequisiti necessari:

• Un’infrastruttura fisicamente isolata con personale autorizzato localmente
• Una piattaforma cloud anywhere che garantisca autonomia tecnica
• Un livello di governance unificato che applichi policy di sicurezza e lineage in tutti gli ambienti
• Un controllo crittografico, che assicuri che solo entità autorizzate all’interno della giurisdizione definita possano accedere ai dati

La sovranità è ben più della data residency

Cosa comportano nel dettaglio questi quattro approcci? Il livello apparentemente più semplice riguarda dove si trovano i dati e chi vi accede secondo quale legge. I trasferimenti transfrontalieri devono rimanere tracciabili e l’accesso controllato. Tuttavia, adempiere a questo requisito richiede una base tecnica molto precisa, che molte organizzazioni sottovalutano optando per formati proprietari e piattaforme chiuse. La conseguenza è che si genera “vendor lock-in”, eliminando la capacità di cambiare provider o trasferire workload e sacrificando così una parte significativa della propria libertà d’azione.

Anche le aziende che hanno già superato questa fase devono poi affrontare un terzo livello: chi mette effettivamente le mani sui sistemi? Le operazioni critiche devono essere accessibili solo a personale autorizzato localmente, fuori dalla portata di giurisdizioni straniere. E infine, come quarto e più urgente livello nel 2026: la sovranità nel panorama AI. Chi controlla i training run, monitora le pipeline di inferenza e garantisce che modelli proprietari e dati sensibili di input non lascino il sistema aziendale? Solo quando tutti e quattro i livelli interagiscono emerge il vero controllo. Nessuno di essi funziona da solo. 

AI Sovereignty: controllo sull’intero ciclo di vita

È esattamente qui che strategia dei dati e architettura AI si intrecciano. La private AI costituisce il principio di base: i sistemi AI operano in un ambiente controllato dove protezione dei dati, controllo degli accessi e governance sono garantiti per l’intero ciclo di vita. Training data, pipeline di inferenza, modelli e accessi rimangono all’interno di un perimetro sovrano definito.

Nella pratica, questo significa tre cose. In primo luogo, i modelli operano in un ambiente controllato dall’azienda, sia on-premises, in una region cloud sovrana o in modalità ibrida. In secondo luogo, la selezione dei modelli rimane aperta: l’indipendenza tecnologica richiede la libertà di utilizzare il modello più adatto senza vendor lock-in. In terzo luogo, la governance è garantita lungo l’intero ciclo di vita dell’AI, dai controlli di accesso al lineage tracking fino al logging continuo di ogni inferenza. Chi pone queste fondamenta può scalare i workload AI più velocemente perché la compliance non deve essere aggiunta retrospettivamente ma è ancorata nel sistema fin dall’inizio. 

Controllo e innovazione non si escludono a vicenda

L’equivoco principale nel dibattito sulla sovranità riguarda l’idea che chi vuole il controllo debba sacrificare la velocità di innovazione. Questo aut-aut scompare non appena la sovranità viene considerata fin dall’inizio non come una restrizione retrospettiva, ma come un principio architetturale.

Le organizzazioni che costruiscono secondo il principio sovereignty-first possono sfruttare la velocità di innovazione delle infrastrutture cloud mantenendo al contempo il controllo completo su dati, modelli, pipeline di inferenza e accesso operativo. Sovereignty-first non è una limitazione delle possibilità globali: al contrario, è la decisione architetturale che rende queste possibilità permanentemente utilizzabili. Chi lo comprende può creare solide fondamenta, su cui innovazione, controllo e compliance non si ostacolano a vicenda, ma piuttosto sono collegate e reciprocamente dipendenti.

Articolo a cura di Fabio Pascali, Regional Vice President Italy, Greece & Cyprus, Cloudera

L'articolo Il cloud-first non basta più. È il momento di mettere in primo piano la sovranità proviene da Data Manager Online.

Fino a qualche tempo fa, il termine resilienza nel mondo delle telecomunicazioni era strettamente legato al mantenimento dell’operatività di rete. Oggi questo non è più sufficiente.

L’AI sta assumendo un ruolo sempre più centrale nella gestione dei network. E mentre l’infrastruttura diventa sempre più distribuita e i dati sempre più sensibili, gli operatori devono garantire servizi continui e sempre disponibili. È esattamente questa la sfida al centro della Giornata Mondiale delle Telecomunicazioni e della Società dell’Informazione di quest’anno: “Rafforzare la resilienza in un mondo connesso”. Questa resilienza che deve essere integrata a ogni livello della connettività, dalle reti terrestri ai cavi sottomarini, fino ai satelliti e ai data center.

Si tratta di una sfida che diventa sempre più urgente man mano che le reti di telecomunicazioni crescono in scala e complessità. Ericsson prevede che il traffico dati mobile globale raggiungerà i 280 exabyte al mese entro il 2030, mentre gli abbonamenti 5G dovrebbero arrivare a 6,3 miliardi, pari ai due terzi di tutti gli abbonamenti mobili. Più traffico, infrastrutture maggiormente distribuite, decisioni sempre più guidate dall’AI: la resilienza non è più solo una questione di ingegneria del back-end. E sempre più spesso dipende da tre elementi: il controllo sovrano dei dati, l’orchestrazione intelligente attraverso reti complesse e la capacità di rendere operativa l’AI in modo sicuro su larga scala.

Controllo sovrano dei dati

Tutto parte dalla data sovereignty: gli operatori non possono costruire reti resilienti se non sanno dove fluiscono i dati sensibili, chi può accedervi o come vengono governati. Un tema che diventa sempre più urgente mentre le telco affrontano una pressione crescente per esporre i dati di rete per nuovi servizi, partnership di ecosistema e opportunità di monetizzazione.

L’espansione dei servizi AI, delle API di rete e di forme più distribuite di inferenza rende la sovranità una questione tanto architetturale quanto di compliance. Gli operatori devono capire come si muovono i dati, dove vengono elaborati e come vengono condivisi all’interno di ambienti sempre più complessi.

Ma non basta mappare i flussi: serve anche controllare accessi e utilizzi, in modo da supportare l’innovazione senza rallentarla. È qui che piattaforme come Cloudera giocano un ruolo chiave, aiutandoli a governare l’accesso ai dati in modo coerente attraverso capacità come la data lineage e un data fabric unificato per esporli in sicurezza.

La posta in gioco è ancora più alta in un contesto geopolitico incerto, dove le domande su dove viaggiano i dati e se transitano attraverso ambienti potenzialmente ostili sono ormai elementi portanti della resilienza.

Orchestrazione intelligente attraverso reti sempre più complesse

La resilienza dipende anche dalla capacità degli operatori di coordinare ambienti di rete sempre più complessi e distribuiti senza compromettere l’esperienza utente. Una parte fondamentale della resilienza futura sarà l’integrazione più stretta tra reti terrestri e non, con i satelliti che aggiungono un livello di ridondanza importante quando condizioni ambientali avverse o interruzioni del backhaul impattano la connettività.

Ma l’integrazione tecnica da sola non basta. Ciò che conta è se quella complessità può essere assorbita senza interferire con l’esperienza di un utente che non si preoccupa di sapere a quale rete è connesso, si aspetta semplicemente che il servizio funzioni. È qui che l’AI interviene, aiutando gli operatori a gestire mobilità, segnale e switching in tempo reale attraverso gli ambienti di rete affinché la connettività rimanga fluida.

Secondo l’ultimo Data Readiness Index di Cloudera, per tre intervistati su cinque nel settore telecomunicazioni le performance dell’infrastruttura ostacolano costantemente le iniziative operative, il dato più alto tra tutti i settori esaminati. Man mano che nuove costellazioni satellitari diventano parte del panorama della connettività, la resilienza dipenderà sempre più da quanto intelligentemente gli operatori orchestrano un ambiente di rete più distribuito.

È in questo contesto che Cloudera vede un’opportunità: abilitare un’infrastruttura dati distribuita in grado di supportare applicazioni AI private a bassa latenza più vicine al network edge. Il ruolo dell’AI non è aggiungere complessità, ma fungere da livello di coordinamento che aiuta le reti ad adattarsi in tempo reale.

Rendere operativa l’AI in modo sicuro su larga scala

Costruire resilienza nell’era dell’AI richiede che agli operatori rendano la stessa AI operativa in modo sicuro e responsabile, perché le reti non possono diventare più resilienti se i sistemi che prendono decisioni al loro interno rimangono difficili da governare e monitorare.

La maggior parte delle telco è ancora nelle fasi iniziali del proprio percorso di maturità AI, con una cautela che continua a influenzare il ritmo di adozione. Gli operatori rimangono altamente avversi al rischio, molti temono che introdurre l’AI nella rete possa interrompere servizi che non possono permettersi di far fallire. Ecco perché la sfida più grande non è adottare l’AI in linea di principio, ma costruire le fondamenta operative necessarie per utilizzarla responsabilmente su larga scala.

Questo significa mettere in atto i giusti flussi di lavoro dei dati, modelli di governance, pratiche di monitoraggio e meccanismi di accountability prima che l’AI venga integrata nelle operazioni di rete live. McKinsey ha rilevato che, mentre circa il 50% dei dirigenti C-level delle telco afferma di vedere già l’impatto dell’AI e dell’AI generativa, il 45% considera ancora i dati come la principale barriera allo scaling degli agenti AI. Il problema non è la mancanza di ambizione, ma la solidità delle fondamenta che possano supportarla in produzione.

Questo gap è particolarmente visibile nell’agentic AI. Sebbene lo slancio stia crescendo e l’AI-RAN Alliance abbia presentato una serie di demo interessanti in occasione dell’MWC 2026, la conversazione rimane radicata nella sperimentazione, nella supervisione umana e in domande irrisolte su guardrail e sovranità. Le telco vorrebbero i benefici delle operazioni AI-native e dell’automazione agentica, ma la resilienza dipenderà in ultima analisi dalla capacità di scalare questi sistemi con la giusta supervisione, spiegabilità, osservabilità e accountability.

Man mano che le reti diventano più intelligenti diventano anche più difficili da governare. Più automazione, infrastrutture più distribuite, più dati che si muovono attraverso un numero crescente di ambienti possono rendere le telecomunicazioni più adattive, ma anche più fragili se le fondamenta non sono sufficientemente solide.

Ecco perché la resilienza deve essere progettata fin dal primo giorno nel modo in cui i dati vengono governati, le reti orchestrate e l’AI implementata. Per gli operatori telco, la vera opportunità è costruire reti che rimangano affidabili, controllabili e resilienti man mano che l’intelligenza viene integrata nel sistema.

L'articolo Reti intelligenti, resilienza sotto esame: perché il futuro delle telco dipende dall’affidabilità dell’AI proviene da Data Manager Online.

Cloudera, l’unica azienda in grado di abilitare i dati all’AI ovunque, annuncia la nomina di Koen van Erp come EMEA Channel and Alliances Leader di Cloudera per la regione EMEA.

Koen Van Erp entra in Cloudera con oltre 15 anni di esperienza nella costruzione di ecosistemi di partner e team commerciali in grandi aziende tecnologiche globali e start-up in forte crescita. Ha trascorso 12 anni in Google, dove ha fatto crescere l’organizzazione commerciale per i partner EMEA di Google Cloud Security fino a superare i 100 milioni di dollari di Annual Recurring Revenue. Nel suo ultimo incarico, ha ricoperto il ruolo di COO di IronCloud, contribuendo a definire il modello go-to-market della piattaforma AI-driven Security Operations as a Service dell’azienda.

Nel suo nuovo ruolo, Koen Van Erp supporterà l’organizzazione commerciale di Cloudera e guiderà la strategia di canale della società nella regione. La nomina si inserisce in un momento di grande attenzione da parte di Cloudera verso una strategia pienamente orientata all’ecosistema. La società è impegnata a livello globale nel rafforzare la posizione dei partner quali veri moltiplicatori di valore, in grado di migliorare l’esperienza del cliente e ampliare la copertura di mercato, attraverso un approccio che unisce un’esecuzione strategica globale con un’attenzione alle esigenze specifiche dei mercati locali. Koen Van Erp si concentrerà in particolare sui system integrator regionali, soprattutto quelli con una forte attenzione ai requisiti di cloud sovrano, proprio con l’obiettivo di rispondere con precisione agli sviluppi dell’area EMEA. Sarà inoltre impegnato a rafforzare le partnership strategiche di crescita attraverso alleanze con partner chiave come AWS, Nvidia, Dell Technologies, AMD e IBM.

“Gli ecosistemi più solidi non si costruiscono semplicemente aggiungendo nuovi partner,” dichiara Koen van Erp, EMEA Channel and Alliances Leader di Cloudera.  “Si costruiscono puntando sulle relazioni giuste, comprendendo le esigenze di crescita dei partner e creando le condizioni affinché possano investire a beneficio dei clienti. Stiamo mettendo a disposizione dei nostri partner l’architettura più flessibile sul mercato, e il mio impegno sarà volto a supportare il nostro ecosistema nell’aiutare i clienti a trasformare la complessità del dato ibrido e dell’AI in un vantaggio competitivo, sfruttando appieno le capacità Data Anywhere, Cloud Anywhere e AI Anywhere di Cloudera.”

Il Cloudera Partner Network (CPN) è una componente fondamentale dell’ecosistema Cloudera e un pilastro dell’approccio aziendale agli investimenti e alla crescita con i partner di canale. Il programma offre un’esperienza arricchita attraverso un portale partner completo, con risorse ampliate e benefici economici quali fondi di sviluppo estesi, programmi di incentivazione e sconti dedicati. Grazie a un miglioramento continuo basato sul feedback dei partner, il CPN li mette nelle condizioni di offrire la competenza locale necessaria per rispondere alle complesse richieste normative e di cloud sovrano in tutta la regione EMEA.

“Per un decennio, il settore ha subito una ‘tassa da frammentazione’ che ha costretto i clienti a scegliere tra cloud pubblici isolati o costoso hardware on-premises. Con l’avvento di un’era di convergenza e convenienza, Cloudera risolve finalmente questa sfida con una piattaforma unificata,” commenta Michelle Hoover, SVP Alliance and Channels di Cloudera.  “Sono entusiasta di accogliere Koen in Cloudera per contribuire a portare avanti questa visione in tutta la regione EMEA. Il nostro modello partner-led sta già generando un valore straordinario: le trattative originate dai partner si chiudono più rapidamente, con win rate più elevati e dimensioni di espansione maggiori. L’esperienza di Koen nella costruzione di team di canale ad alte prestazioni sarà determinante nell’attuare la nostra visione strategica: fare del nostro ecosistema di partner di eccellenza il principale acceleratore della crescita di Cloudera e del successo dei clienti.”

L'articolo Cloudera nomina Koen van Erp EMEA Channel and Alliances Leader per l’area EMEA proviene da Data Manager Online.

C’è un numero che dovrebbe far riflettere chiunque stia guidando una strategia AI in azienda: 2%. È la percentuale di IT leader italiani che, secondo i segnali direzionali emersi dalla Data Readiness Survey di Cloudera, opera con una governance dei dati pienamente strutturata. Messo così, sembrerebbe il segnale di un mercato impreparato. Tuttavia, il 91% degli stessi IT leader si dichiara fiducioso nella propria infrastruttura dati.

Potrebbe sembrare un paradosso italiano, ma si riflette in tutta l’area EMEA: il 91% si dichiara ottimista, ma solo il 26% opera in ambienti completamente governati. È quello che abbiamo chiamato “illusione di AI readiness”: la convinzione di essere pronti a scalare l’AI anche quando le sfide critiche di governance restano irrisolte. E guardando i dati paese per paese, emerge una verità chiara: questo paradosso non ha una sola forma. Ne ha tante quanti sono i mercati che lo abitano.

Stessi sintomi, diverse anatomie

La Germania è il benchmark europeo: il 37% di ambienti completamente governati, il 47% pianifica un aumento significativo degli investimenti cloud, il 55% vanta accesso reale al 100% dei propri dati. Tuttavia, persino nel paese più preparato, quasi due terzi delle organizzazioni non hanno ancora governance completa.

La Francia presenta un paradosso diverso, e per certi versi più rivelatore. Il 94% dichiara una strategia dati ben definita e colloca il Paese tra i leader europei per ambizione strategica. Eppure, solo il 15% ha fonti dati completamente integrate tra sistemi e ambienti. È quindi possibile avere una governance dichiarata come solida e, allo stesso tempo, un’architettura di integrazione fragile.

I segnali provenienti dall’Italia descrivono il divario più pronunciato tra fiducia percepita e maturità operativa tra i mercati analizzati, con un ritmo di investimento cloud significativamente inferiore alla media EMEA e i livelli di integrazione e governance più distanti dal benchmark.

Ma c’è un elemento che accomuna tutti i mercati europei analizzati: il 91% dei rispondenti italiani dichiara disponibilità ad adottare nuovi framework di governance, la stessa percentuale che vediamo in Germania e in Francia.

Ciò evidenzia come il problema sia strutturale, non geografico. La volontà c’è ovunque. Quello che manca è sempre la stessa cosa: la capacità di tradurre la strategia in esecuzione.

Il problema non è la cultura. È l’accountability.

La differenza tra i mercati più avanzati e quelli in ritardo non risiede nell’ambizione: risiede nella struttura dell’accountability. In Germania, dove il tasso di governance è il più alto, l’investimento in infrastruttura è reale e misurabile, non solo dichiarato. In Francia, dove la strategia è ben definita ma l’integrazione è fragile, la governance è rimasta a livello di policy senza diventare architettura operativa. I segnali italiani mostrano una barriera specifica: una quota significativa di rispondenti cita la mancanza di sponsorship esecutiva come ostacolo concreto all’uso efficace dei dati.

Non è un problema tecnologico. È un problema organizzativo. Capire una priorità non equivale a possederla operativamente. Il costo di questa distanza è misurabile: in tutta l’EMEA, il 74% delle organizzazioni segnala iniziative operative almeno periodicamente rallentate da vincoli di performance infrastrutturale. La principale causa di ROI deludente sui progetti AI non è il modello sbagliato ma la qualità dei dati che lo alimenta.

La sequenza sbagliata e come invertirla con la Private AI

Il messaggio che emerge da questi mercati non è che l’Europa sia impreparata. È che sta costruendo nella sequenza sbagliata: prima il modello, poi i dati. Prima il caso d’uso AI, poi la governance.

L’AI è efficace solo quanto i dati che la alimentano. Senza una governance coerente in tutti gli ambienti, le organizzazioni si trovano di fronte a limitazioni nell’accuratezza, nella fiducia e nel valore di business che l’AI può generare. Non è possibile costruire un’AI affidabile su dati che non si riescono pienamente a governare.

La destinazione corretta ha un nome preciso: Private AI. Ovvero la capacità di eseguire modelli di intelligenza artificiale, anche generativa, su dati proprietari in ambienti controllati, senza cedere sovranità a provider esterni. Per il board, questo significa governance totale su modelli e dati, indipendenza dai fornitori e protezione della proprietà intellettuale nei settori in cui il dato è il principale asset competitivo. Ma non esiste Private AI senza data readiness: se i dati non sono tracciati, governati e accessibili in modo coerente su tutti gli ambienti, questa destinazione resta un esercizio teorico. Il paradosso europeo che la survey ha misurato è esattamente la distanza tra le organizzazioni che potranno percorrere questa strada e quelle che non possono ancora farlo.

Tre decisioni comuni a tutti i paesi

Con l’AI Act pienamente esecutivo dal 2 agosto 2026, questa distanza ha smesso di essere un problema tecnico per diventare un rischio strategico con una scadenza. Tre decisioni non possono essere rinviate.

La prima: misurare il gap reale con un audit tecnico della governance esistente – non una survey di percezione interna, ma una mappatura di quali dati sono effettivamente catalogati, tracciati e protetti su ogni ambiente. Senza questa base, ogni strategia AI è costruita su fondamenta che nessuno ha mai verificato.

La seconda: assegnare ownership esecutiva nominativa alla governance, con un mandato esplicito al board. Finché resta un tema IT, il gap non si chiude né a Berlino né a Milano. Con l’AI Act in vigore questo diventa un requisito di compliance.

La terza: adottare architetture che portino la governance ai dati ovunque risiedano, cloud, data center o edge, ossia il cuore della Private AI.

I numeri della survey fotografano un’industria europea che sta per fare un salto, e che ha ancora il tempo di prepararsi correttamente. La differenza tra chi arriverà preparato e chi no dipende da una sola cosa: la velocità con cui si traduce la consapevolezza in esecuzione.

L'articolo La mappa della governance AI in Europa e tre decisioni che i board non possono rimandare proviene da Data Manager Online.

In un contesto in cui le architetture enterprise diventano sempre più complesse e distribuite tra ambienti on-premise, public cloud e edge, la capacità di disporre di visibilità completa sui sistemi rappresenta una sfida critica per le aziende.

Secondo Cloudera, l’unica azienda in grado di abilitare i dati all’AI ovunque, l’observability non può più essere un ripensamento o una soluzione ‘bolt-on’ acquisita, ma deve essere una capacità nativa e fondamentale dell’infrastruttura dati. Molte aziende si trovano infatti di fronte a un “muro di visibilità” nei loro ambienti ibridi e multi-cloud, problematica che si intensifica con l’adozione di carichi di lavoro di AI generativa e modelli su larga scala.

Il problema della visibilità frammentata

La transizione da architetture monolitiche a infrastrutture eterogenee complesse ha reso obsoleti gli approcci tradizionali al monitoraggio. Non è un caso che alcuni provider di dati cloud-based abbiano investito miliardi di dollari in acquisizioni di startup specializzate in osservabilità, riconoscendo il valore critico di questa funzionalità.

Tuttavia, soluzioni ‘bolt-on’ frammentate o focalizzate solo sul cloud non riescono a fornire la visibilità necessaria sull’intero data estate aziendale. “La vera osservabilità va oltre il semplice monitoraggio,” sostiene Fabio Pascali, Regional Vice President Italy, Greece & Cyprus di Cloudera. “Richiede telemetria integrata – log, metriche e tracce – che offra insights azionabili attraverso l’intera infrastruttura dati”.

L’impatto dell’AI generativa sulla complessità hybrid

L’ascesa dell’intelligenza artificiale generativa e dei modelli di machine learning su larga scala ha ulteriormente complicato le architetture ibride. Questi workload distribuiti richiedono una soluzione di osservabilità unificata in grado di collegare log, metriche e tracce attraverso il livello dati e l’infrastruttura sottostante.

Senza questa visibilità olistica, le aziende faticano a comprendere cosa si celi in realtà dietro i problemi di performance, limitandosi a registrare  i sintomi senza poter identificare cause profonde e prevenire problemi futuri.

La proposta Cloudera: osservabilità nativa e unificata

Cloudera propone un’osservabilità nativa che sfrutta OpenTelemetry, framework leader negli standard di osservabilità, per fornire insight completi in ambienti on-premise, cloud pubblico e edge.

L’approccio si basa sull’intelligence diagnostica derivata da oltre 1,3 milioni di nodi in sottoscrizione e consente di muoversi verso un’affidabilità predittiva – la capacità di anticipare e prevenire problemi prima che impattino le operazioni business-critical.

La soluzione Cloudera si estende attraverso Cloudera Cloud Factory (precedentemente Taikun CloudWorks), ampliando le capacità oltre la gestione dell’infrastruttura cloud-native per abbracciare l’intero ecosistema ibrido.

“In un’era di crescente complessità tecnologica e requisiti di governance rigorosi, l’osservabilità non può essere un’aggiunta dell’ultimo minuto, ma integrata fin dal principio nella piattaforma dati, fornendo contesto unificato e consentendo alle organizzazioni di gestire efficacemente i loro footprint distribuiti”, aggiunge Pascali.

Implicazioni per le aziende italiane

Per le imprese italiane che stanno accelerando la trasformazione digitale e l’adozione di soluzioni AI, il tema dell’osservabilità negli ambienti ibridi assume particolare rilevanza. La capacità di mantenere visibilità e controllo su architetture distribuite diventa cruciale non solo per le performance, ma anche per questioni di conformità normativa e gestione del rischio.

L'articolo Perché l’osservabilità nativa è il cuore dell’hybrid cloud: la sfida della visibilità negli ambienti AI distribuiti proviene da Data Manager Online.

Nella nuova economia globale, in cui i dati non sono più soltanto un asset ma la valuta del potere, il controllo digitale si sta ridefinendo. L’idea di un flusso di dati illimitato e senza confini lascia spazio a uno scenario più complesso, in cui la sovranità digitale, spinta da un crescente nazionalismo dell’AI globale, diventa un pilastro delle strategie nazionali.

Per l’Italia, oggi al punto d’incontro tra investimenti senza precedenti e una nuova stagione di regole digitali, si apre un momento di significative opportunità. Una sofisticata strategia nazionale, costruita sul controllo dei dati diventa la fonte primaria di un nuovo vantaggio competitivo duraturo. Per l’Italia, abbracciare una solida strategia di data sovereignty è il primo e più importante passo per rafforzare la propria posizione geopolitica e per tutelare gli interessi nazionali nell’era digitale. Con l’EU AI Act che passa definitivamente da strumento giuridico a realtà stringente, governare e gestire i dati sensibili entro confini nazionali o europei non è più un’opzione architetturale: è un imperativo economico e politico.

Costruire l’autonomia digitale e un ecosistema di AI sovrana

In questa nuova fase vinceranno i Paesi che saranno in grado di costruire una vera autonomia digitale. Non è teoria: il Tech Trends 2025 di Deloitte descrive una vera e propria corsa globale alla sovranità dell’AI.

In Italia, questa trasformazione sta già avvenendo su scala: quasi 600 pubbliche amministrazioni operano sulla infrastruttura cloud sovrana nazionale. Questo progresso tangibile dimostra l’impegno nazionale a costruire un futuro digitale sicuro e a creare un ecosistema di AI sovrana che rispetti regole, giurisdizione e requisiti locali. Ciò significa dotarsi di capacità nazionali perché i dati di cittadini e imprese restino protetti dal diritto italiano ed europeo, riducendo l’esposizione a giurisdizioni estere e a instabilità geopolitiche. Questo impegno crea maggiore stabilità per i settori industriali vitali per il nostro Paese e sottolinea la nostra forza nel panorama geopolitico.

L’Italia, un approdo sicuro per innovazione e capitale

In un contesto globale di bassa fiducia, dove la credibilità vale almeno quanto la tecnologia, questa evoluzione manda un messaggio chiaro al mercato: l’Italia rappresenta un approdo affidabile per l’innovazione. Lo dimostra la spinta agli investimenti nelle infrastrutture digitali, con una pipeline confermata di 15 miliardi di euro (secondo Italian Datacenter Association). Ma questi capitali seguono una logica nuova: cercano efficienza e sostenibilità, soprattutto mentre Gartner avverte che i costi dei progetti GenAI possono essere sottostimati del 500–1000%.

Le opportunità più forti sono quelle che dimostrano un approccio intelligente all’infrastruttura e un posizionamento coerente con la tendenza del mercato verso on-premise e cloud privato. Gli investitori globali premiano sempre di più stabilità regolatoria e sicurezza dei dati. Offrendo un perimetro sicuro e prevedibile per i settori ad alta intensità di dati, l’Italia può posizionarsi come destinazione primaria per investimenti ad alto valore. Ciò include aziende che operano in comparti strategici come AI, manufacturing e difesa, che hanno bisogno di una garanzia fondamentale: gestire il proprio asset più prezioso, i dati, in conformità alle regole UE senza sacrificare prestazioni. Questa certezza può anche invertire la fuga dei talenti, creare lavoro qualificato e far nascere un ecosistema competitivo di tecnologie di nuova generazione, con benefici economici che restano nel Paese.

Fiducia, AI responsabile e ascesa della Private AI

Alla base di tutto c’è una sola moneta: la fiducia. L’innovazione fine a sé stessa non regge più. Con l’EU AI Act ormai pienamente operativo, l’obiettivo diventa un’AI responsabile che consenta alle imprese di orientarsi nel più grande paradosso dell’economia moderna: innovare con l’AI mentre i vincoli di budget si irrigidiscono.

Molte organizzazioni stanno adottando la Private AI: per eseguire e governare l’AI in ambienti controllati. Per un decisore aziendale significa governance completa sui modelli proprietari, maggiore sicurezza sui dati competitivi, più controllo su costi variabili e nessun lock-in.

Immaginiamo una grande banca italiana che voglia sviluppare un assistente di AI generativa per consulenza finanziaria personalizzata: inviare dati sensibili dei clienti a un modello pubblico è, di fatto, impraticabile per rischi di sicurezza e compliance. Con un modello distribuito in un ambiente di AI privata, la banca può innovare in sicurezza, adattare il sistema ai propri dati proprietari di mercato e mantenere protette le informazioni dei clienti.

È una risposta coerente con un mercato in cui, secondo IDC, entro il 2028 l’80% delle imprese richiederà opzioni diversificate per eseguire i workload di AI. Qui emerge il tema centrale: l’AI sovrana nazionale non si costruisce senza un’AI privata diffusa. Ogni organizzazione che mette in sicurezza i propri dati rafforza l’intero tessuto digitale del Paese.

Un modello italiano per un futuro digitale resiliente

Il percorso dell’Italia può diventare un solido riferimento per il futuro. Intrecciando sovranità nazionale, investimenti intelligenti e responsabilità d’impresa, non stiamo semplicemente adeguandoci a nuove regole: stiamo costruendo un futuro digitale più resiliente, più competitivo e più affidabile.

L'articolo Il successo nell’economia dei dati: come l’Italia può costruire il vantaggio competitivo grazie alla fiducia sovrana proviene da Data Manager Online.

L’era della sperimentazione sull’AI è finita ed è iniziata l’era della responsabilità. Sebbene il 74% dei CEO creda che l’AI avrà un impatto fondamentale sul proprio settore, quasi la metà dei loro CIO (47%) segnala che gli investimenti iniziali in AI non hanno soddisfatto le aspettative di ROI, secondo l’ultima ricerca di Gartner sui CIO. Questo scollamento rivela la sfida centrale per il 2025: non si tratta più di adottare l’AI, ma di controllarla per generare valore reale, sicuro e sostenibile. Dopo anni di migrazione dei dati verso il cloud pubblico, è in corso una riscoperta strategica del controllo diretto sull’infrastruttura AI.

La Private AI rappresenta proprio questo: la possibilità di eseguire modelli di intelligenza artificiale – anche generativa – mantenendo i dati sensibili all’interno dei propri confini digitali e aprendosi sempre di più verso modelli ibridi di gestione del dato, capaci di coniugare il mondo private e multicloud.

Per il business leader, questo cambiamento risponde a diverse sfide urgenti:

• Governance totale sui dati e sui modelli. L’adozione rapida e decentralizzata dell’AI ha creato rischi interni significativi, primo fra tutti un problema di “shadow AI” non monitorata, che crea un punto cieco nella governance. La Private AI affronta direttamente questo problema, riportando il controllo all’interno dell’azienda.
• Compliance immediata con normative come GDPR e AI Act. Il rischio normativo non è più una minaccia lontana e, con la piena entrata in vigore dell’AI Act, è probabile che inizieremo a vedere alcune sanzioni di rilievo comminate ai provider già da quest’anno. Ciò trasforma la compliance da un semplice esercizio a un imperativo finanziario e reputazionale immediato. Un ambiente AI privato e verificabile è la difesa più robusta.
• Minore dipendenza da provider esterni. Affidarsi a un ristretto numero di giganti del cloud pubblico per l’AI crea un notevole rischio commerciale. IDC prevede che entro il 2028, l’80% delle aziende richiederà opzioni diversificate per l’erogazione dell’inferenza. Questa tendenza riflette un chiaro desiderio del mercato di evitare il vendor lock-in, mantenere il potere negoziale e controllare i costi operativi in crescita.
• Maggiore sicurezza in settori dove il dato è patrimonio competitivo (sanità, finanza, manifattura, pubblica amministrazione). Per i settori in cui i dati sono l’asset principale, il fatto che il 79% dei dirigenti citi la sicurezza dei dati come una barriera fondamentale all’adozione su larga scala dell’AI (Capgemini, 2025) sottolinea la necessità di un ambiente affidabile. La Private AI fornisce una “digital clean room” in cui i dati sensibili possono essere sfruttati per l’innovazione senza essere esposti.

La Private AI non è una regressione rispetto alla trasformazione cloud, ma un’evoluzione: è la risposta alla necessità di un’AI performante ma conforme, trasparente e controllata. Un vero e proprio asset aziendale.

In questo ambito, l’innovazione si sta spostando sempre più verso l’open source e l’adozione di modelli SLM (Small Language Model), con le aziende che si stanno spostando da una dipendenza esclusiva da massicci LLM verso modelli più piccoli ed efficienti, adattati a problemi specifici.

Questo significa che le aziende che adottano modelli open source + SLM possono:

• Ridurre drasticamente i costi. L’inferenza è la spesa principale nell’AI su larga scala e rappresenta fino al 75% del costo totale. Eseguendo modelli open su infrastrutture private, le organizzazioni possono sfuggire ai prezzi “per query” dei sistemi proprietari, rendendo l’adozione dell’AI economicamente sostenibile e scalabile.
• Controllare l’accuratezza degli output per evitare rischi legali e di brand dovuti ad “allucinazioni” dei modelli.
• Guadagnare agilità. Scegliendo quando aggiornare i modelli, le aziende evitano cambiamenti improvvisi e incontrollati da parte dei provider pubblici che potrebbero compromettere le proprie applicazioni basate su GenAI, garantendo stabilità operativa.

In sintesi, una strategia che combina Private AI e modelli open permette alle aziende di innovare più velocemente e a costi inferiori, sfruttando i progressi della community senza sacrificare il controllo.

Sovereign AI: quando la sovranità diventa un vantaggio competitivo

Il concetto di Sovereign AI sposta la riflessione su un piano più ampio: quello della sovranità digitale nazionale o regionale. Non si tratta solo di compliance; significa costruire un ecosistema AI che rispetti le regole locali, utilizzi infrastrutture certificate e garantisca che i dati dei cittadini e delle imprese restino sotto giurisdizione locale in un mondo in via di frammentazione.

KPMG identifica il “Paesaggio Tecnologico Politicizzato” come uno dei 5 principali rischi geopolitici globali per il 2025, e IDC nota che è in corso una “corsa alla sovranità AI” a livello globale, poiché i governi considerano l’AI un asset strategico nazionale: Europa, Stati Uniti, India e diverse potenze asiatiche stanno investendo per evitare che l’AI, e le informazioni su cui si basa, diventino terreno di dipendenza o vulnerabilità strategica.

In questo scenario, un approccio “sovereign-ready” diventa un potente vantaggio competitivo. Con l’AI Act dell’UE che sta creando vere e proprie fortezze normative, la conformità alla sovranità sta diventando un prerequisito non negoziabile per l’accesso al mercato, specialmente per aggiudicarsi contratti nel settore pubblico e partecipare a filiere europee critiche.

La Private AI è la base tecnologica e organizzativa ideale che rende possibile la Sovereign AI.

Se le aziende, le banche o gli enti pubblici non dispongono di infrastrutture AI locali e sicure, nessuno Stato potrà davvero rivendicare una sovranità digitale piena. Al contrario, quando le organizzazioni adottano modelli Private AI, contribuiscono a costruire un tessuto tecnologico distribuito, resiliente e conforme – il prerequisito per un’AI sovrana e sostenibile.

La strategia vincente: controllo, compliance e fiducia

Investire in Private AI oggi non è solo una scelta tecnica: è una scelta strategica. Significa anticipare le normative, ridurre il rischio reputazionale e creare fiducia presso clienti e stakeholder. Questo è fondamentale in un mercato in cui la fiducia dei consumatori è fragile. Il trend “Cost of Hesitations” di Accenture per il 2025 evidenzia un diffuso scetticismo dei consumatori alimentato dalla disinformazione generata dall’AI e, sebbene l’Europa mostri preoccupazioni leggermente inferiori sulla privacy grazie al GDPR, la tendenza generale è alla cautela.

Operare in un ambiente verificabile e affidabile sta diventando un elemento di differenziazione chiave. Prepararsi a un futuro in cui partner e governi chiederanno garanzie di sovranità dei dati non è più facoltativo. Le aziende che sapranno integrare questi principi non solo ridurranno i rischi operativi, ma sbloccheranno anche un vantaggio competitivo duraturo, che consentirà loro di guidare una nuova era di AI responsabile e orientata al valore.

Conclusione

La corsa all’AI non è più solo una questione di velocità: è una questione di controllo, sostenibilità e fiducia.

Private AI e Sovereign AI, integrate con modelli open, permettono alle aziende di trasformare l’intelligenza artificiale in un vero asset strategico, capace di generare valore e proteggere al tempo stesso il business e i dati critici.

L'articolo Private & Sovereign AI: la nuova frontiera del controllo strategico dei dati proviene da Data Manager Online.

Nel mondo affascinante della cucina, mai come oggi sotto i riflettori, esiste una regola quasi sacra: quella della mise en place. Letteralmente significa “ogni cosa al suo posto” ed è la disciplina che impone di raccogliere, lavare, tagliare e organizzare tutti gli ingredienti prima ancora di accendere i fornelli. Senza questa preparazione, ogni servizio di cucina si trasforma rapidamente in caos.

Nel mondo enterprise stiamo vivendo una frenesia analoga, relativa all’AI generativa. Le organizzazioni si stanno affrettando a offrire esperienze AI a tre stelle, ma la maggior parte sta trascurando proprio la mise en place: in altre parole provano a “cucinare” su larga scala senza aver ordinato accuratamente la propria dispensa, spesso senza averla nemmeno messa in sicurezza.

E questo è ciò che sta generando una crisi di data readiness, ovvero di controllo e padronanza dei propri dati. In un contesto in cui la loro sicurezza e sovranità è imprescindibile, questo problema non solo va risolto in fretta, ma va risolto nel modo migliore: la data readiness è il prerequisito essenziale per applicare la Private AI.

Il prerequisito della Private AI: non puoi proteggere ciò che non riesci a trovare

Negli ultimi anni i dati sono stati considerati – anche giustamente – il nuovo ingrediente “grezzo” per l’AI. Ma i dati grezzi, proprio come la verdura non lavata, restano un rischio finché non vengono resi pronti all’uso.

Oggi però l’obiettivo è cambiato. CEO e business leader non vogliono “solo AI”: vogliono un’AI capace di generare valore elevato e differenziante per il business. Per questo serve un ambiente controllato, in cui privacy e sicurezza dei dati siano garantite lungo l’intero ciclo di vita. Da qui nasce la spinta verso la Private AI. In sostanza, devono assicurarsi che le ricette proprietarie (la proprietà intellettuale) e gli ingredienti (i dati sensibili dei clienti) non finiscano mai nel dominio pubblico, e che l’azienda rispetti le “norme igieniche” del settore (la compliance normativa).

Il punto chiave è semplice: non esiste Private AI senza data readiness. La realtà del mercato è che, per avere successo con l’AI, bisogna spostare il focus: serve una maggiore data governance, non solo più modelli. Se non si è in grado di descrivere chiaramente il proprio panorama dati — da dove arrivano, chi li ha manipolati e dove risiedono — non sarà possibile metterli in sicurezza. La data readiness è la base degli standard di governo necessari per far girare l’AI in modo sicuro. Senza lineage, qualità e governance, la strategia AI aziendale non si rivela soltanto lenta: diventa un rischio di compliance pronto a esplodere.

La trappola della “cucina pop-up” vs. la vera flessibilità ibrida

Per evitare il disordine dei data center principali, molti leader provano a costruire “cucine pop-up”: ambienti cloud separati in cui spostano un piccolo sottoinsieme di dati per far girare un pilot specifico. Può anche funzionare per preparare un antipasto veloce, ma non regge quando si passa a una produzione su scala.

Questo approccio introduce la cosiddetta cloud tax: costi di uscita (egress fees) importanti ogni volta che si debbono spostare i dati fuori dal recinto di un provider. E c’è di peggio: si spezza la catena della sicurezza. Quando i dati vengono trasferiti dall’ambiente core di partenza verso un modello proprietario, si perdono i metadati e il contesto che li rendono conformi. Oppure, più precisamente, li si devono ricostruire e replicare, con un onere che ricade direttamente sull’azienda, o sul suo partner di consulenza.

La realtà, nel settore, è ibrida. Alcuni workload operano egregiamente nel cloud; altri, per costi, performance o requisiti di sovranità, devono restare on-premises. Una strategia “pop-up” costringe a scegliere da che parte stare, finendo per chiudere i propri ingredienti in una dispensa proprietaria.

La soluzione: una dispensa universale per la Private AI, ovunque

Per arrivare a una vera prontezza, le organizzazioni devono muoversi verso la Private AI. È la visione di una piattaforma unificata che porta l’AI dove sono i dati, invece di obbligare le aziende a spostare i dati verso l’AI.

Questo modello si basa su una Unified Data Fabric che funge da “dispensa universale”, garantendo che i dati siano pronti per essere “cucinati” ovunque risiedano, ed è composta da tre elementi:

• Unified Governance: in una cucina professionale gli standard di igiene valgono ovunque. Allo stesso modo, una Shared Data Experience crea un livello persistente e attivo di metadati e sicurezza. Policy, tag e lineage seguono i dati in tutti gli ambienti. Se un utente non è autorizzato ad accedere a Personally Identified Information (PII) on-prem, lo stesso divieto si applica in modo rigoroso anche nel cloud. Questo risolve la frammentazione della governance che spesso affossa i progetti di Private AI.
• Data Security and/or Sovereignty: la Private AI permette di possedere i dati — non di essere “posseduto” dal vendor. Adottando formati di tabella aperti come Apache Iceberg, i dati vengono resi disponibili per qualsiasi tool o modello, senza vendor lock-in. In pratica, sono le aziende a tenere le chiavi della dispensa, garantendo così una vera sovranità del dato.
• Compute-to-Data: invece di spostare enormi dataset verso un modello (pagando la egress tax), è possibile portare il calcolo dove sono i dati. È questo il cuore della Private AI: eseguire modelli e inferenza direttamente accanto ai dati governati, che siano nel cloud, nel data center o all’edge.

Basta pulire, è ora di cucinare

Stiamo entrando in un’epoca in cui il vantaggio competitivo non andrà a chi ha l’LLM più grande, ma a chi ha fiducia sufficiente nei propri dati da poterli usare per ottenere insight unici e generare valore di business.

La Private AI è una necessità strategica per le aziende che vogliono proteggere la propria proprietà intellettuale. Ma non basta partire dall’algoritmo, si parte dalla mise en place.

E se i tuoi dati non sono ancora pronti per essere “cucinati”? Prima ancora di pensare al modello, è necessario rimettere in ordine la dispensa.

L'articolo La mise en place della Private AI: perché la strategia sui dati deve venire prima di tutto proviene da Data Manager Online.

Cloudera, l’unica azienda in grado di abilitare i dati all’AI ovunque, ha pubblicato i risultati di un nuovo studio globale condotto da Harvard Business Review Analytic Services. Lo studio rivela che, pur riconoscendo il potenziale trasformativo dell’AI, la maggior parte delle organizzazioni non è ancora in grado di metterla in pratica su scala a causa di persistenti sfide legate alla data readiness.

Il report, ”Taming the Complexity of AI Data Readiness“, ha coinvolto oltre 230 membri dell’audience di Harvard Business Review, tutti coinvolti nelle decisioni sui dati AI delle proprie organizzazioni, nell’ottobre 2025. I risultati evidenziano uno squilibrio netto nel percorso AI delle imprese: le organizzazioni stanno accelerando le iniziative AI, ma fanno fatica a creare fondamenta adeguate dei dati su cui si basano. Solo il 7% dichiara che i propri dati sono completamente pronti per l’adozione dell’AI, e più di un quarto dei rispondenti (27%) afferma che i propri dati non sono molto o per nulla pronti — evidenziando un divario crescente tra le ambizioni sull’AI e la capacità concreta di implementarla.

Il quadro italiano rispecchia, e in alcuni casi amplifica, la sfida globale. Secondo l’Osservatorio Artificial Intelligence del Politecnico di Milano, il mercato AI italiano ha raggiunto €1,8 miliardi nel 2025 con una crescita del 50% anno su anno, ma solo il 6% delle imprese ha integrato l’intelligenza artificiale in modo realmente strategico nei propri processi. Il tasso di adozione AI si ferma all’8,2% – quasi 5 punti sotto la media europea del 13,5% (Eurostat) – con manifattura, energia e pubblica amministrazione tra i settori con il maggiore potenziale inespresso. A rendere la sfida ancora più urgente è la scadenza normativa: il 2 agosto 2026 segna la piena applicabilità degli obblighi dell’EU AI Act per i sistemi ad alto rischio, con sanzioni che ammontano fino al 7% del fatturato globale annuo. Per le aziende italiane che non hanno ancora strutturato la governance dei propri dati, il tempo a disposizione si sta esaurendo.

“L’AI è potente quanto i dati che la alimentano”, ha dichiarato Sergio Gago, Chief Technology Officer di Cloudera.  “Per passare dai pilot alla produzione, le organizzazioni hanno bisogno di un accesso sicuro al 100% dei propri dati, ovunque risiedano. Portare l’AI al dato, invece di spostare il dato verso l’AI, è ciò che distingue la sperimentazione dall’impatto su scala enterprise.”

La percezione della qualità dei dati

Nonostante la diffusa sperimentazione in ambito AI, i problemi fondamentali sui dati rimangono irrisolti. Il 73% dei rispondenti afferma che la propria organizzazione dovrebbe prioritizzare maggiormente la qualità dei dati AI rispetto a quanto faccia oggi, e la stessa percentuale dichiara di trovare difficile la preparazione e il processing dei dati per l’AI.

I principali ostacoli nella preparazione dei dati per l’AI includono:

• Dati in silos e difficoltà di integrazione tra fonti diverse (56%)
• Mancanza di una strategia dati chiara (44%)
• Problemi di qualità dei dati e bias (41%)
• Vincoli normativi sull’uso dei dati (34%)

“Oltre la metà delle organizzazioni indica i dati in silos come ostacolo principale”, ha commentato Fabio Pascali, Regional Vice President Italy, Greece & Cyprus di Cloudera. “Si tratta di un problema che in Italia è strutturale: architetture legacy, sistemi eterogenei, governance frammentata. La soluzione non è spostare i dati verso l’AI anche a costo di portarli fuori dal perimetro di sicurezza aziendale: è portare l’AI al dato ovunque risieda, con lineage, qualità e governance unificate. Le aziende italiane hanno già scelto il modello ibrido: hanno quindi già in mano l’architettura giusta. Il passo successivo è costruire la maturità dei dati su cui farla girare in sicurezza.”

La governance del dato: ancora un cantiere aperto

I leader aziendali riconoscono sempre più che l’AI non è più un’iniziativa futura: è un mandato operativo presente. Eppure, la maggior parte delle organizzazioni sta ancora creando le fondamenta dei dati necessarie per scalare l’AI in modo responsabile ed efficace.

Solo il 23% dichiara che la propria organizzazione ha una strategia dati consolidata per l’adozione dell’AI, mentre più della metà (53%) ne sta attivamente sviluppando una. La protezione dei dati sensibili e della privacy (59%), la qualità dei dati (46%) e la data governance (41%) si classificano come le componenti più critiche di queste strategie.

Puntare tutto sull’innovazione può generare visibilità, ma un vantaggio competitivo duraturo dipende da architetture dati moderne e governate, capaci di operare in modo fluido attraverso ambienti multi-cloud, data center, edge e ibridi.

Allo stesso tempo, le aspettative sull’agentic AI stanno accelerando, riflettendo un passaggio dalla sperimentazione alla trasformazione concreta dei processi. Quasi due terzi dei rispondenti (65%) si aspetta che molti processi aziendali della propria organizzazione vengano integrati o sostituiti dall’AI agentica nei prossimi due anni. Non solo: il 47% afferma che la propria organizzazione crede che l’agentic AI possa risolvere i problemi di qualità dei dati.

Con il passaggio delle organizzazioni dalle applicazioni agli agenti intelligenti, data pipeline scalabili, governance coerente e un’esperienza analoga a quella del cloud attraverso tutti gli ambienti diventano sempre più essenziali.

Le imprese di oggi operano in data estate complessi e distribuiti, che attraversano cloud, data center e ambienti edge. Eppure, i dati mission-critical vengono spesso mantenuti in ambienti on-premise, per ragioni di sovranità, sicurezza, costo e compliance. Colmare questo divario richiede architetture in grado di portare l’AI in produzione in modo sicuro attraverso ambienti ibridi, senza forzare lo spostamento dei dati o compromettere il controllo.

L'articolo AI, c’è il problema dei dati. Solo il 7% delle aziende sono pronte proviene da Data Manager Online.