Parte della risposta risiede nel modo in cui le aziende applicano l’AI. Troppo spesso, l’AI viene considerata un investimento tecnologico a sé stante, piuttosto che una capacità in grado di migliorare il processo decisionale, rafforzare le operazioni e generare risultati di business misurabili. Man mano che le organizzazioni adottano più sistemi basati sull’AI, le prestazioni e la resilienza di tali sistemi diventano sempre più legate ai ricavi, alla customer experience e alla reputazione del brand. Quando la tecnologia fallisce, l’impatto si fa sentire ben oltre il reparto IT.

Allo stesso tempo, l’adozione dell’AI continua ad accelerare. Deloitte riporta che il 65% delle aziende include ora l’AI nella propria strategia aziendale. Eppure, nonostante questo slancio, molte aziende sono ancora alla ricerca di modi per tradurre gli investimenti in AI in un valore aziendale significativo. Per farlo, i leader hanno bisogno di una comprensione più chiara di come le prestazioni della tecnologia influenzino i sistemi, i servizi e la customer experience che sono alla base del successo commerciale. È in questo contesto che l’intelligence in tempo reale assume un’importanza sempre maggiore.

Il crescente legame tra tecnologia e performance aziendali

Un tempo, le performance tecnologiche erano considerate una questione prettamente informatica. Oggi, sono una questione aziendale.

Con la digitalizzazione delle organizzazioni, i sistemi che supportano le interazioni con i clienti, le transazioni e i servizi sono diventati fattori critici per la generazione di ricavi. Quando questi sistemi rallentano o falliscono, le conseguenze possono essere immediate: perdita di fatturato, clienti insoddisfatti e danni alla brand reputation.

Questo cambiamento sta modificando le aspettative nei confronti dell’intelligenza artificiale. Le aziende non cercano più solo guadagni in termini di efficienza. Vogliono che l’AI supporti l’innovazione, migliori l’affidabilità e contribuisca a offrire esperienze migliori ai clienti. Dopotutto, i clienti non percepiscono la complessità di un servizio digitale. Ne sperimentano solo il funzionamento.

È qui che l’osservabilità basata sull’AI può svolgere un ruolo importante. Fornendo una maggiore visibilità su sistemi e operazioni, le aziende possono identificare i problemi in anticipo, comprenderne il potenziale impatto e rispondere in modo più efficace. L’agentic AI fa un ulteriore passo avanti, aiutando i team ad automatizzare le attività di monitoraggio e risoluzione dei problemi di routine, consentendo ai dipendenti di concentrarsi sul processo decisionale strategico e su attività a maggior valore aggiunto.

In definitiva, le organizzazioni che non hanno visibilità sulle proprie operazioni rischiano di rimanere indietro. La capacità di rilevare e risolvere i problemi prima che i clienti ne risentano sta diventando un fattore chiave di differenziazione. L’intelligence in tempo reale contribuisce a rendere tutto ciò possibile, fornendo ai leader un quadro più chiaro di come le prestazioni tecnologiche influenzino i risultati aziendali più ampi.

Passare da operazioni reattive a processi decisionali in tempo reale

Molte organizzazioni operano ancora in modo reattivo per quanto riguarda le prestazioni tecnologiche. I problemi vengono spesso scoperti solo dopo che hanno interrotto i servizi o colpito i clienti.

L’intelligence in tempo reale contribuisce a spostare questo approccio da reattivo a proattivo. Invece di limitarsi a rispondere agli incidenti, le organizzazioni possono identificare i rischi in anticipo, prevedere potenziali problemi e agire prima che si verifichino interruzioni.

I vantaggi vanno oltre la semplice ricezione di avvisi più rapidi. Quando emerge un problema, le aziende devono capire non solo cosa è successo, ma anche perché è successo, quali sistemi sono interessati e quale azione intraprendere successivamente. Le moderne piattaforme di osservabilità possono aiutare i team a eseguire analisi delle cause alla base molto più rapidamente, riducendo i tempi di inattività e accelerando la risoluzione.

Questo livello di comprensione più profondo diventa sempre più importante man mano che gli ambienti tecnologici si fanno più complessi. Non è più sufficiente che i sistemi segnalino un malfunzionamento. Le aziende hanno bisogno di contesto.

Quando l’intelligenza artificiale viene integrata nei flussi di lavoro e nelle funzioni aziendali, può collegare i segnali tecnici con i risultati operativi e commerciali. Questo aiuta le organizzazioni a capire in che modo le prestazioni tecnologiche influenzano clienti, dipendenti e flussi di entrate, consentendo decisioni più rapide e informate. In altre parole, l’intelligence in tempo reale non è solo monitoraggio dei sistemi. Si tratta di fornire ai leader le informazioni di cui hanno bisogno per prendere decisioni di business migliori.

Trasformare la visibilità in impatti di business misurabili

Avere visibilità sui sistemi è importante, ma la sola visibilità non basta. Il vero valore deriva dalla comprensione di come le prestazioni tecnologiche influiscano sui risultati di business.

Per raggiungere questo obiettivo, le organizzazioni necessitano di una visione unificata delle proprie operazioni. In assenza di tale visione, i team tendono a lavorare a compartimenti stagni, rendendo più difficile individuare i rischi, stabilire le priorità di intervento e comprendere l’impatto più ampio dei problemi tecnologici.

Il settore dell’aviazione offre un esempio significativo. Ogni giorno, milioni di passeggeri si affidano alla tecnologia che supporta i sistemi di prenotazione, le procedure di check-in, la gestione dei bagagli e le operazioni di volo. Quando si verifica un problema, le ripercussioni possono propagarsi rapidamente all’intera attività aziendale.

Grazie a una piattaforma di osservabilità, i team delle compagnie aeree possono vedere come i problemi tecnologici incidano su metriche aziendali chiave, quali la puntualità di partenze e arrivi e i tassi di completamento del check-in digitale. Ciò consente di dare priorità alle azioni in base all’impatto sul business, anziché alla sola gravità tecnica del problema, migliorando così sia la resilienza operativa che l’esperienza del cliente.

Lo stesso principio vale per tutti i settori. Man mano che la tecnologia assume un ruolo sempre più centrale nelle prestazioni aziendali, le organizzazioni necessitano di strumenti in grado di collegare i dati operativi ai risultati commerciali. È proprio in questo ambito che l’intelligenza artificiale può andare oltre il semplice incremento dell’efficienza e iniziare a generare un valore misurabile.

Dall’insight all’azione

Le aziende che continuano a considerare la tecnologia come una semplice funzione di back-office rischiano di perdere un’opportunità significativa.

Molte organizzazioni stanno comprendendo sempre più che le prestazioni tecnologiche, la customer experience e i risultati di business sono profondamente interconnessi. Con la crescente adozione dell’AI, la capacità di comprendere tali connessioni e di agire di conseguenza diventerà ancora più cruciale.

L’agentic AI sta contribuendo ad accelerare questa trasformazione, consentendo alle organizzazioni di ottenere visibilità in tempo reale sui sistemi, automatizzare le attività di routine e rispondere alle problematiche in modo più efficace. Invece di affidarsi esclusivamente all’intervento manuale, i team possono concentrarsi sulle priorità strategiche, mentre l’AI aiuta a gestire la complessità dei moderni ambienti tecnologici.

In definitiva, le organizzazioni che otterranno i maggiori vantaggi dall’AI saranno quelle capaci di utilizzarla per migliorare i processi decisionali, rafforzare la resilienza e offrire una customer experience superiore. L’intelligence in tempo reale costituisce la base di questo approccio, aiutando le aziende a trasformare gli insight in azioni concrete e gli investimenti in AI in un impatto aziendale misurabile.

Articolo a cura di Philippe Deblois, Global Vice President, Solutions Engineering, Dynatrace

L'articolo Come l’intelligenza basata sull’AI sta trasformando le performance aziendali proviene da Data Manager Online.

Gli agenti autonomi rappresentano una nuova svolta nell’intelligenza artificiale. Mentre il dibattito globale verte sempre più spesso sull’affidabilità dell’AI e sulla sua implementazione responsabile, la vera sfida per le organizzazioni consiste ora nel capire come poter implementare su larga scala l’AI agentica con sicurezza.

Il rapporto “Pulse of Agentic AI 2026” di Dynatrace ha rilevato che circa il 50% dei progetti di AI rimane in fase pilota, nonostante il 74% delle organizzazioni preveda di aumentare i budget il prossimo anno. La sicurezza (52%) e la gestione degli agenti su larga scala (51%) rimangono i maggiori ostacoli alla produzione. Nel frattempo, un terzo problema sta crescendo in modo impercettibile parallelamente a questi: la prevedibilità dei costi. Sapere quanto l’AI stia realmente costando all’azienda sta diventando cruciale quanto proteggerla, soprattutto man mano che gli agenti si sviluppano e il consumo dei modelli aumenta.

Gli investimenti da soli non basteranno a colmare questo divario. La realtà è che le aziende che intendono scalare in modo responsabile l’AI agentica devono dare priorità a framework chiari, a un’adozione su larga scala e a un’osservabilità avanzata. Con l’architettura giusta, le organizzazioni saranno nella posizione ideale per trasformare lo slancio iniziale in valore a lungo termine.

L’ascesa della forza lavoro autonoma

L’intelligenza artificiale si è evoluta da semplice termine di moda nelle sale riunioni a parte integrante della forza lavoro. Il 72% delle organizzazioni sta già implementando agenti nelle operazioni IT e nel DevOps, il che dimostra chiaramente che l’intelligenza artificiale si è guadagnata un posto al tavolo delle decisioni. Tuttavia, per molte aziende, l’intelligenza artificiale è attualmente limitata a compiti specifici e isolati, ben lontani dai sistemi autonomi che i leader prevedono.

La pressione esercitata sui leader affinché agiscano con maggiore rapidità è reale. Sono ben consapevoli che gli investimenti nell’intelligenza artificiale devono garantire un ritorno sull’investimento quantificabile, non limitarsi a un altro progetto pilota. Tuttavia, i dati rivelano un quadro più cauto: il 69% delle decisioni basate sull’intelligenza artificiale viene ancora convalidato da un essere umano prima che venga intrapresa qualsiasi azione, mentre solo il 13% delle aziende opera interamente tramite agenti completamente autonomi.

Questo ci dice qualcosa di importante: le aziende vogliono crescere, ma non a scapito del controllo. È anche un segnale dei livelli di fiducia esistenti e, una volta persa la fiducia, ricostruirla è costoso. Anche i progetti di AI più promettenti corrono il rischio di perdere slancio prima ancora di raggiungere il loro vero potenziale se non esiste un quadro consolidato per – o una visibilità end-to-end su – come gli agenti funzionano e prendono decisioni. Le opportunità future sono vaste, ma solo se si dispone delle giuste basi.

Framework chiari per la gestione degli agenti

Troppo spesso la supervisione e il controllo vengono considerati il problema. Vengono spesso descritti come la voce della prudenza e la burocrazia che ostacola l’innovazione. Tuttavia, questa visione non solo è superata, ma anche dannosa nell’era dell’AI agentica. Anziché limitare la crescita, sono proprio i framework gestionali chiari a consentire un progresso sostenibile.

Il problema è che gli agenti di intelligenza artificiale si comportano in modo diverso rispetto al software tradizionale. Essi prendono decisioni e comunicano con altri sistemi in modi talvolta imprevedibili e dinamici. A causa di questa complessità, è necessario un nuovo tipo di monitoraggio, che vada oltre le verifiche periodiche. Le aziende devono adeguarsi per monitorare le azioni dei propri agenti in tempo reale, individuare attività anomale prima che si trasformino in un problema costoso e riconoscere il potenziale impatto a lungo termine.

Quando si raggiunge questo livello di visibilità, la fiducia cresce. I team acquisiscono la sicurezza necessaria per utilizzare l’AI in modo più esteso, mentre i leader ottengono la certezza di poter accelerare gli investimenti.

L’osservabilità avanzata dell’AI offre alle organizzazioni proprio questo: una visione chiara dei modelli, degli agenti e dei sistemi più ampi dell’organizzazione. Unendo l’AI deterministica all’azione degli agenti, va ben oltre il monitoraggio tradizionale, contribuendo a trasformare rapidamente informazioni coerenti e accurate in azioni affidabili.

Scalare l’AI senza perdere il controllo

L’implementazione su larga scala dell’AI agentica non è più solo un problema tecnologico. Le organizzazioni che lo hanno compreso per prime avranno successo. La consapevolezza che la trasformazione guidata dall’AI riguarda tanto la cultura e la leadership quanto i modelli e le infrastrutture consentirà ai leader di distinguersi dalla massa.

L’adozione non avviene da sola. Richiede una chiara attribuzione delle responsabilità, il sostegno dell’organizzazione e leader in grado di spiegare non solo cosa fa l’AI, ma anche perché è importante e chi è responsabile quando le cose non funzionano.

Inoltre, la complessità degli scenari reali può far sì che sistemi che funzionano bene nei test controllati si comportino in modo notevolmente diverso. Scalare in modo responsabile significa mantenere una visione chiara di come gli agenti si comportano effettivamente, non solo durante l’implementazione, ma anche man mano che gli agenti si adattano, interagiscono e assumono maggiori responsabilità nel corso del tempo.

E poi c’è la questione dei costi. I nuovi modelli possono rivelarsi estremamente costosi, soprattutto se gli utenti non sanno come utilizzarli correttamente e le aziende non hanno una visione chiara di come vengono impiegati. Piattaforme come Dynatrace offrono ai team la visibilità necessaria per analizzare questi dati fondamentali, comprendere tendenze e modelli e compiere scelte consapevoli.

Ecco perché è così importante stabilire dei limiti sin dall’inizio. I leader devono chiarire quando l’automazione deve subentrare e quando è necessario ricorrere al giudizio umano. Se definiti tempestivamente, questi limiti fungono da guida, consentendo alle aziende di operare con maggiore sicurezza ed efficienza.

Le basi per un futuro basato sull’intelligenza artificiale agente

Sviluppare in modo responsabile l’intelligenza artificiale agentica non significa puntare al budget più consistente o al modello più recente. Significa gettare le basi giuste, un compito più impegnativo di quanto si possa pensare.

Le organizzazioni che ottengono buoni risultati non sono sempre quelle più veloci, ma quelle che considerano la supervisione umana, la visibilità e chiari modelli gestionali come componenti essenziali della propria architettura, anziché come un elemento secondario. L’ambizione e la rapidità sono importanti, ma lo è anche la consapevolezza dei limiti da non superare.

Le organizzazioni che procedono con fiducia, chiarezza e sicurezza, avvalendosi al contempo delle infrastrutture necessarie a sostenerle, avranno un vero vantaggio competitivo nella prossima generazione di agenti intelligenti scalabili.

L'articolo Gestione e scalabilità dell’AI in un mondo agentico proviene da Data Manager Online.

Dynatrace, la piattaforma leader di osservabilità basata sull’intelligenza artificiale, ha annunciato di aver firmato un accordo definitivo per acquisire Bindplane, un’azienda leader per telemetry pipeline basata su standard open e che aiuta le organizzazioni a raccogliere e gestire i dati su larga scala.

Con l’accelerazione delle architetture cloud‑native e dello sviluppo guidato dall’AI, le organizzazioni stanno registrando una rapida crescita della telemetria, ovvero tutti i segnali le cui informazioni mostrano ciò che accade all’interno dei sistemi digitali. I sistemi di pipeline per la suddetta telemetria permettono di raccogliere, ottimizzare e distribuire questi dati in una forma fruibile sono diventati fondamentali negli ecosistemi software moderni.

Bindplane è un leader in questa categoria. La sua tecnologia ottimizza e governa la telemetria all’edge per migliorare la qualità dei dati, ridurre i costi di acquisizione e potenziare la conformità tramite la rimozione, l’oscuramento e la crittografia dei dati sensibili. Bindplane fornisce inoltre un percorso di transizione naturale dagli strumenti di monitoraggio legacy verso un’osservabilità moderna e cloud‑native.

“Nell’era dell’AI, le pipeline di telemetria sono diventate un requisito fondamentale per l’Observability, poiché i team IT devono raccogliere e inviare dati da e verso una moltitudine di fonti”, ha affermato Stephen Elliot, Group VP di IDC. “I clienti acquistano soluzioni per controllare, arricchire e modellare i dati al fine di garantire sicurezza ed efficienza operativa, creando una base scalabile per le strategie di AI”.

“Insieme, Dynatrace e Bindplane offriranno un nuovo livello di controllo sulla telemetria”, ha affermato Steve Tack, Chief Product Officer di Dynatrace. “Con l’aumento dei volumi di dati e il ruolo centrale dell’AI nei processi di sviluppo e gestione del software, i clienti hanno bisogno di un approccio unificato e aperto alla gestione dei loro dati. La nostra offerta combinata creerà una base di mercato leader che permetterà ai clienti di ottenere chiarezza e controllo per operare con sicurezza e promuovere l’innovazione. L’acquisizione consentirà a Dynatrace di accelerare anche la sua roadmap per la gestione e l’analisi dei dati di Log, offrendo ai clienti una maggiore capacità di acquisizione dei dati da una gamma più ampia di fonti e la libertà di indirizzare la telemetria verso qualsiasi destinazione”.

“Man mano che le organizzazioni si modernizzano e adottano uno sviluppo guidato dall’AI, la telemetria diventa uno dei loro asset più preziosi, e allo stesso tempo più complessi”, ha dichiarato Michael Kelly, CEO di Bindplane. “Bindplane aiuta i clienti a ridurre la complessità, migliorare la qualità dei dati e delle informazioni in essi contenute, quindi accelerare la trasformazione digitale. Siamo entusiasti di unirci a Dynatrace per consentire a un numero ancora maggiore di team nel mondo di trasformare i propri dati in un vantaggio strategico”.

Si prevede che la transazione si concluda entro la fine di questo mese, subordinatamente al verificarsi delle consuete condizioni di chiusura, e non dovrebbe avere un impatto significativo sui risultati finanziari di Dynatrace per l’esercizio 2027.

L'articolo Dynatrace acquisirà Bindplane proviene da Data Manager Online.

Come ben sappiamo, le aziende di tutto il mondo stanno adottando l’intelligenza artificiale (IA). Automatizzare le attività ripetitive, gestire i chatbot e personalizzare l’esperienza del cliente sono diventati casi d’uso comuni dell’IA. Tuttavia, molti leader non riescono a vedere un ritorno sull’investimento e guardano con ansia alla prossima evoluzione dell’IA: l’IA agentica. Un’intelligenza artificiale completamente autonoma, capace di prendere decisioni in modo indipendente e di agire senza intervento umano.

Concentrandosi solo sul futuro il rischio è trascurare il passaggio fondamentale che lo renderà possibile: l’intelligenza artificiale contestuale. L’IA consapevole del contesto è il fondamento su cui si costruirà l’IA agentica. Mentre i modelli linguistici su larga scala (LLM) e l’IA generativa sono diventati i motori della nuova ondata di automazione che stiamo vivendo, l’IA contestuale si sta affermando come il vero elemento distintivo.

Correlazione contro contestualizzazione

Attualmente, molti casi d’uso dell’IA si basano sulla correlazione: la tecnologia identifica modelli e relazioni statistiche tra variabili di dati, ma manca di una comprensione più approfondita. La contestualizzazione, d’altro canto, va oltre, interpretando i dati all’interno di un contesto reale, considerando fattori come l’intento dell’utente, l’ambiente e la tempistica specifica.

Integrando dati eterogenei nel loro contesto, l’intelligenza artificiale può comprendere il significato di un’azione o di un segnale, non solo la correlazione. Questo si traduce in insight e risultati più accurati, pertinenti e in linea con la situazione reale, che permette di adottare un approccio concreto. Una compagnia aerea che utilizza un modello di intelligenza artificiale basato sulla correlazione potrebbe rilevare un aumento del carico di sistema durante i periodi di punta e raccomandare semplicemente di incrementare la capacità dei server. Sebbene questo aiuti a gestire la domanda, non tiene conto del più ampio ecosistema in cui operano i sistemi operativi delle compagnie aeree, con fattori quali i requisiti normativi, i tempi limite per la pianificazione dei voli, le esigenze di sicurezza informatica e il significativo impatto finanziario anche di brevi periodi di inattività.

L’intelligenza artificiale contestuale è in grado di ragionare in modo più efficace, adattarsi ad ambienti in continua evoluzione e formulare raccomandazioni che riflettano vincoli e obiettivi reali. Un sistema di intelligenza artificiale contestuale interpreterebbe le realtà operative della compagnia aerea e risponderebbe con strategie più concrete e resilienti. Invece di limitarsi a suggerire “l’aumento della capacità”, potrebbe formulare raccomandazioni come reindirizzare il traffico attorno a colli di bottiglia noti, programmare aggiornamenti durante finestre a rischio bassissimo o dare priorità a funzioni critiche come la gestione delle partenze e l’assegnazione degli equipaggi quando le risorse sono limitate.

Il passaggio all’intelligenza artificiale contestuale sblocca risultati più concreti e consente di passare da un’analisi reattiva a un processo decisionale proattivo e di alta qualità, garantendo che i sistemi operativi critici rimangano stabili e disponibili, anche sotto pressione.

Un’unica fonte di dati di alta qualità

L’IA contestuale si basa su quattro pilastri fondamentali: ricchezza dei dati, ragionamento intelligente, consapevolezza del mondo reale e integrazione fruibile. Alla base di questi pilastri risiedono dati di alta qualità. Senza dati affidabili e completi, l’IA contestuale non può funzionare efficacemente e i tentativi di molte aziende di implementare sistemi di IA più avanzati e agentici rischiano di fallire.

Per raggiungere questo obiettivo, è fondamentale disporre di un data lakehouse solido e unificato. Questo approccio alla gestione dei dati funge da fonte unica e veritiera per tutte le operazioni di intelligenza artificiale, garantendo che i dati siano accurati, coerenti e accessibili. Di conseguenza, un data lakehouse consente di ottenere risultati di intelligenza artificiale di qualità superiore. A differenza dei sistemi tradizionali come data warehouse e data lake, un lakehouse combina il meglio di entrambi. Le aziende possono beneficiare delle prestazioni e dell’affidabilità dei data warehouse, che offrono analisi rapide e scalabili, e della flessibilità dei data lake, in grado di archiviare grandi quantità di dati strutturati e non strutturati. Questa architettura ibrida consente alle organizzazioni di gestire i dati in modo più efficiente, eseguire analisi avanzate e scalare le operazioni di machine learning in modo economicamente vantaggioso.

La disponibilità di dati di alta qualità rimane uno dei maggiori ostacoli all’adozione dell’IA agentica. Costruendo una solida base di dati su un lakehouse, le organizzazioni possono non solo beneficiare dell’IA contestuale, ma anche sviluppare i dati di alta qualità necessari per implementare l’IA agentica. Di conseguenza, le aziende possono garantire che i sistemi autonomi agiscano in modo affidabile, intelligente e in un contesto reale per raggiungere obiettivi organizzativi precisi.

Fondazione contestuale

Nella corsa a dimostrare il ritorno sull’investimento (ROI) dell’IA, molte società si stanno affrettando verso l’IA agentica senza gettare le giuste fondamenta. Senza un’IA contestuale e i dati di qualità su cui si basa, gli sforzi verso questo tipo di intelligenza artificiale risultano vani. Comprendere il valore dell’IA contestuale rispetto ai modelli basati sulla correlazione e garantire che ciò sia realizzabile deve diventare un obiettivo centrale.

Le aziende devono inoltre garantire che tutti i dati confluiscano attraverso un unico data lakehouse affidabile. Questa infrastruttura, fungendo da unica fonte definitiva, consente di ottenere insight di intelligenza artificiale accurati, sicuri e utilizzabili, ponendo le basi affinché l’IA agentica possa generare valore concreto nel mondo reale.

In definitiva, il successo con l’IA non deriverà dall’inseguire l’ultima moda del momento, ma dalla creazione di sistemi che comprendano realmente il contesto in cui operano. L’IA contestuale colma il divario tra i dati grezzi e le azioni significative, fornendo una base solida per i sistemi intelligenti e autonomi che le aziende aspirano a implementare. Investendo oggi nella contestualizzazione, le organizzazioni migliorano i risultati immediati e in futuro potranno operare con sicurezza in un contesto plasmato dai sistemi autonomi e dalle mutevoli esigenze del mondo reale.

L'articolo Il contesto, non la correlazione, rappresenta la chiave per una strategia di intelligenza artificiale di successo proviene da Data Manager Online.

Previsione 1: l’intelligenza artificiale agentica innesca una nuova era di complessità di sistema

L’intelligenza artificiale agentica sta introducendo un nuovo livello di interazione tra sistemi. È più potente, ma esponenzialmente più difficile da gestire. Man mano che gli agenti coordinano le attività, scambiano contesto e attivano azioni a valle, anche gli ambienti digitali ben progettati possono trasformarsi in comportamenti imprevedibili. La maggior parte delle organizzazioni non è pronta per questo cambiamento. Senza una solida osservabilità e una governance coerente, questi sistemi diventeranno sempre più difficili da comprendere e controllare.

Si pensi a ogni agente di intelligenza artificiale che agisce autonomamente in base a istruzioni e input non solo umani, ma anche di numerosi agenti di prima e terza parte. Una singola interazione con un cliente potrebbe innescare centinaia di conversazioni in background tra agenti, ognuno dei quali prende la propria iniziativa. I ruoli cambiano a seconda della situazione e alcuni agenti potrebbero dirigerne altri.

Scenari comuni mostrano come funziona questo meccanismo. Quando un veicolo rileva un problema, gli agenti specializzati in determinate attività possono controllare le informazioni del cliente, valutare le opzioni di servizio, stimare le tempistiche e coordinare una risoluzione. Un agente di assistenza viaggi potrebbe fare qualcosa di simile, contattando gli agenti che confrontano i voli, verificano i vantaggi fedeltà, prenotano i trasporti e modificano i piani in tempo reale. In entrambi i casi, molti agenti lavorano dietro le quinte per un unico risultato e le interazioni tra loro possono moltiplicarsi in modi imprevedibili. Ogni agente continua a riferire a un essere umano o a un altro agente, e la responsabilità rimane affidata alla supervisione umana. Questa crescita esponenziale della comunicazione tra agenti non può essere gestita senza osservabilità.

Le organizzazioni che adottano l’IA agentica senza un contesto unificato e chiare barriere di sicurezza dovranno affrontare costi crescenti, comportamenti imprevedibili e rischi più elevati. La sfida non è più quella di migliorare i singoli modelli, ma di gestire la rete di interazioni autonome che si sviluppano in tempo reale. In questa fase successiva, l’osservabilità non è più una funzione di supporto. Diventa il fondamento per ecosistemi agentici sicuri, scalabili e governabili.

Previsione 2: Il percorso verso l’autonomia inizia con una comprovata maturità operativa

Le aziende compiranno passi significativi verso operazioni autonome. Sarà la maturità, non l’ambizione, a determinare chi avrà successo. L’IA non potrà agire in modo indipendente finché i sistemi, l’automazione e i processi sottostanti non saranno stabili, osservabili e ben compresi. I sistemi agentici sono in arrivo, ma prima è necessario che le basi siano solide. Le fasi iniziali dell’automazione sono essenziali, perché evidenziano le lacune nell’accesso ai dati, nelle prestazioni dei servizi e nei segnali contestuali da cui l’IA dipende. Solo quando questi componenti saranno affidabili e disponibili in tempo reale, le operazioni supervisionate e autonome prenderanno piede.

La maggior parte delle aziende seguirà una progressione: inizierà con operazioni preventive, in cui l’IA individua e affronta i problemi di routine prima che causino un impatto. Successivamente, implementerà l’automazione guidata, in cui l’IA propone azioni e gli esseri umani supervisionano ogni fase/decisione dell’IA. Solo dopo aver acquisito fiducia attraverso risultati ripetibili e verificabili, emergerà la piena autonomia, con l’IA che opera entro i limiti e interviene solo quando necessario.

Il percorso verso operazioni completamente autonome sarà graduale. Le organizzazioni che investono ora in flussi di lavoro preventivi e in automazione basata sulle raccomandazioni saranno nella posizione migliore per introdurre funzionalità autonome in modo sicuro e responsabile.

Previsione 3: La resilienza diventa il nuovo parametro di riferimento per l’eccellenza operativa

La resilienza diventerà la misura determinante delle prestazioni digitali. Man mano che i sistemi diventano più distribuiti e interconnessi, piccoli guasti possono diffondersi rapidamente tra applicazioni, aree cloud, sistemi di pagamento e servizi di terze parti. I leader non tratteranno affidabilità, disponibilità, sicurezza e osservabilità come pratiche separate. Le considereranno come un unico requisito: la capacità di un sistema di assorbire le interruzioni, ripristinarsi rapidamente e mantenere un’esperienza cliente coerente in condizioni di stress.

Una ricerca indipendente da noi commissionata a FreedomPay mostra perché questo cambiamento sta accelerando. I risultati rivelano quanto siano diventati fragili gli ecosistemi digitali e quanto rapidamente i guasti tecnici si trasformino in interruzioni per i clienti e perdite finanziarie. Nel Regno Unito, le interruzioni dei pagamenti mettono a rischio circa 1,6 miliardi di sterline di fatturato annuo. In Francia, la cifra sale a 1,9 miliardi di euro. Un singolo problema di servizio può avere ripercussioni su sistemi e canali connessi, dimostrando quanto siano diventate strettamente interconnesse le operazioni moderne.

I clienti percepiscono immediatamente questi fallimenti. La pazienza inizia a calare entro i primi minuti e molti clienti abbandonano la transazione se il problema persiste per più di quindici minuti. Tuttavia, l’interruzione media dura più di un’ora, il che significa che la maggior parte del danno si è già verificata. Quasi un cliente su tre afferma che un singolo incidente è sufficiente a ridurre la propria fiducia in un’azienda, con i consumatori nativi digitali più giovani ancora più propensi ad abbandonare.

Questo contesto richiede un approccio unificato alla resilienza. Le organizzazioni necessitano di una visibilità condivisa sul comportamento dei servizi, su come si propagano i guasti e su come il ripristino influisce sul percorso del cliente. La resilienza sarà misurata in base al modo in cui i sistemi rispondono sotto stress, non solo in base alle loro prestazioni quando i servizi digitali funzionano come previsto.

Previsione 4: L’affidabilità diventa il fondamento del progresso dell’IA

Le organizzazioni daranno priorità alla costruzione di fondamenta che rendano i sistemi di IA costantemente affidabili. La prossima fase del progresso dell’IA dipenderà tanto dal fondamento deterministico e dai segnali fattuali quanto dalla potenza generativa dei modelli stocastici. Le aziende stanno riconoscendo che la creatività da sola non è sufficiente. Un’IA affidabile richiede sia input strutturati sia meccanismi che garantiscano che gli output rimangano affidabili.

I sistemi agentici aggiungono un nuovo livello di complessità. Man mano che gli agenti coordinano le attività, scambiano contesto e avviano azioni a valle, anche una piccola incomprensione può propagarsi in tutto il sistema. Una maggiore capacità amplifica questo effetto perché un agente potente può accelerare i risultati e al contempo accelerare un errore. È così che l’allucinazione emerge a livello di sistema, non da un singolo modello difettoso, ma da imprecisioni che si accumulano nelle interazioni tra agenti. Il fondamento deterministico e l’osservabilità end-to-end prevengono tale imprecisione garantendo che gli agenti agiscano in base agli stessi segnali fattuali e rimangano responsabili nei confronti dell’operatore umano.

Uno scenario comune illustra questo aspetto. Un veicolo che rileva un problema può attivare agenti che esaminano i dati del cliente, le informazioni sullo stato del veicolo, identificano le sedi di assistenza, valutano i programmi, stimano i tempi di percorrenza e pianificano l’intero flusso di lavoro per la risoluzione. In ciascun caso, molti agenti collaborano dietro le quinte per produrre un unico risultato. Le organizzazioni che desiderano risultati di intelligenza artificiale trasparenti e affidabili daranno priorità a guardrail deterministici, consentendo ai sistemi agentici di comportarsi in modo sicuro, agire in modo prevedibile e collaborare con chiarezza.

Previsione 5: Collaborazione uomo-macchina come motore di crescita

Nel prossimo anno, la crescita dell’IA agentica porterà a un nuovo modello operativo in cui gli esseri umani definiscono gli obiettivi e l’IA esegue un’esecuzione ben definita. Man mano che i sistemi acquisiscono più contesto e diventano capaci di azioni coordinate, il ruolo umano passerà dall’esecuzione di compiti alla definizione di direzioni, alla fornitura di istruzioni e alla supervisione. Le organizzazioni si affideranno all’IA per analizzare le relazioni, identificare i rischi e avviare azioni sicure, mentre gli esseri umani rimarranno responsabili dei risultati e del giudizio trasversale.

L’IA agentica si comporterà in modo molto simile a uno stagista ad alta velocità. Se gli vengono forniti obiettivi chiari, strumenti e istruzioni efficaci e il contesto giusto, fornirà risultati a una velocità che è difficile per i team raggiungere manualmente. Ma avrà comunque bisogno di una guida. Gli esseri umani definiranno l’obiettivo, interpreteranno i compromessi e prenderanno decisioni laddove l’intento non è chiaro o i risultati sono ambigui. Se qualcosa va storto, la responsabilità ricadrà sull’operatore umano, non sul sistema.

Questo modello operativo aiuterà i team a gestire la complessità in modo più prevedibile. L’intelligenza artificiale si occuperà di compiti ripetitivi o urgenti, mentre gli esseri umani si concentreranno sulle decisioni strategiche e sulla comprensione a livello di sistema. La crescita nell’era agentica deriverà da organizzazioni che combineranno il giudizio umano con l’esecuzione guidata dall’intelligenza artificiale in modo trasparente, governato e allineato agli obiettivi aziendali.

Previsione 6: Convergenza tra team di IA e cloud

L’IA smetterà di operare come disciplina isolata e diventerà una componente normale della delivery di software cloud-native. I team integreranno l’IA nei servizi digitali allo stesso modo in cui integrano database o altri sistemi core. Di conseguenza, l’ingegneria dell’IA, l’ingegneria del cloud, l’SRE e la sicurezza convergeranno in un modello operativo condiviso con pipeline comuni, SLO condivisi e responsabilità unificata per l’intero ciclo di vita dei servizi abilitati dall’IA.

Questo cambiamento riflette il comportamento attuale del software moderno. Le funzionalità dell’IA influenzano costi, latenza, comportamento e compliance, e questi effetti si estendono all’intero stack. Non possono essere monitorate o gestite in modo isolato. Per funzionare in modo affidabile in produzione, l’IA deve essere eseguita all’interno degli stessi flussi di lavoro, guardrail e pipeline di distribuzione utilizzati per il resto del sistema cloud-native.

L’osservabilità end-to-end diventa essenziale perché ciò che conta è il risultato complessivo per l’utente. Le indicazioni ricevute dagli agenti, le azioni che intraprendono, le chiamate al database che attivano e i costi che sostengono contribuiscono tutti all’esperienza utente complessiva. L’osservabilità deve seguire tutti questi segnali contemporaneamente e trattare i componenti dell’IA, la logica applicativa e l’infrastruttura cloud come un unico sistema interconnesso. Questo elimina la distinzione tra “osservabilità dell’IA” e telemetria tradizionale e crea una visione unificata che si allinea al modo in cui i clienti percepiscono il servizio.

Le organizzazioni che adottano questo modello tratteranno l’IA come un componente software di prima classe. I team centrali definiranno i casi d’uso, stabiliranno stack comuni e garantiranno la conformità, mentre i team di prodotto integreranno l’IA direttamente nelle loro pipeline di distribuzione. Questa convergenza pratica consentirà alle aziende di gestire servizi basati sull’IA con la stessa disciplina e prevedibilità di qualsiasi altro sistema cloud-native.

L'articolo Sei previsioni di osservabilità per il 2026 proviene da Data Manager Online.

Dynatrace, la piattaforma leader di osservabilità basata sull’intelligenza artificiale, ha annunciato Observability for Developers, un set completo di soluzioni che fornisce alla comunità di sviluppatori insights sul runtime e funzionalità di risoluzione dei problemi, accelerando il movimento “shift-left” del settore.

Poiché i moderni ambienti cloud-native diventano sempre più complessi, le soluzioni di osservabilità sono diventate fondamentali per gli sviluppatori. Con i sistemi che diventano più distribuiti e dinamici, i team di sviluppo richiedono informazioni in tempo reale sulle prestazioni delle applicazioni, sullo stato dell’infrastruttura e sulle esperienze utente per mantenere l’affidabilità e creare innovazione.

Per affrontare queste sfide, Dynatrace fornisce ora ai team di sviluppo di applicazioni cloud-native una potente suite di funzionalità differenti, tra cui:

• Facile accesso ed esplorazione dei dati: dashboard intuitive e analisi avanzate di log, metriche e trace abilitati dal potente motore di intelligenza artificiale Dynatrace, Davis® AI, semplificano il monitoraggio e l’ottimizzazione delle prestazioni delle applicazioni, il monitoraggio dello stato di salute, l’analisi delle interazioni degli utenti finali, la visualizzazione dei dati storici, fornendo previsioni tutto in un unico posto.
• Introduzione di Live Production Debugging per migliorare la risoluzione dei problemi basata sull’intelligenza artificiale: come estensione delle sue capacità di risoluzione dei problemi e debug basate sull’intelligenza artificiale, tra cui l’analisi automatica delle cause alla radice, Dynatrace introduce Live Debugger. Questa nuova app consente agli sviluppatori di accedere a insights in tempo reale dagli ambienti a runtime senza richiedere la riproduzione dei problemi o la ridistribuzione. Gli sviluppatori possono anche estrarre informazioni di debug senza impatto sulle prestazioni e sfruttare informazioni contestuali per una rapida risoluzione dei problemi.

• Adozione aziendale con self-service: Per facilitare l’adozione a livello aziendale e ridurre al minimo la proliferazione degli strumenti e i silos di dati, Dynatrace consente ai team di osservabilità e ai platform engineer di implementare senza problemi un modello self-service per gli sviluppatori. Punti di ingresso personalizzati e integrazioni con portali per sviluppatori e ambienti di sviluppo integrati (IDE) consentono di accedere facilmente a tutte le funzionalità di produttività degli sviluppatori, compresi i log, metriche e trace di OpenTelemetry arricchite per il debugging con un contesto profondo, mantenendo un approccio curato e conforme. Inoltre, nell’ambito della soluzione Observability for Developers verrà introdotto un nuovo modello di prezzi, in modo che i team di sviluppo possano concentrarsi sulla creazione di innovazioni senza il timore di costi imprevisti.

“Dato che le organizzazioni riconoscono sempre di più l’osservabilità come critica per le loro operazioni IT, stiamo anche assistendo a una consapevolezza della necessità dell’osservabilità in una fase più precoce dell’SDLC”, afferma KellyAnn Fitzpatrick, Senior Analyst presso RedMonk. “Con la sua soluzione Observability for Developers, Dynatrace sta espandendo le sue capacità di osservabilità per offrire strumenti incentrati sugli sviluppatori, progettati per soddisfare questa esigenza”.

“Observability for Developers rappresenta il nostro impegno nel potenziare i team di sviluppo con soluzioni intelligenti e consapevoli del contesto che consentono loro di innovare con velocità e sicurezza”, ha affermato Bernd Greifeneder, CTO e fondatore di Dynatrace. “Stiamo offrendo agli sviluppatori la possibilità di comprendere, risolvere i problemi e ottimizzare le loro applicazioni con facilità e precisione. Oltre a ciò, promuoviamo una collaborazione efficace tramite approfondimenti e automazione basati sull’intelligenza artificiale per massimizzare la produttività, fornendo al contempo alla leadership prove migliorate che le loro pratiche IT sono sicure, conformi e aderenti agli standard aziendali”.

Live Debugger è attualmente in anteprima privata e si prevede che sarà disponibile come parte della soluzione Dynatrace Observability for Developers nei prossimi 30 giorni.

L'articolo Dynatrace introduce l’osservabilità per gli sviluppatori proviene da Data Manager Online.

Dynatrace, la piattaforma leader di osservabilità basata su AI, ha annunciato nuove funzionalità di analisi dei log potenziate dall’intelligenza artificiale per superare le crescenti sfide che le organizzazioni devono affrontare con le soluzioni legacy di gestione dei log.

Le soluzioni legacy spesso operano indipendentemente dagli strumenti di monitoraggio esistenti, perpetuando inefficienze operative che portano a una risoluzione ritardata degli incidenti, costi maggiori e vulnerabilità della sicurezza. Dynatrace, con le sue funzionalità di analisi dei log potenziate e l’approccio semplificato, offre diverse innovazioni chiave per affrontare queste sfide:

• Integrazione con Davis AI: il potente motore AI Dynatrace, Davis AI, fornisce spiegazioni immediate del contenuto dei log, rendendo le complesse attività di analisi più accessibili ai team dell’intera organizzazione. Gli utenti possono utilizzare il linguaggio naturale per creare query, costruire dashboard e generare report.
• Interfaccia in linguaggio naturale: un’interfaccia semplificata elimina la necessità di linguaggi di query specializzati, democratizzando l’analisi dei log tra i team tramite funzionalità di ricerca e filtraggio intuitive. Ciò consente a più utenti di accedere e analizzare i dati dei log senza ricevere una formazione approfondita.
• Tecnologia OpenPipeline: consente ai team di arricchire automaticamente i log acquisiti con informazioni cruciali sul contesto IT, come i dettagli dell’ambiente Kubernetes, per favorire una comprensione più rapida dei dati e un’analisi più efficace. I log vengono facilmente trasformati in metriche o eventi business, semplificando l’integrazione con dashboard e strumenti di analisi per approfondimenti in tempo reale. I team possono pre-elaborare tecnologie comuni, rendendo più semplice ricercare e filtrare rapidamente le informazioni, fornendo risposte più rapide alle esigenze aziendali critiche.
• Nuovo modello di pricing semplificato: una nuova struttura di pricing con query incluse aiuta le organizzazioni a prevedere meglio i costi annuali e a scalare rapidamente le loro iniziative di gestione dei log, in particolare per i casi d’uso con un elevato numero di query. Ciò elimina la necessità di monitorare manualmente l’utilizzo delle query per il controllo dei costi.

La richiesta tra i clienti enterprise di integrare l’analisi dei log nelle loro strategie di osservabilità esistenti è più alta che mai. Ben oltre 1.000 clienti utilizzano oggi le soluzioni Dynatrace Logs e oltre il 50 percento dei nuovi clienti acquisiti lo scorso anno sta già utilizzando i log.

Secondo un recente report di Gartner, il monitoraggio e l’analisi sono fondamentali per comprendere i moderni sistemi IT. I metodi manuali tradizionali sono inefficienti per gli ambienti complessi di oggi. Un approccio semplificato, ad esempio utilizzando una pipeline di telemetria, può semplificare l’estrazione, l’elaborazione e l’analisi dei dati, fornendo informazioni preziose per un processo decisionale efficace e gestendo contemporaneamente i costi.

Valore del cliente nell’analisi dei log

“L’evoluzione e l’innovazione continue di Dynatrace ci hanno permesso di migliorare il modo in cui analizziamo i nostri dati”, ha affermato Diego Enciso, Observability Specialist presso NEQUI. “La sua soluzione di analisi dei log non solo ottimizza il rilevamento degli errori, ma ci aiuta anche a prevenire le frodi e ad acquisire informazioni preziose per il processo decisionale strategico. Grazie a questa capacità, abbiamo rafforzato la sicurezza e l’efficienza delle nostre operazioni”.

La visione di Dynatrace

“Il valore che forniscono le informazioni sui dati correlati mi appassiona e sono entusiasta di creare soluzioni innovative che consentano ai nostri clienti di ottenere risultati di business migliori”, ha affermato Mala Pillutla, Vice President, Log Management presso Dynatrace. “Oggi le organizzazioni affrontano la sfida di gestire una moltitudine di strumenti di monitoraggio, con conseguenti informazioni frammentate e spesso contrastanti nelle loro infrastrutture e applicazioni critiche. Fornendo una gestione dei log integrata con analisi contestualizzate, consentiamo ai nostri clienti di trasformare i dati in informazioni fruibili che aiutano a creare resilienza e affidabilità per le loro risorse digitali più critiche”.

L'articolo Dynatrace introduce nuove funzionalità di analisi dei log basate sull’intelligenza artificiale proviene da Data Manager Online.

Tra i propri clienti, Dynatrace oggi può annoverare anche il Gruppo Hera, una delle maggiori multiutility italiane, che da 6 anni sfrutta le funzionalità della piattaforma di osservabilità per garantire qualità e continuità dei propri servizi. La rapida crescita del Gruppo Hera, multiutility che opera nei settori ambiente, energia e idrico, con più di 10.000 dipendenti al servizio di oltre 7,5 milioni di clienti, ha reso sempre più cruciale garantire una disponibilità effettiva dei sistemi e delle applicazioni a copertura delle necessità degli utenti finali. Negli ultimi anni, l’evoluzione verso infrastrutture cloud integrate con sistemi on-premise ha comportato maggiori difficoltà e più tempo per individuare le cause di qualunque disservizio o inefficienza.

A supporto di queste esigenze e per rispondere alla crescente complessità di un ambiente ibrido e multicloud, il Gruppo Hera ha introdotto la tecnologia Dynatrace sfruttando le funzionalità della piattaforma di osservabilità.

“Dopo una prima fase di sperimentazione, la piattaforma Dynatrace si è dimostrata la soluzione in linea con l’evoluzione del nostro business e l’abbiamo prontamente collocata sui principali processi produttivi”, ha dichiarato Carmine Artone, Chief Information Officer del Gruppo Hera. “I nostri processi attraversano diversi strati tecnologici e Dynatrace ci aiuta a capire in tempi molto rapidi qual è il punto esatto che genera rallentamenti o errori. Questo ci ha permesso di lavorare sulle operazioni IT in un modo diverso, più innovativo, e di favorire la collaborazione cross-team, riducendo frequenza e durata delle war room”.

Gruppo Hera può oggi reagire velocemente a possibili problematiche IT a supporto dei servizi offerti, massimizzando la soddisfazione e la fiducia nei servizi informatici da parte dei propri clienti interni ed esterni, disponendo anche di una metrica costantemente monitorata dal team business grazie a una dashboard dedicata. “Non si tratta solo di aver migliorato gli aspetti tecnici, ma soprattutto di aver ottimizzato i servizi che offriamo, che è la cosa più importante per noi: rendere disponibile un alto livello di servizio ai nostri utenti”, ha evidenziato Artone.

“Il caso di successo del Gruppo Hera ci rende particolarmente soddisfatti perché evidenzia la capacità della nostra piattaforma di assicurare efficienza e continuità a un business così esteso ed eterogeneo come quello di cui si occupa l’azienda di multiservizi, andando a garantire allo stesso tempo che questa qualità operativa si rifletta sulla vita delle persone”, ha evidenziato Emanuele Cagnola, Regional Vice President, Italy di Dynatrace.

A livello infrastrutturale e applicativo, Dynatrace aiuta a individuare in modo più semplice librerie o componenti non più attuali o problemi di sicurezza con un cambio di paradigma che vede il Gruppo Hera non solo più reattivo, ma anche proattivo nella risoluzione dei problemi. Un risparmio di tempo che si traduce in risorse da poter dedicare all’evoluzione del business e ad attività più strategiche.

“Da quando abbiamo Dynatrace la durata delle problematiche informatiche, che noi misuriamo in termini di tempo di indisponibilità che impatta sul business, è costantemente in calo, con un miglioramento del 20-30% ogni anno. Inoltre, Dynatrace è l’unica soluzione che ci permette di individuare quelle componenti sviluppate da terze parti che in fase di collaudo funzionano bene, ma che una volta inserite nel nostro contesto IT non performano adeguatamente. E questo è un vantaggio molto importante per il nostro business”, conclude Carmine Artone.

L'articolo La tecnologia Dynatrace supporta il Gruppo Hera nell’offrire servizi sempre più efficienti ai cittadini proviene da Data Manager Online.

Dynatrace ha annunciato di aver esteso le proprie funzionalità dedicate alla conformità per supportare la normativa europea Digital Operational Resilience Act (DORA). Dynatrace sta introducendo l’applicazione Compliance Assistant, creata appositamente per fornire alle organizzazioni la visibilità, gli insights e l’automazione per mitigare il rischio e ridurre i lunghi controlli di configurazione della conformità associati al regolamento DORA.

“Le organizzazioni sono alle prese con nuove normative e tecnologie, come la GenAI, e faticano ad affrontare, aggiornare e gestire le funzioni di conformità”, afferma Rob Strechay, Managing Director e analista di theCUBE Research. “DORA è una normativa importante che ha un impatto profondo sui requisiti di resilienza e sicurezza delle organizzazioni che operano nella UE. Dynatrace si propone di aiutare in modo specifico a soddisfare requisiti come la correlazione efficiente degli eventi, la caccia alle minacce e altro ancora. È qui che l’automazione tramite Dynatrace con Davis AI può fare la differenza per le organizzazioni”.

Dynatrace aiuta i team a prevenire in modo proattivo i potenziali problemi operativi, in modo da poter fornire servizi digitali resilienti e identificare le lacune tecniche che potrebbero influire sulla conformità. Grazie al suo approccio alla sicurezza e alla conformità basato sull’intelligenza artificiale, Dynatrace consente ai team di:

• Comprendere i loro complessi ambienti IT: Dynatrace offre visibilità automatica sull’intero ambiente IT, costruendo una mappa dei suoi componenti in tempo reale, identificando quelli non monitorati e automatizzando i controlli di configurazione che richiedono molto tempo. Con la nuova applicazione Compliance Assistant, i team beneficiano di una visione dedicata di queste informazioni, specifica per la conformità al regolamento DORA.
• Prevenire e dare priorità agli incidenti di prestazioni e sicurezza: Dynatrace rileva le esposizioni e i comportamenti anomali del sistema in qualsiasi applicazione monitorata, con l’intelligenza artificiale di Davis® che individua le cause principali e le classifica automaticamente in base all’impatto sul business.
• Automatizzare le attività manuali: oltre a individuare potenziali vulnerabilità e minacce, Dynatrace offre un’automazione che innesca attività di ripristino e reporting, aiutando i team ad automatizzare fino all’80% delle attività manuali.

“Raggiungere una conformità continua riducendo al minimo l’impegno manuale sarà fondamentale per le aziende”, ha dichiarato Steve Tack, Chief Product Officer di Dynatrace. “Il successo richiede una visibilità completa di tutti i processi aziendali, dai servizi di back-end alle esperienze degli utenti finali. Con Dynatrace, i nostri clienti – che comprendono le più grandi organizzazioni del mondo in alcuni dei settori più intensamente regolamentati – beneficiano di un approccio all’osservabilità e alla sicurezza alimentato dall’intelligenza artificiale, che fornisce loro gli insights e le capacità di automazione necessari per gestire la conformità e la resilienza in modo continuativo e su larga scala”.

Le funzionalità di Dynatrace per la conformità e la resilienza sono ora disponibili per tutti i clienti. L’applicazione Compliance Assistant è attualmente in anteprima privata e si prevede che sarà disponibile entro i prossimi 90 giorni.

L'articolo Dynatrace amplia le funzionalità dedicate a conformità e resilienza per supportare il regolamento DORA proviene da Data Manager Online.

Con la stagione dello shopping natalizio in fermento, i retailer hanno l’opportunità di ottenere maggiori ricavi durante il cruciale “trimestre d’oro”, il periodo che va da ottobre a dicembre.

Questa stagione, segnata da eventi come il Black Friday, il Cyber Monday e le festività di dicembre, vede sempre un aumento dell’interesse dei consumatori. Per trarre il massimo vantaggio, i rivenditori devono offrire un’esperienza personalizzata e senza soluzione di continuità ai clienti. Tuttavia, molti non ci riescono. I Core Web Vitals di Google, che esaminano l’esperienza dell’utente, le prestazioni SEO e l’ottimizzazione della conversione, sono fondamentali per qualsiasi proprietario di un sito web. Ma la nostra ricerca indica che tra i retailer globali intervistati, l’85% dei siti web per dispositivi mobili e il 67% di quelli per desktop non soddisfano gli standard di Google per un’esperienza utente positiva. Queste statistiche costituiscono un monito per i rivenditori italiani considerando che l’ultimo trimestre dell’anno può contribuire fino al 30-40% del fatturato annuale per molti brand.

Sia che si tratti di nuovi clienti o di acquirenti occasionali, la conversione delle vendite sta diventando sempre più difficile. I rivenditori devono essere più orientati ai dati, ottimizzare i loro siti web e utilizzare l’intelligenza artificiale per analizzare i percorsi dei clienti e il comportamento degli acquirenti, in modo da poter adattare continuamente le loro strategie perché ogni clic, tocco o strisciata nel percorso del cliente racconta una storia. Con una piattaforma di osservabilità, i retailer sono in grado di vedere il percorso del cliente dall’inizio alla fine, presentato nel contesto dei dati aziendali più ampi. In questo modo possono costruire un quadro di come ogni singolo cliente naviga e si impegna nella vendita, sia sul sito web principale che sull’applicazione mobile del marchio.

Solo osservando l’intero percorso i retailer possono identificare con precisione quali problematiche causano l’abbandono del carrello. Forse le pagine sono difficili da navigare, gli utenti mobili rispondono in modo diverso a determinate promozioni o alcune opzioni di pagamento causano inutili tensioni. Questo livello dettagliato di informazioni distinguerà i vincitori, consentendo loro di offrire l’esperienza digitale più proattiva, continua e precisa per convertire le vendite.

Secondo la nostra ricerca, in cui abbiamo analizzato 61 siti web globali di vendita al dettaglio utilizzando il set di dati Chrome User Experience (CrUX) di Google per valutare la preparazione delle prestazioni digitali per la stagione di picco del traffico, emerge che:

1. solo il 15% dei siti web per dispositivi mobili e il 35% dei siti web per desktop soddisfano gli standard di Google per un’esperienza online fluida, rendendoli pronti per l’alta stagione dello shopping.
2. Per quanto riguarda i siti mobile, il 69% ha problemi con la nuova metrica di Google, Interaction to Next Paint (INP), che non raggiunge i livelli raccomandati.
3. Su desktop, i due principali problemi sono il Largest Contentful Paint (LCP) e l’Interaction to Next Paint (INP), che fanno sì che il 32% dei siti non raggiunga gli obiettivi di performance di Google.
4. Il settore dei viaggi presenta il maggior margine di miglioramento, con solo il 6% dei siti mobile e il 18% di quelli desktop che soddisfano le raccomandazioni di Google.

Al contrario, il settore tecnologico è quello che ottiene i risultati migliori, con il 19% dei siti mobile e il 44% dei siti desktop che soddisfano gli standard raccomandati.

La nostra metodologia prevedeva la valutazione di ciascun sito web in base ai criteri Core Web Vitals di Google, misurando le principali metriche di performance, tra cui Largest Contentful Paint (LCP), Interaction to Next Paint (INP) e Cumulative Layout Shift (spostamento cumulativo del layout) su piattaforme mobili e desktop. Esaminando questi indicatori di performance standardizzati, abbiamo determinato la percentuale di siti web che soddisfano le soglie raccomandate.

L'articolo Trimestre d’oro, come stanno performando i retailer online? proviene da Data Manager Online.