L’intelligenza artificiale nel settore sanitario ha ormai superato da tempo la fase sperimentale. Sta già accelerando la ricerca, migliorando il patient journey e supportando la diagnostica. La prossima ondata, guidata dall’AI generativa, promette ancora di più: triage intelligente, gestione clinica automatizzata e interventi tempestivi per i pazienti i cui sintomi indicano un’urgenza.

Le potenzialità sono enormi. Una ricerca commissionata dall’UE all’inizio di quest’anno suggerisce che l’intelligenza artificiale potrebbe recuperare l’equivalente di 252 miliardi di euro attualmente persi a causa dell’inefficienza nel solo processo decisionale clinico. Tuttavia, la valutazione della stessa Commissione europea, pubblicata nell’agosto 2025, ha rilevato che, sebbene il potenziale dell’intelligenza artificiale sia notevole, la sua implementazione nella pratica è in ritardo, ostacolata da dati frammentati e non standardizzati e da infrastrutture digitali obsolete.

Il problema, in altre parole, non è il modello di AI. È piuttosto la qualità dei dati che lo alimentano e, soprattutto, se tali dati siano aggiornati, interconnessi e gestiti in modo sufficientemente accurato da poter essere considerati affidabili.

Questa distinzione è di fondamentale importanza. Una raccomandazione generata dall’AI fuori contesto in ambito commerciale potrebbe comportare che un cliente riceva un’offerta non adeguata. Ma nel settore sanitario, potrebbe significare che un paziente riceva cure inadeguate nel momento sbagliato.

L’ostacolo principale non è la capacità dell’intelligenza artificiale, ma la frammentazione dei dati

Molti sistemi sanitari operano ancora su basi tecnologiche frammentate. Un paziente può interagire con un ospedale, un’assicurazione, una farmacia e un fornitore di servizi di monitoraggio a distanza, ognuno dei quali genera informazioni utili. Ma se tali dati sono confinati in sistemi separati, la promessa dell’intelligenza artificiale diventa molto più difficile da realizzare.

Dalle mie conversazioni con i clienti, è chiaro che questa sfida non è esclusiva di una singola organizzazione o di un singolo Paese. In tutta Europa, e non solo, i sistemi sanitari stanno affrontando la difficoltà di collegare sistemi che non sono mai stati progettati per comunicare tra loro, un problema che sta diventando crescente man mano che lo Spazio europeo dei dati sanitari spinge verso la condivisione transfrontaliera dei dati.

La piattaforma dati federata dell’NHS England offre un modello su come affrontare la questione, fornendo un’infrastruttura di collegamento tra le aziende ospedaliere per casi d’uso quali la gestione delle liste d’attesa e la pianificazione delle dimissioni.

Ma la lezione va oltre qualsiasi singola iniziativa nazionale. Un’infrastruttura che colleghi i dati è necessaria ma non sufficiente. I dati che vi circolano devono anche essere in tempo reale. Un modello di AI non può supportare in modo sicuro il triage, la definizione delle priorità o l’assistenza personalizzata se i dati su cui si basa sono incompleti, in ritardo, inaccessibili o mal gestiti.

La fiducia è la sfida fondamentale nell’adozione delle tecnologie

Il settore sanitario ha un rapporto unico con la fiducia. Le persone potrebbero sentirsi a disagio se l’app di una catena di caffetterie sapesse dove si trovano e inviasse loro un’offerta. Tuttavia, potrebbero accogliere con favore un avviso sanitario proveniente da un dispositivo indossabile se questo le mettesse in guardia in caso di ritmo cardiaco irregolare. La differenza sta nel valore percepito, nella trasparenza e nel controllo.

Il settore assicurativo offre un esempio calzante. Il modello Active Rewards di Vitality, basato sulla piattaforma di streaming di dati in tempo reale di Confluent, collega il monitoraggio dell’attività fisica e gli incentivi personalizzati agli obiettivi di salute individuali, grazie a dispositivi indossabili che registrano l’attività fisica e la frequenza cardiaca durante l’allenamento.

Se gestiti correttamente, questi modelli possono andare a vantaggio sia dell’individuo che dell’assicuratore: le persone vengono incoraggiate a migliorare il proprio stato di salute, mentre gli assicuratori riducono il rischio. L’elemento del real-time non è secondario al modello, ma è proprio ciò che lo rende credibile e commercialmente sostenibile. Una versione dello stesso concetto aggiornata in batch non garantirebbe la reattività che gli assicurati si aspettano né quella richiesta da una modellizzazione accurata del rischio.

Tuttavia, l’esempio di Vitality mostra anche perché la fiducia è così importante. Gli stessi dati che possono aiutare qualcuno a migliorare la propria salute potrebbero creare serio disagio se diffusi su scala troppo ampia o applicati in modi che l’individuo non si aspetta.

Ciò è particolarmente vero ora che l’AI generativa sta diventando sempre più diffusa. Se un sistema di AI assegna priorità a un rinvio o redige un parere clinico, i responsabili del settore sanitario devono sapere su quali dati si basa tale risultato. Hanno bisogno di tracciabilità e verificabilità. Hanno inoltre bisogno di controlli in materia di accesso, crittografia, conservazione dei dati e consenso. Ma soprattutto, hanno bisogno di una chiara supervisione umana nei casi in cui le decisioni potrebbero influire sulla cura dei pazienti.

Come si presenta un sistema sanitario ottimale?

Un sistema sanitario solido basato sull’intelligenza artificiale non è quello in cui ogni processo è automatizzato. È quello in cui i dati giusti raggiungono la persona, il sistema o il modello giusto al momento giusto, con le autorizzazioni appropriate e una traccia chiara di come vi sono giunti.

Ciò significa che i responsabili del settore sanitario dovrebbero concentrarsi su cinque pilastri fondamentali:

• In primo luogo, è necessaria l’interoperabilità. I dati devono poter circolare in modo sicuro tra sistemi, fornitori e regioni, ove possibile, senza costringere medici o pazienti a colmare manualmente le lacune.
• In secondo luogo, hanno bisogno di un contesto in tempo reale. Il monitoraggio a distanza, la capacità ospedaliera, i risultati dei test, il peggioramento delle condizioni dei pazienti e la pianificazione delle dimissioni diventano tutti più preziosi – e affidabili – quando le informazioni sono aggiornate.
• In terzo luogo, hanno bisogno di una governance integrata nella progettazione. La privacy, il consenso, il controllo degli accessi, la tracciabilità e la verificabilità non possono essere aggiunti a posteriori. Devono essere integrati nell’architettura dei dati fin dall’inizio come requisiti ingegneristici.

Sono necessarie la spiegabilità e la responsabilità. Se l’AI viene utilizzata a supporto delle decisioni, le organizzazioni devono essere in grado di dimostrare quali dati sono stati utilizzati, quali regole sono state applicate e a quale livello si colloca la supervisione umana.
Infine, hanno bisogno di inclusione. I canali digitali possono migliorare l’accesso per molte persone, ma possono anche creare barriere per coloro che hanno meno dimestichezza con il digitale, sono anziani, vulnerabili o incapaci di orientarsi nei sistemi online. Un servizio sanitario efficiente per alcuni ma inaccessibile ad altri non ha subito una vera trasformazione.

L’infrastruttura in tempo reale è la strategia

Ciò che emerge dalle ricerche condotte dalla stessa Commissione Europea è l’urgente necessità che i sistemi sanitari dispongano dell’infrastruttura di dati necessaria per utilizzare l’AI in modo responsabile, su larga scala e in modo tale che pazienti e medici possano davvero fidarsi.

Ciò significa collegare sistemi frammentati e trasferire i dati in tempo reale, non in batch risalenti al giorno precedente. Gestirli, garantirne la tracciabilità, proteggere le informazioni sensibili pur rendendoli utili: nulla di tutto ciò è semplice. Ma, a mio avviso, è proprio qui che sta il vero lavoro.

L’AI potrebbe rivelarsi una delle tecnologie più influenti che il settore sanitario abbia mai adottato. Ma i modelli da soli non bastano. I dati che li alimentano devono essere aggiornati, gestiti e affidabili. Perché nel settore sanitario, quando i dati falliscono, non è un sistema a soffrirne, ma una persona.

L'articolo Perché l’IA nel settore healthcare dipende dalla qualità dei dati proviene da Data Manager Online.

Secondo il nuovo Data Streaming Report 2026 di Confluent, quasi tre quarti (72%) dei responsabili IT a livello globale affermano che la mancanza di un’infrastruttura per i dati in tempo reale stia frenando i loro sforzi per scalare l’AI.

Il report, che ha coinvolto 4.625 responsabili IT in tutto il mondo, analizza le sfide che le aziende si trovano ad affrontare nel percorso di adozione dell’AI e spiega perché potrebbe essere necessario concentrarsi maggiormente sul rafforzamento dell’infrastruttura su cui si basano le iniziative di AI, piuttosto che limitarsi ad aumentare gli investimenti nell’intelligenza artificiale stessa.

Secondo la ricerca, il 72% dei leader IT ha incontrato almeno tre ostacoli nel tentativo di scalare le proprie iniziative di AI. Tra i più comuni figurano infrastrutture inadeguate per l’elaborazione dei dati in tempo reale (72%), incertezze relative alla provenienza, all’aggiornamento e alla qualità dei dati (66%) e la frammentazione della proprietà dei dati (65%).

Queste criticità infrastrutturali stanno inoltre rallentando l’adozione dell’AI agentica. Due terzi (66%) dei responsabili IT indicano le infrastrutture dati e i problemi di qualità di questi ultimi come ostacoli all’adozione dell’AI agentica, mentre solo il 32% dichiara di averla già portata in produzione; la maggior parte delle organizzazioni continua infatti a registrare ritardi.

Sbloccare il potenziale dell’AI in tempo reale

Mentre le organizzazioni cercano di portare l’AI dai progetti pilota agli ambienti di produzione, l’attenzione si concentra sempre più sui dati che la alimentano. Quattro responsabili IT su cinque (80%) affermano che l’utilizzo dei dati aziendali per alimentare sistemi basati sull’AI rappresenta una priorità strategica per il business, a conferma della crescente importanza di un accesso in tempo reale a informazioni affidabili.

I risultati suggeriscono che molte organizzazioni considerano il data streaming una componente fondamentale della soluzione.

Quasi nove intervistati su dieci (88%) affermano che le piattaforme di data streaming contribuiscono ad accelerare l’adozione dell’AI agentica, rendendo i dati più affidabili, contestualizzati e facilmente accessibili. Allo stesso tempo, il 94% ritiene che il data streaming stia aumentando, o sia destinato ad aumentare, il valore generato dagli investimenti in AI, mentre il 90% afferma che contribuisce a semplificarne l’adozione.

Il data streaming supera l’AI nelle priorità di investimento

Il report evidenzia inoltre che, parallelamente alla crescita degli investimenti nell’AI, aumentano anche quelli nel data streaming: l’88% dei responsabili IT lo considera una priorità strategica, rispetto all’82% che indica le tecnologie di AI e machine learning. I risultati suggeriscono che i leader IT riconoscono sempre più come la capacità di massimizzare il valore dell’AI dipenda dall’accesso a dati affidabili e in tempo reale. Man mano che le organizzazioni portano le iniziative di AI in produzione, l’attenzione si sta spostando dai soli modelli all’infrastruttura necessaria per fornire i dati giusti al momento giusto.

Commentando i risultati, Shaun Clowes, Chief Product Officer di Confluent, ha dichiarato: “La maggior parte delle organizzazioni non ha un problema di investimenti nell’AI, piuttosto un problema legato ai dati. I sistemi di AI dipendono da informazioni aggiornate, accurate e contestualizzate, ma molti continuano a essere costruiti su dati frammentati, processi batch e infrastrutture che non sono state progettate per supportare un’intelligenza continua.

Man mano che le organizzazioni superano la fase sperimentale e iniziano a portare l’AI nei processi aziendali critici, queste lacune diventano sempre più evidenti. I modelli devono essere collegati ai sistemi, agli eventi e ai segnali che riflettono ciò che accade all’interno dell’organizzazione. Le aziende che stanno ottenendo i risultati migliori investono non solo nell’AI, ma anche nelle fondamenta dati necessarie a sostenerla. Saranno proprio queste fondamenta a determinare quali organizzazioni riusciranno a trasformare gli investimenti in AI in valore di business su larga scala”.

L'articolo Confluent Data Streaming Report 2026: il 72% dei responsabili IT indica le infrastrutture dati come ostacolo all’AI proviene da Data Manager Online.

Negli ultimi anni, la sovranità dei dati si è affermata come una priorità chiave per il management, mentre le tensioni geopolitiche e l’evoluzione normativa hanno trasformato la compliance da semplice obbligo formale a elemento centrale nelle strategie aziendali.

Il tema di dove risiedano i dati e di come vengano gestiti non riguarda più solo i responsabili IT: incide direttamente sulle decisioni di acquisto, sulla selezione dei fornitori e sulla progettazione delle architetture tecnologiche. Allo stesso tempo, porta le organizzazioni a rivedere il concetto stesso di rischio legato ai dati.

In passato l’attenzione era rivolta soprattutto a informazioni altamente sensibili come dati finanziari, sanitari o identità dei clienti, ma oggi l’approccio è molto più ampio. Indirizzi email, log di sistema, dati di utilizzo e metadati, un tempo considerati marginali, sono rivalutati. Le aziende sentono l’esigenza di dimostrare un controllo effettivo su tutto il patrimonio informativo, non solo sugli asset critici.

Oltre gli aspetti locali: una nuova idea di sovranità

La sovranità dei dati non può più essere interpretata esclusivamente in termini geografici. Le organizzazioni devono comprendere quali informazioni possono essere trasferite oltre confine, in quali condizioni e con quali garanzie. Si tratta di una questione che riflette le complessità dell’attuale contesto globale.

Un esempio concreto è rappresentato dai servizi di assistenza distribuiti a livello internazionale. In un modello di helpdesk operativo su più Paesi, è lecito chiedersi se un ticket aperto in una giurisdizione possa essere gestito da un operatore situato altrove senza violare normative locali. Anche senza un trasferimento fisico dei dati, l’accesso remoto da un’altra giurisdizione può costituire un’esposizione.

Queste domande sono sempre più frequenti e influenzano direttamente le scelte aziendali. Di conseguenza, compliance e supervisione legale sono salite nelle priorità dei consigli di amministrazione, mentre i fornitori sono sottoposti a livelli di scrutinio molto più elevati.

Un segnale chiaro di questo cambiamento arriva dall’esperienza diretta: nell’ultimo anno, le richieste legate alla sovranità dei dati sono cresciute in modo significativo. In passato il tema veniva trattato marginalmente all’interno dei questionari di compliance, oggi molte organizzazioni richiedono documentazione dedicata esclusivamente a residenza dei dati, accessi transfrontalieri e modelli di controllo operativo.

Italia: regolamenti e opportunità

Anche in Italia il tema è sempre più centrale. La spinta arriva sia dal contesto europeo, con normative come GDPR e Digital Operational Resilience Act (DORA), sia da iniziative nazionali come il Polo Strategico Nazionale, che mira a rafforzare il controllo sui dati critici della Pubblica Amministrazione.

Le evidenze di mercato indicano che la maggior parte delle grandi aziende italiane considera oggi la residenza e il controllo dei dati criteri chiave nella scelta dei fornitori cloud. Parallelamente, cresce la domanda di soluzioni che garantiscano localizzazione in Europa o in Italia e maggiore trasparenza sugli accessi.

Per i manager, questo scenario rappresenta una duplice sfida: da un lato assicurare la conformità a un quadro normativo sempre più stringente, dall’altro utilizzare la compliance come leva per rafforzare la fiducia di clienti e partner.

L’importanza della compliance nei settori regolati

Nei settori altamente regolati, come quello finanziario, la sovranità dei dati assume un ruolo ancora più critico e viene affrontata nelle fasi iniziali dei progetti, prima ancora degli aspetti tecnici legati alle soluzioni.

Un contributo decisivo a questo cambiamento è arrivato dal DORA, che richiede alle istituzioni finanziarie di rafforzare e testare la propria resilienza rispetto ai rischi ICT e cyber, inclusi quelli derivanti dai fornitori tecnologici terzi.

L’adozione di piattaforme gestite comporta infatti una delega operativa significativa: le aziende non gestiscono più direttamente infrastrutture, aggiornamenti o interventi tecnici. Tuttavia, la responsabilità resta in capo all’organizzazione.

Se si verificano accessi da altre giurisdizioni, lacune nei log o mancanza di evidenze sui controlli, è l’azienda cliente – e non il provider – a doverne rispondere.

Inoltre, mentre i team IT sono generalmente a proprio agio con modelli di responsabilità condivisa e delivery distribuito, le funzioni legali e di compliance tendono ad avere una maggiore avversione al rischio. Questo ha creato in molte organizzazioni un disallineamento interno che i fornitori stanno cercando di colmare.

La compliance come elemento distintivo

In questo contesto, la compliance emerge come un vero fattore di differenziazione competitiva.

Di fronte a clienti sempre più attenti alla trasparenza, i fornitori investono in certificazioni, audit e framework di governance, integrandoli nella propria proposta di valore. Si tratta però di un impegno significativo: certificazioni da mantenere, verifiche periodiche e gestione delle richieste comportano costi rilevanti.

Per le aziende, diventa quindi essenziale adottare un approccio strutturato. Il primo passo è avere piena visibilità sui propri dati, sapere quali dati si possiedono, dove si trovano e chi può accedervi.

Governance e maturità organizzativa

Un altro elemento chiave è l’allineamento tra funzioni tecniche e compliance, affinché vi sia una visione condivisa di rischi e responsabilità. Allo stesso tempo, è fondamentale collaborare strettamente con i partner tecnologici per comprendere come i meccanismi di controllo vengano effettivamente implementati.

Il modo in cui questi aspetti vengono gestiti rappresenta spesso un indicatore della maturità complessiva dell’organizzazione.

Sebbene possa essere percepito come un ulteriore onere normativo, questo scenario può essere interpretato anche come un segnale di evoluzione del mercato cloud, in cui governance e supervisione stanno assumendo un ruolo sempre più centrale.

Uno sguardo al futuro

Il focus sulla sovranità dei dati potrebbe evolvere ulteriormente. Negli ultimi mesi stanno emergendo nuove richieste legate alla crittografia post-quantistica: non è ancora chiaro se si tratti di casi isolati o dell’inizio di una nuova fase regolatoria.

Ciò che è certo è che il mercato si sta adattando. I fornitori stanno investendo in maggiore chiarezza operativa, documentazione più strutturata, controlli di accesso più rigorosi e livelli più elevati di trasparenza.

Un’evoluzione che rappresenta, nel complesso, un segnale positivo per l’intero ecosistema.

L'articolo Governare i dati per competere: la nuova sfida strategica della compliance proviene da Data Manager Online.

Ho iniziato la mia carriera nel recruiting nel 2007, proprio quando LinkedIn iniziava a cambiare il modo in cui entravamo in contatto con i talenti. All’epoca sembrava un cambiamento epocale nel processo di assunzione, ma ciò a cui stiamo assistendo oggi con l’intelligenza artificiale ha una portata ancora più ampia.

La competenza nell’intelligenza artificiale sta passando da vantaggio specialistico a requisito di base. Non è più limitata a ingegneri o data scientist: oggi ogni funzione, dalle risorse umane alla finanza fino al marketing, richiede un certo livello di padronanza dell’AI. Si tratta di un cambiamento fondamentale nel mercato del lavoro e nel modo in cui noi, come recruiter, definiremo cosa significa essere “qualificati” in futuro.

Quali competenze definiranno l’employability nel 2026?

In generale, registriamo una crescente domanda di competenze in AI/ML, data fluency e prompt engineering. Queste competenze stanno diventando essenziali per ogni ruolo, non solo per quelli tecnici. In un recente report, la piattaforma di formazione online Udemy ha rilevato una crescente domanda di padronanza dell’AI e delle competenze adattive tra i suoi 17.000 clienti aziendali, con 11 milioni di iscrizioni ai corsi sulla GenAI registrate finora.

Allo stesso tempo, le attività operative e ripetitive (come l’elaborazione dei dati, la gestione dei registri e il supporto IT di base) saranno sempre più affidate ad agenti AI. I posti di lavoro non scompariranno necessariamente, ma si evolveranno. Le persone si concentreranno maggiormente su analisi, decisioni e creatività, piuttosto che su attività di routine.

Nel recruiting questo sta già accadendo. Stanno nascendo strumenti che semplificano la ricerca dei talenti, gestiscono i colloqui e migliorano l’esperienza dei candidati. Se utilizzata correttamente, l’intelligenza artificiale renderà senza dubbio il processo di selezione più efficiente e strategico.

Un passaggio al recruiting basato sulle competenze

Quando ho iniziato a occuparmi di recruiting, i primi criteri che consideravamo erano il titolo di studio e il percorso professionale. La situazione sta cambiando radicalmente. Le assunzioni si basano sempre più sulle competenze, poiché gli strumenti di intelligenza artificiale analizzano il curriculum sulla base delle competenze e valutano i candidati attraverso prove pratiche.

In Confluent ci stiamo adeguando a questo cambiamento investendo nelle competenze del nostro team sull’AI. Stiamo valutando strumenti che possano aiutarci a semplificare i processi e offrire ai responsabili delle assunzioni una maggiore visibilità. Stiamo inoltre lavorando all’automazione di fasi come l’interview intelligence e il candidate engagement, due ambiti in cui i ritardi possono facilmente accumularsi.

L’obiettivo non è sostituire i recruiter, ma supportarli e restituire loro tempo, affinché possano concentrarsi sulla componente umana del lavoro, come costruire fiducia, comprendere le persone e prendere decisioni di assunzione informate.

Ampliare il bacino dei talenti

Una delle principali sfide oggi è la carenza di talenti con competenze in ambito AI. Per affrontarla, dobbiamo ripensare il modo in cui individuiamo e valutiamo le persone.

Il Report del governo britannico “AI Skills for the Workforce” stima che colmare il divario di competenze nell’intelligenza artificiale potrebbe generare fino a 400 miliardi di sterline per l’economia entro il 2030. Questo evidenzia sia l’urgenza sia l’opportunità di ampliare l’accesso alla formazione e di evolvere i processi di selezione.

Dobbiamo smettere di basare le assunzioni esclusivamente sul titolo di studio e concentrarci sulle competenze dimostrabili. Questo può significare prendere in considerazione candidati provenienti da percorsi non tecnici, ma in grado di apportare prospettive preziose.

Le valutazioni basate su progetti, gli hackathon e le collaborazioni con le università saranno fondamentali. Ho notato che molti studenti utilizzano già agenti di AI per sviluppare o automatizzare le proprie attività accademiche. Anziché aspettare di imparare a usare l’intelligenza artificiale, la stanno già utilizzando. È proprio questo il tipo di iniziativa e padronanza che le organizzazioni dovrebbero ricercare.

I ruoli del 2026, e oltre

Entro il 2026 assisteremo alla nascita di nuove figure professionali legate alla governance dell’AI, al controllo qualità e alla collaborazione tra esseri umani e intelligenza artificiale. Con l’avanzare dell’automazione, i datori di lavoro attribuiscono sempre più valore alla supervisione umana, al ragionamento etico e alla capacità di giudizio, competenze che possono essere sviluppate in molti ambiti lavorativi diversi, non solo in quelli tecnici.

Le aziende avranno bisogno di responsabili della conformità e auditor in ambito AI per garantirne un uso responsabile. I prompt engineer e i content auditor perfezioneranno le interazioni e verificheranno l’accuratezza degli output. Emergeranno inoltre ruoli dedicati alla gestione dell’automazione, in cui le persone supervisioneranno sistemi agentici e coordineranno la collaborazione tra esseri umani e AI.

Queste figure contribuiranno a garantire che l’adozione dell’AI avvenga in modo etico, conforme ed efficace.

Ripensare cosa rende una persona un ottimo candidato

Se l’anno prossimo un’intelligenza artificiale dovesse farmi un colloquio per il mio stesso lavoro, non le interesserebbe quanto sono bravo a gestire fogli di calcolo per il recruiting o a organizzare i colloqui. Cercherebbe, invece, prove della mia capacità di gestire, governare e utilizzare strategicamente l’intelligenza artificiale nel recruiting.

È questa la direzione in cui stiamo andando: formare una forza lavoro pronta per l’intelligenza artificiale non significa solo trovare persone in grado di utilizzare efficacemente gli strumenti, ma anche individui capaci di lavorare in modo responsabile e creativo con essi e di adattarsi man mano che la tecnologia evolve.

L'articolo Come la competenza nell’AI plasmerà la forza lavoro nel 2026 proviene da Data Manager Online.

Il ruolo del moderno responsabile dei dati non è mai stato così complesso. In tutta l’area EMEA, i manager si trovano ad affrontare una molteplicità di sfide: dall’aumento dei tassi di interesse alle supply chain fragili, fino a una regolamentazione sempre più stringente, e ora anche alla forza dirompente dell’AI. Allo stesso tempo, le aspettative non sono mai state così elevate. Gli azionisti chiedono resilienza. I clienti chiedono immediatezza. I dipendenti cercano empowerment e senso di appartenenza.

Questo crea un divario sempre più ampio tra ambizione e capacità. Troppo spesso vedo leader IT ricorrere a soluzioni di breve termine che riducono costi o complessità nell’immediato, ma introducono fragilità nel lungo periodo.

Per questo sempre più realtà stanno ripensando le proprie organizzazioni dalla base. Con il data streaming in tempo reale che diventa il sistema nervoso critico dell’impresa moderna, i manager scelgono piattaforme capaci di evolvere insieme a loro integrando resilienza, governance e predisposizione all’AI nel core. Al contrario, i servizi che offrono solo funzionalità di base lasciano le organizzazioni esposte, prive di scalabilità, flessibilità e controllo.

I leader orientati al futuro non si chiedono più “Qual è l’opzione più economica?”, ma “Questa decisione ci sarà ancora utile tra qualche anno?”

I rischi del breve termine

Quando i budget sono limitati e il contesto economico è incerto, è naturale orientarsi verso soluzioni che appaiono efficienti nel breve periodo. Una fattura mensile più bassa o la promessa di funzionalità “sufficienti” possono sembrare una vittoria. Ma queste scelte spesso nascondono i costi reali che si accumulano nel tempo.

A volte utilizzo l’espressione “gratis come un cucciolo”. Non paghi all’inizio, ma poi devi nutrirlo, portarlo a spasso e prendertene cura ogni giorno. La tecnologia funziona allo stesso modo. Il costo della licenza è solo l’inizio. I costi maggiori arrivano dopo, nelle risorse necessarie per gestire, scalare e risolvere i problemi del sistema.

E spesso le lacune emergono solo quando si è già profondamente coinvolti. Servizi che inizialmente sembrano semplici tendono a escludere elementi essenziali: monitoraggio, riequilibrio, governance o persino un’interfaccia utente intuitiva. Prima o poi, i team si trovano ad aggiungere strumenti di terze parti o a gestire infrastrutture aggiuntive in autonomia. Quello che al primo giorno sembrava relativamente economico può finire per drenare risorse e rallentare l’innovazione.

Per questo incoraggio i manager a ragionare sia in termini di CapEx sia di OpEx. Non limitatevi a chiedere: “Quanto costa questo software?”, ma domandatevi: “Quanto costerà gestirlo? Quante persone serviranno per mantenerlo?” Solo sommando questi elementi si ottiene il quadro completo.

Costruire resilienza in mercati volatili

Non ci si può limitare a ottimizzare per l’oggi; occorre sapere di poter resistere agli shock di domani.

Prendiamo il settore finanziario. Le autorità di regolamentazione richiedono spesso che i sistemi critici possano operare senza interruzioni su più ambienti. Se il regolatore impone che i dati siano disponibili in un cloud e replicati in un altro entro un determinato intervallo di tempo, è necessario poter effettuare lo switch senza discontinuità. In pratica, significa gestire ambienti duplicati su diversi provider affinché, in caso di disservizio, clienti e dipendenti non se ne accorgano.

E non riguarda solo la finanza. Le aziende manifatturiere devono mantenere il flusso dei dati tra stabilimenti e cloud in più Paesi. I retailer devono rispettare normative in continua evoluzione sulla sovranità dei dati. Le telecomunicazioni devono garantire uptime a milioni di clienti.

Il termine “resilienza” è molto utilizzato, ma a ragione. È il cuscinetto che consente alle organizzazioni di adattarsi rapidamente, gestire il rischio e mantenere la fiducia dei clienti quando, inevitabilmente, si verifica l’imprevisto. Le soluzioni di breve periodo raramente offrono questo livello di solidità. Le piattaforme strategiche sì.

Prepararsi a un futuro guidato dall’AI

Se la resilienza è una protezione contro il rischio, l’innovazione è il motore della crescita. E oggi la forza più trasformativa dei modelli di business è l’AI. Ovunque, i manager si chiedono: come possiamo sfruttare l’AI in modo responsabile e come costruire le fondamenta dati che la rendano efficace?

L’AI è valida quanto i dati che utilizza. Dati mal governati, frammentati o non sicuri non solo compromettono i risultati, ma generano anche rischi reputazionali e normativi. Ritengo che le organizzazioni pronte per il futuro siano quelle che integrano governance, tracciabilità (lineage) e sicurezza nelle data foundation fin dall’inizio.

Lo vediamo in casi d’uso concreti. Nel retail, i motori di raccomandazione dipendono da dati puliti e affidabili. Nei servizi finanziari, il rilevamento delle frodi in tempo reale richiede flussi sicuri e a bassa latenza. Nel manifatturiero, l’ottimizzazione della supply chain si basa su flussi dati affidabili e transfrontalieri. Senza una solida governance e tracciabilità, nulla di tutto questo è sostenibile.

Fondamentale è anche la semplicità, tanto quanto la capacità tecnologica. Trasformare qualcosa di altamente tecnico in qualcosa di facile da usare consente a più team di lavorare direttamente sui dati, sperimentare più rapidamente e dare vita alle idee senza dipendere da colli di bottiglia specialistici. In un mondo in cui la velocità di innovazione definisce la competitività, questo livello di accessibilità è inestimabile.

Una mentalità di leadership che va oltre gli strumenti

Le scelte tecnologiche sono scelte di leadership. Non riguardano solo le funzionalità, ma dove allocare le risorse, come bilanciare il rischio e come prepararsi a ciò che verrà.

Quando parlo con i clienti, torno sempre alla stessa domanda: “Quale futuro state costruendo?” Se la risposta è il risparmio nel breve termine, il rischio è ritrovarsi con fondamenta fragili. Se la risposta è resilienza, adattabilità e innovazione, allora la strategia di investimento sarà molto diversa.

È anche qui che la partnership fa la differenza. Negli ultimi 11 anni in Confluent abbiamo imparato di cosa hanno bisogno i clienti e abbiamo integrato queste capacità nella piattaforma, così che non debbano reinventare continuamente la ruota.

I leader che considerano le piattaforme come partner strategici, e non semplici strumenti puntuali, acquisiscono la certezza che le proprie fondamenta continueranno a evolvere con le esigenze del mercato. Ed è questa fiducia che consente loro di concentrarsi sulla creazione di valore per i clienti, invece di spegnere incendi infrastrutturali.

Oltre il “good enough”: costruire per il futuro

Le pressioni che i manager nell’area EMEA affrontano sono reali e incessanti. La tentazione di ricorrere a soluzioni rapide è del tutto comprensibile. Ma la mia esperienza dimostra che raramente superano la prova del tempo. L’attuale contesto richiede non solo decisioni più rapide, ma decisioni migliori, radicate in resilienza, adattabilità e capacità di innovare.

Nelle conversazioni con i responsabili dei dati della Regione EMEA ho osservato un modello chiaro: i leader che stanno avanzando più velocemente non sono quelli che inseguono risparmi immediati. Sono quelli che compiono scelte ponderate e orientate al futuro, capaci di sostenerli nei prossimi cinque anni di disruption, non solo nei prossimi cinque trimestri.

Perché, in fondo, “good enough” raramente è davvero abbastanza.

L'articolo Fragili o pronti per il futuro? La scelta che oggi deve affrontare chi investe nel data streaming proviene da Data Manager Online.

In tutto il mondo, le organizzazioni stanno affrontando la sfida comune di dover fare più con meno. Questo è un punto critico nel settore sanitario, in Europa e in un Paese come l’Italia.

Assumere più personale o creare più strutture non è sufficiente per garantire l’efficienza del settore. L’ideale sarebbe adottare un modello di lavoro intelligente, che amplifichi la capacità dei team esistenti, ottimizzi le risorse e fornisca la giusta assistenza al momento opportuno.

Una soluzione è quella dello streaming dei dati in tempo reale. Trasformare il modo in cui le informazioni fluiscono attraverso i sistemi, offre ai medici il supporto di cui hanno bisogno per concentrarsi su ciò che conta di più: i pazienti.

La sanità è vicina a un punto di svolta

In Europa, i sistemi sanitari affrontano una contrazione demografica che si intensifica anno dopo anno. Entro il 2050, un europeo su tre avrà più di 60 anni e questo determinerà un forte aumento delle patologie croniche, di malattie complesse e della necessità di diagnosi regolari. Allo stesso tempo, il personale sanitario si sta riducendo e l’Organizzazione Mondiale della Sanità prevede un deficit di 4,1 milioni di operatori sanitari entro il 2030.

Parallelamente, assistiamo a un’accelerazione delle iniziative per la digitalizzazione della sanità. Ad esempio, recentemente è entrato in vigore lo Spazio europeo dei dati sanitari (EHDS), che consente ai dati dei pazienti di spostarsi in modo sicuro e in tempo reale tra i Paesi. Gli “ospedali intelligenti”, inoltre, stanno implementando sensori IoT e analisi predittive per ottimizzare il flusso dei pazienti e l’utilizzo delle attrezzature.

L’Europa è in una fase avanzata di digitalizzazione, ma deve garantire che le tecnologie riducano il carico sui medici e non che aggiungano un ulteriore livello di complessità.

I vecchi sistemi sanitari non saranno scalabili

Gran parte dei dati sanitari europei si trova in sistemi non progettati per le pressioni odierne. Le cartelle cliniche dei pazienti sono archiviate in ospedali, laboratori e strutture di assistenza primaria. I dati si spostano in batch durante la notte o tramite trasferimenti di file manuali, ma ogni ritardo significa che i pazienti aspettano più a lungo per delle risposte. Ogni passaggio manuale è un ulteriore carico di lavoro per un medico già impegnato.

I sistemi sanitari stanno cercando di modernizzarsi, ma i processi legacy rappresentano ancora un impedimento. Senza ripensare il modo in cui i dati si spostano, le nuove innovazioni rischiano di sovrapporsi a vecchi colli di bottiglia, creando più schermi e carichi di lavoro per il personale sanitario.

I dati in tempo reale come un moltiplicatore di forza

La risposta è rendere i dati sanitari più efficaci. Lo streaming dei dati in tempo reale agisce come un moltiplicatore di forza che amplifica ciò che i team possono ottenere, senza aumentare il carico di lavoro.

Lo streaming continuo dei dati dai dispositivi connessi consente di segnalare istantaneamente problemi come cambiamenti nei parametri vitali del paziente o errori di calibrazione delle apparecchiature. Lo stesso approccio sta trasformando la produzione di apparecchiature sanitarie, dove la telemetria dalle linee di produzione e dai dispositivi installati scorre in tempo reale, per migliorare il controllo qualità e accelerare i miglioramenti dei prodotti.

Allo stesso tempo, le piattaforme di streaming possono farsi strada nel rumore di vasti set di dati sanitari, facendo emergere solo ciò che richiede attenzione immediata. Elaborando i dati mentre sono ancora in movimento (l’elaborazione “shift-left”), gli operatori sanitari possono ridurre i costi generali dell’infrastruttura IT, liberando budget per servizi di prima linea e iniziative rivolte ai pazienti.

Un caso concreto

Un’organizzazione che sta già mostrando un esempio pratico è Siemens Healthineers. Ogni giorno, milioni di pazienti in tutto il mondo si affidano alle sue apparecchiature diagnostiche avanzate per rilevare e trattare condizioni potenzialmente letali. Eppure, dietro queste tecnologie si nascondeva un ambiente dati frammentato. I dati di produzione, la telemetria del dispositivo e le informazioni sull’utilizzo ospedaliero venivano archiviati in silos separati, uniti insieme tramite processi manuali e trasferimenti batch.

Collaborando con Confluent, Siemens Healthineers ha creato un sistema di dati unificato, che collega in tempo reale gli impianti di produzione con i dispositivi installati negli ospedali. Invece di attendere che i dati vengano caricati, ripuliti ed elaborati in blocco, le informazioni ora fluiscono continuamente nei sistemi, con oltre otto milioni di messaggi elaborati ogni giorno.

L’impatto è stato trasformativo. La manutenzione predittiva ora consente di riparare le macchine per la risonanza magnetica e TC prima che si verifichino guasti. L’elaborazione dei dati, mentre sono ancora in movimento, ha ridotto drasticamente i costi di data warehousing. Inoltre, rilevando immediatamente le anomalie in fabbrica, Siemens è stata in grado di migliorare la qualità della produzione fin dall’inizio, garantendo che i dispositivi siano più affidabili nel momento in cui lasciano la linea di produzione.

Per i medici, questo si traduce in apparecchiature di cui possono fidarsi per fornire risultati accurati. Per i pazienti, questo significa diagnosi più rapide, meno appuntamenti riprogrammati e, in definitiva, risultati migliori.

Una sanità AI-native per l’Europa

I dati in tempo reale non rappresentano il traguardo della trasformazione nel settore sanitario. Una volta che i dati scorrono in modo fluido e sicuro, è il momento della fase successiva: l’intelligenza artificiale.

I modelli di intelligenza artificiale sono in grado di rilevare sottili cambiamenti nelle immagini diagnostiche che altrimenti potrebbero passare inosservati, fornire avvisi tempestivi sul peggioramento del paziente e aiutare gli ospedali a orchestrare la logistica in modo da rendere l’assistenza più rapida ed efficiente.

Queste funzionalità stanno iniziando ad apparire in contesti clinici. Ma funzionano solo se alimentati con dati tempestivi e di alta qualità. Senza solide pipeline di streaming, l’intelligenza artificiale rischia di rimanere un esercizio teorico piuttosto che una risorsa clinica pratica.

Il futuro è un sistema sanitario in cui i medici saranno supportati da strumenti AI-native, i pazienti riceveranno cure più rapide e più personalizzate e i sistemi sanitari potranno operare con l’agilità necessaria per resistere alle pressioni demografiche.

Fare di più grazie ai dati

Grazie allo streaming dei dati in tempo reale, è possibile aiutare i team sanitari a fare di più con le risorse di cui già dispongono. Possono liberarsi dalle attività di routine, garantire che le apparecchiature siano sempre affidabili e ottenere informazioni approfondite nel momento in cui sono necessarie.

Se si vuole fare di più con meno, bisogna lasciare che siano i dati a fare il lavoro pesante.

L'articolo Pochi dottori, molti pazienti: come i dati in tempo reale potrebbero supportare la sanità in Europa e Italia proviene da Data Manager Online.

Confluent, pioniere dello streaming di dati, annuncia “Sell With Confluent”, il nuovo programma dedicato ai reseller che offre ai system integrator tutto ciò di cui hanno bisogno per incrementare le vendite e far crescere le proprie attività nel mercato delle piattaforme di data streaming. Il programma è semplice e offrirà preventivi automatizzati, approvazioni immediate e fondi di co-marketing per alimentare la crescita. I partner di Confluent possono così ampliare rapidamente le proprie attività legate allo streaming di dati e soddisfare le esigenze dei clienti grazie a soluzioni in tempo reale.

Secondo il Data Streaming Report 2025, lo streaming dei dati è un’importante priorità strategica per l’86% dei responsabili IT. È una tecnologia cruciale per la maggior parte delle aziende moderne e crea un’enorme opportunità per i system integrator, che possono soddisfare la domanda dei clienti e guidare il mercato con soluzioni in tempo reale. Tuttavia, i modelli tradizionali frenano i rivenditori a causa di processi di approvazione complessi, strutture di incentivi poco chiare e cicli di trattativa lunghi. “Sell ​​With Confluent” affronta queste sfide fornendo ai partner gli strumenti e le competenze per vendere più velocemente e acquisire quote di mercato.

“I nostri partner sono consapevoli che le aziende hanno bisogno di una piattaforma di streaming dei dati e vedono la domanda crescere ogni giorno”. Afferma Kamal Brar, Senior Vice President, Partners and Technology Group di Confluent. “Sell With Confluent risolve il problema delle approvazioni lente, dei prezzi poco chiari e dei processi complicati. Lo abbiamo reso semplice, per permettere al nostro ecosistema di partner di poter sfruttare questa opportunità”.

“Il mercato EMEA sta subendo una rapida trasformazione e il nostro nuovo programma dedicato ai reseller consente ai partner in tutta la Regione di soddisfare le esigenze di un mercato in continua evoluzione. Con le organizzazioni che stanno affrontando le complessità dei dati in tempo reale e dell’intelligenza artificiale in un contesto normativo diversificato, stiamo ampliando la nostra rete di esperti certificati a livello nazionale per consentire ai clienti di sbloccare il valore trasformativo e le informazioni ricavate dai dati”, ha aggiunto Radhika Kapur, Area Vice president, Partners and Technology Group, EMEA di Confluent.

Potenziare i partner con il Data Streaming

“Sell ​​With Confluent” si basa su tre pilastri progettati per aiutare i system integrator a chiudere i contratti più velocemente, guadagnare di più su ogni transazione e ampliare le practice di data streaming con fiducia:

• Più profittabilità e incentivi. Confluent ha ristrutturato lo schema di premi per garantire che i partner siano altamente ricompensati in caso di chiusura degli accordi. Questo crea l’opportunità per offrire ai clienti sconti a due cifre, altamente competitivi sul mercato.
• Automazione ad alta velocità. Nuovi strumenti di quotazione self-service consentono di generare preventivi istantanei, con sconti applicati automaticamente. I partner beneficiano inoltre della protezione dei deal, per la salvaguardia delle rispettive opportunità. Questo garantisce che gli investimenti nella pipeline siano sicuri.
• Marketing strategico e investimenti congiunti. Il Business Investment Fund (BIF) fornisce l’accesso a fondi di coinvestimento per attività di marketing che includono workshop, eventi locali e programmi per il coinvolgimento dei clienti. I partner possono sfruttare playbook locali predefiniti per massimizzare la rilevanza e l’impatto nella propria area.

L'articolo Confluent presenta il nuovo programma di canale “Sell With Confluent” proviene da Data Manager Online.

Confluent, pioniere dello streaming di dati, annuncia nuove funzionalità di Confluent Intelligence che collegano agenti di intelligenza artificiale (AI) e permettono analisi dei dati più accurate e intelligenti.

Gli agenti di streaming di Confluent utilizzano il protocollo Agent2Agent (A2A) per attivare e coordinare agenti di AI esterni tramite flussi di dati in tempo reale, semplificando la connessione tra sistemi di AI all’interno dell’azienda. Il rilevamento di anomalie multivariato analizza più metriche per individuare automaticamente pattern insoliti nei flussi di dati, aiutando i team a prevenire i problemi con maggiore accuratezza, prima che causino interruzioni del servizio o impatti a valle. Insieme, queste funzionalità danno vita a sistemi di AI intelligenti e sensibili al contesto, in grado di adattarsi al mutare dei dati, degli agenti e delle condizioni aziendali.

“Se vuoi essere competitivo, la tua AI non può limitarsi a guardare nello specchietto retrovisore”, ha dichiarato Sean Falconer, Head of AI di Confluent. “Hai bisogno di un sistema di agenti AI che lavorino insieme e che apprendano e condividano costantemente insight in tempo reale. Confluent Intelligence connette gli investimenti e i sistemi di AI dei team, indipendentemente da dove siano stati sviluppati, così che l’AI possa reagire automaticamente ai dati in tempo reale, intraprendere azioni, coordinare i sistemi ed effettuare l’escalation ai membri del team quando necessario”.

Creare ecosistemi di agenti collaborativi

Le aziende si rivolgono sempre più spesso agli AI agent per automatizzare le decisioni e gestire attività sempre più complesse. Secondo l’IDC FutureScape: Worldwide Future of Work 2026 Predictions, “Entro il 2026, il 40% di tutti i ruoli lavorativi nelle G2000 comporterà la collaborazione con agenti AI, ridefinendo le tradizionali posizioni entry-, mid-, e senior-level. E anche questa è probabilmente una stima prudente. Tuttavia, con la diffusione degli agenti tra strumenti e sistemi diversi, la maggior parte di loro opera in modo isolato. Se gli agenti non sono in grado di comunicare tra loro o condividere il contesto a livello aziendale, gli insight restano intrappolati in silos e le decisioni risultano frammentate.

Streaming Agents di Confluent risolve questo problema collegando gli AI agent ai dati in tempo reale tramite il Model Context Protocol (MCP) di Anthropic e agli altri agenti tramite il protocollo A2A. Insieme, questi strumenti possono analizzare continuamente le informazioni provenienti da framework per agenti come LangChain, piattaforme dati come BigQuery, Snowflake e Databricks, generare insight e quindi attivare piattaforme di IA aziendali come ServiceNow e i flussi di lavoro di Salesforce per intraprendere azioni immediate, riducendo il divario tra insight ed execution.

Collegando questi sistemi, l’analisi a livello di flusso si trasforma in un approccio “dall’insight all’azione”, generando l’intelligenza in tempo reale necessaria per adattarsi rapidamente ai cambiamenti delle esigenze di business.

Con il supporto A2A in Streaming Agents i team possono:

• Creare AI agent più intelligenti e riutilizzabili: alimentare agenti e sistemi esistenti con contesto aggiornato da Confluent, in modo che possano rispondere in maniera asincrona agli eventi e intraprendere ulteriori azioni.
• Sbloccare la comunicazione tra agenti e garantire tracciabilità: registrare ogni azione degli agenti in un log immutabile per audit e replay. Sfruttare Apache Kafka® per orchestrare la comunicazione tra agenti e riutilizzare i risultati degli agenti in altri agenti e sistemi.
• Centralizzare orchestrazione e governance in un unico luogo: Streaming Agents funge da orchestratore, mentre Confluent assicura governance, sicurezza e osservabilità end-to-end per tutte le interazioni tra agenti.

I team di tutti i settori possono sfruttare il supporto A2A in Streaming Agents per aumentare i ricavi, ridurre i rischi e contenere i costi. Streaming Agents può personalizzare le offerte nel retail, ridurre il rischio di credito nei servizi finanziari, automatizzare le raccomandazioni di cura in ambito sanitario, prevedere la manutenzione nella produzione e intervenire proattivamente per risolvere interruzioni nei servizi di telecomunicazione. Il supporto A2A in Streaming Agents è ora disponibile in Open Preview.

Agire sui segnali in tempo reale ed eliminare i punti ciechi

Le aziende generano oggi più dati che mai, ma spesso faticano a distinguere cosa sia importante e cosa possa essere ignorato. Il rilevamento delle anomalie mette in luce minacce e opportunità che nessun essere umano potrebbe individuare da solo.

Il tradizionale rilevamento delle anomalie analizza spesso le metriche in isolamento e si limita a un’analisi batch su dati storici. Basandosi su semplici valori statistici di riferimento, questi sistemi risultano molto sensibili al rumore, ai picchi e ai dati errati. Senza contesto, possono generare falsi positivi e di solito evidenziano i problemi solo dopo che hanno già avuto un impatto negativo sul sistema.

Multivariate Anomaly Detection di Confluent analizza metriche correlate per ridurre i falsi positivi e individuare più rapidamente i problemi reali. Consente ai team di rilevare anomalie su più metriche ignorando i valori anomali, garantendo maggiore accuratezza nel monitoraggio di dati complessi. I team possono iniziare a usare Multivariate Anomaly Detection immediatamente, senza dover costruire o aggiornare il modello, che apprende automaticamente man mano che i dati cambiano.

Inoltre, i team possono:

• Comprendere lo stato di salute di un sistema: gli strumenti tradizionali di rilevamento anomalie si basano sulle medie, facilmente distorte da picchi casuali nei dati. Multivariate Anomaly Detection utilizza il machine learning che reagisce e apprende dai dati in tempo reale dei team, ignorando anomalie isolate e fornendo una comprensione più accurata del funzionamento dei sistemi.
• Riconoscere problemi e pattern complessi: Multivariate Anomaly Detection di Confluent analizza più metriche insieme come un gruppo unificato, come ad esempio CPU, memoria e latenza combinate, invece di considerarle singolarmente, per individuare schemi nascosti. In questo modo, i team possono scoprire problemi complessi che altrimenti verrebbero trascurati se si guardassero solo metriche isolate.
• Agire automaticamente: misurando continuamente quanto i nuovi dati si discostano dal “normale reale”, i valori che deviano eccessivamente vengono immediatamente segnalati come anomalie.

L'articolo Confluent Intelligence: i dati alimentano l’intelligenza artificiale in tempo reale proviene da Data Manager Online.

Di intelligenza artificiale si parla moltissimo. Ma, al di là dell’hype, due tecnologie stanno ridefinendo il modo in cui le aziende operano: l’AI agentica e il data streaming.

Dopo anni di preparazione, tecnologia, standard e curve di adozione stanno finalmente convergendo. Lo streaming sta diventando rapidamente il sistema nervoso in tempo reale del business moderno. Se lo combiniamo con sistemi di AI in grado di ragionare e agire in modo indipendente, abbiamo la ricetta per un’automazione intelligente in modi che non possiamo ancora nemmeno immaginare.

La tecnologia c’è. L’ambizione anche. Ecco perché credo che il 2026 sarà l’anno in cui l’automazione decollerà davvero.

Perché lo streaming cambia le regole del gioco

Tradizionalmente, l’AI ha prodotto raccomandazioni statiche basate su dati batch che possono diventare rapidamente obsoleti. L’analisi può anche essere accurata, ma quando emerge, spesso il momento è già passato. Il processo decisionale resta umano e i processi rimangono disconnessi.

L’AI agentica è diversa. Pianifica, decide e agisce in modo autonomo. Ciò significa consumare i dati nel momento in cui vengono creati, comprenderli nel loro contesto e usarli per prendere decisioni in tempo reale.

Ma il passaggio da AI come strumento di insight ad AI come vero e proprio agente non è semplice. Gli agenti hanno bisogno di accesso continuo a dati di alta qualità e in tempo reale. Tuttavia, molte organizzazioni si affidano ancora a integrazioni frammentate e fragili che limitano autonomia e consapevolezza. Il forte accoppiamento tra agenti, dati e strumenti crea architetture delicate e difficili da far evolvere, mentre garantire trasparenza e governance diventa più complesso man mano che gli agenti iniziano ad agire indipendentemente.

Ed è qui che lo streaming cambia davvero le regole del gioco. Fornisce un flusso costante di dati che offre agli agenti una visione in tempo reale di ciò che accade nell’organizzazione. Con questa visibilità possono, ad esempio, rilevare frodi in millisecondi, reindirizzare consegne o regolare la produzione energetica in modo dinamico.

Ancora più importante, quando gli agenti possono tracciare l’origine dei dati, rivedere come è stata presa una decisione e spiegare la logica che c’è dietro, passano da semplici esperimenti a veri decisori affidabili. Questa trasparenza è parte integrante della natura stessa dei sistemi di data streaming. Ogni evento è registrato, soggetto a revisione e verificabile, fornendo le basi di accountability necessarie all’automazione.

Scalare l’AI agentica

La grande domanda per le organizzazioni, quest’anno, sarà come passare dalla sperimentazione alla scala. Scalare l’AI agentica nelle imprese dipenderà da tre fattori: quanto facilmente gli agenti possono comunicare tra loro, quanto rapidamente possono agire e quanto ci si può fidare di loro.
È entusiasmante vedere la velocità con cui sta avvenendo la standardizzazione. Dopo anni di frammentazione, nuovi protocolli di comunicazione multi-agente, come il Model Context Protocol di Anthropic o il framework Agent-to-Agent di Google, permettono ai sistemi di AI di condividere contesto e coordinare azioni tra piattaforme diverse. Lo streaming fornisce a questi scambi una struttura in real-time, con un flusso costante di dati che consente agli agenti di collaborare invece di lavorare in isolamento.

Anche l’openness sta seguendo la stessa direzione. Un ecosistema crescente di framework open source, da AutoGen e LangChain a LlamaIndex, sta rendendo più facile per i team costruire e perfezionare i propri workflow agentici. Lo streaming collega questi framework a dati live e affidabili, consentendo un’innovazione continua, non limitata a esperimenti isolati.

E nulla di tutto questo funziona senza fiducia. Gli agenti sono affidabili solo quanto l’informazione che consumano. Ridurre le allucinazioni e mantenere insight rilevanti dipende da solidi data contract, chiara tracciabilità e governance in tempo reale. Ancora una volta, esattamente ciò per cui sono stati progettati i sistemi di streaming.

Dove l’AI agentica incontra il mondo reale

Stiamo già vedendo cosa è possibile quando l’AI agentica incontra dati live provenienti dallo streaming nel mondo reale.

Nei servizi finanziari, per esempio, gli agenti possono valutare le transazioni mentre avvengono, combinando contesto storico e segnali in tempo reale per individuare attività sospette in millisecondi. Ogni evento può essere valutato, gestito e reintrodotto nel sistema per l’apprendimento continuo. Un livello di vigilanza impossibile da eguagliare per un team umano.

Il retail e l’e-commerce stanno utilizzando gli stessi principi per trasformare la customer experience. Gli agenti analizzano i dati di navigazione mentre vengono generati, adattando raccomandazioni, offerte o prezzi in tempo reale. La Retrieval-Augmented Generation (RAG) li mantiene ancorati a un contesto reale e aggiornato, che si tratti di un assistente di viaggio che controlla dati di volo reali o di un bot di shopping che risponde alla disponibilità effettiva dei prodotti.

Perfino il settore pubblico, a lungo frenato da sistemi legacy e burocrazia, sta iniziando a vedere il potenziale dell’AI agentica. Le interminabili code, moduli e procedure potrebbero finalmente lasciare spazio a una risposta in tempo reale, con agenti che gestiscono le richieste di routine, liberando le persone per concentrarsi sugli aspetti umani del servizio pubblico.

Prepararsi al 2026

L’automazione non arriverà d’un colpo. Sarà una trasformazione graduale costruita attraverso passi deliberati, e la maggior parte di questi parte dai dati giusti.

Metà della sfida è decidere quali problemi vale davvero la pena risolvere. L’altra metà è assicurarsi che i dati siano accurati, accessibili e pronti per l’uso in tempo reale. Questo significa modernizzare l’architettura, aprire i sistemi e mettere insieme le persone giuste.

Le organizzazioni che guideranno nel 2026 stanno già facendo bene quattro cose:

1. Si stanno muovendo verso architetture event-driven e basate sullo streaming, rendendo i dati in tempo reale una capacità centrale;
2. Stanno connettendo i propri sistemi invece di mantenerli isolati;
3. Stanno costruendo team cross-funzionali che uniscono competenze di dati, engineering e business;
4. E stanno iniziando in piccolo, imparando velocemente e scalando ciò che funziona.

Lo streaming ha posto le fondamenta, l’AI ha fornito l’intelligenza. Insieme, stanno preparando il terreno per la prossima generazione di automazione nel 2026, e oltre.

L'articolo Quando lo streaming incontra l’AI agentica: perché il 2026 sarà l’anno dell’automazione proviene da Data Manager Online.

Confluent, pioniere nel data streaming, annuncia oggi la disponibilità generale (GA) delle integrazioni con Delta Lake e Databricks Unity Catalog all’interno di Confluent Tableflow, insieme alla disponibilità in Early Access (EA) su Microsoft OneLake. I miglioramenti rendono Tableflow una soluzione end-to-end completamente gestita, capace di connettere sistemi operativi, analitici e di intelligenza artificiale (AI) in ambienti ibridi e multicloud. Confluent consente ora di trasferire i topic Apache Kafka® direttamente in tabelle Delta Lake o Apache Iceberg, con controlli di qualità automatizzati, sincronizzazione dei cataloghi e sicurezza di livello enterprise.

Tableflow ha sin da subito rivoluzionato il modo in cui le organizzazioni beneficiano di dati in streaming pronti per l’analytics, eliminando i fragili processi ETL e le integrazioni manuali, con i Lakehouse che rallentano i team. Grazie alle integrazioni Delta Lake e Unity Catalog e al nuovo supporto Tableflow per OneLake, Confluent amplia ulteriormente la propria presenza multicloud. Questi aggiornamenti offrono una soluzione unificata che collega i dati in tempo reale con quelli analitici, garantendo al contempo una governance di livello enterprise. In questo modo diventa ancora più semplice creare analytics e applicazioni AI in tempo reale, capaci di dare un vantaggio competitivo alle aziende.

“I clienti desiderano sfruttare al meglio i propri dati in tempo reale, ma il divario tra streaming e analytics li ha sempre frenati”, afferma Shaun Clowes, Chief Product Officer di Confluent. “Con Tableflow colmiamo finalmente questa differenza, rendendo semplice collegare Kafka direttamente ai lakehouse governati. Il risultato sono dati di alta qualità, pronti per l’analytics e l’intelligenza artificiale, dal momento della loro creazione.”

Pronto per la produzione su scala enterprise

La release introduce nuove funzionalità di livello enterprise che fanno di Tableflow una delle soluzioni stream-to-table più complete, affidabili e sicure oggi disponibili, consentendo alle organizzazioni di:

• Semplificare l’analytics. Il supporto a Delta Lake (GA) converte i topic Kafka direttamente in tabelle Delta Lake archiviate in cloud object storage (Amazon S3 o Azure Data Lake Storage). È possibile abilitare contemporaneamente i formati Delta Lake e Iceberg per singolo topic, garantendo analytics flessibili e cross-format.
• Unificare la governance. Il supporto a Unity Catalog (GA) sincronizza automaticamente metadati, schemi e policy di accesso tra Tableflow e Databricks Unity Catalog, assicurando una governance centralizzata e una gestione coerente dei dati.
• Aumentare l’affidabilità. Dead Letter Queue cattura e isola i record danneggiati senza interrompere il flusso dei dati. Questo sistema di gestione degli errori, basato su schema, offre trasparenza, recupero rapido e qualità dei dati costante.
• Ridurre tempi e complessità. La funzionalità Upsert aggiorna e inserisce automaticamente i record al variare dei dati, mantenendo le tabelle Delta Lake e Iceberg coerenti, deduplicate e sempre pronte per l’analytics, senza bisogno di manutenzione manuale.
• Rafforzare la sicurezza. Bring Your Own Key estende a Tableflow le chiavi di cifratura gestite dal cliente, offrendo pieno controllo sui dati a riposo. Questo garantisce compliance per settori regolamentati come servizi finanziari, sanità e pubblica amministrazione.

Oltre alle funzionalità già presenti – come l’evoluzione degli schemi, la compattazione, la manutenzione automatica delle tabelle e le integrazioni con Apache Iceberg, AWS Glue e Snowflake Open Catalog – Tableflow rappresenta una base completa per i team che necessitano di dati in streaming immediatamente pronti per l’analytics, governati e resilienti.

“In Attune, il centro della nostra missione è fornire insight in tempo reale dai dati IoT degli smart building”, racconta David Kinney, Principal Solutions Architect di Attune. “Con pochi clic, Confluent Tableflow ci permette di trasformare i topic Kafka più importanti in tabelle affidabili e pronte per l’analitycs, garantendoci una visione precisa del coinvolgimento dei clienti e del comportamento dei dispositivi. Questi dataset di alta qualità alimentano analytics, modelli di machine learning e applicazioni di intelligenza artificiale generativa, tutti costruiti su una base dati solida. Tableflow ha semplificato la nostra architettura dati e aperto nuove possibilità di valorizzazione dei dati stessi.”

Ora disponibile su Microsoft OneLake

Tableflow è ora disponibile in EA su Azure, integrato con Microsoft OneLake, ampliando la sua presenza e offrendo ai clienti maggiore flessibilità nei deployment multicloud. Una novità particolarmente rilevante per le organizzazioni che utilizzano Azure Databricks e Microsoft Fabric, dove le integrazioni con Delta Lake e Unity Catalog sono ora pienamente supportate. Insieme, offrono un’esperienza di analytics governata e senza soluzione di continuità, dai flussi di dati in tempo reale ai lakehouse nel cloud.

Oggi i clienti possono:

• Accelerare il time-to-insight. Materializzare istantaneamente i topic Kafka come tabelle aperte in Microsoft OneLake e interrogarle da Microsoft Fabric o da qualsiasi altro strumento tramite le API OneLake Table, senza ETL o gestione manuale degli schemi.
• Eliminare complessità e costi operativi. Automatizzare la mappatura degli schemi, la type conversion e la manutenzione delle tabelle per i dati in streaming, garantendo governance e affidabilità nei flussi di lavoro analytics nativi di Azure.
• Abilitare AI e analytics su Azure. Integrarsi facilmente con i servizi di analytics e intelligenza artificiale di Azure tramite le API OneLake Table, per ottenere insight in tempo reale e gestire i deployment con semplicità attraverso Confluent Cloud UI, CLI o Terraform.

La release EA rappresenta una tappa cruciale nell’espansione della presenza multicloud di Tableflow e nel rafforzamento della collaborazione tra Confluent, Microsoft e Databricks.

“L’accesso ai dati real-time è essenziale per permettere ai clienti di prendere decisioni rapide e accurate”, sottolinea Dipti Borkar, Vice President and GM, Microsoft OneLake and ISV Ecosystem. “Con Tableflow di Confluent ora disponibile su Microsoft Azure, i clienti possono trasmettere eventi Kafka a OneLake come tabelle Apache Iceberg o Delta Lake e interrogarle istantaneamente tramite Microsoft Fabric e i principali motori di terze parti, grazie alle API OneLake Table. Un approccio che riduce la complessità e accelera il processo decisionale.”

L'articolo Confluent espande Tableflow e potenzia l’analytics in tempo reale e l’intelligenza artificiale sui cloud proviene da Data Manager Online.