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

Cosa significa orchestrare gli agenti

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

Userbot e l’intuizione di Antonio Giarrusso

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

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

Tecnologia senza scatole nere

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

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

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

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

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

Con Mythos cambia il ritmo

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

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

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

Cosa non cambia con Mythos: il backup non è prevenzione

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

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

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

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

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

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

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

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

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

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

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

1. Indipendenza: ridurre il rischio legato alle dipendenze

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

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

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

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

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

1. Accesso istantaneo e ripristino granulare: velocità e precisione

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

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

Se la prevenzione è necessaria, la recovery è irrinunciabile

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

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

Articolo a cura di Kim Larsen, Group CISO, Keepit

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

L’intelligenza artificiale non deve più dimostrare di poter funzionare. Per i vertici aziendali, la domanda è diventata un’altra: l’organizzazione sta investendo abbastanza, e con sufficiente rapidità, per non perdere terreno rispetto ai concorrenti?

È il cambiamento di prospettiva evidenziato dalla seconda edizione dello studio Cisco “Come i CEO vedono l’IA”, realizzato intervistando 2.500 amministratori delegati di aziende con più di 250 dipendenti in 23 Paesi.

Il 91% dei CEO si dichiara più ottimista rispetto allo scorso anno sulle potenzialità dell’intelligenza artificiale. Parallelamente cresce, però, anche il timore di restare indietro: il 65% ritiene che la propria impresa potrebbe non investire abbastanza, rispetto al 53% registrato nella precedente edizione della ricerca.

Oltre due CEO su tre, il 69%, considerano ormai l’adozione dell’AI un requisito essenziale per un’azienda moderna. Lo slancio strategico, tuttavia, non sempre trova riscontro nella preparazione tecnologica delle organizzazioni. Infrastrutture insufficienti, dati frammentati e difficoltà nel garantire sicurezza e controllo rischiano di rallentare il passaggio dai progetti pilota all’adozione su larga scala.

L’AI passa dalla sperimentazione alla priorità strategica

I risultati mostrano una crescente maturità del management nei confronti dell’intelligenza artificiale.

In un solo anno, la percentuale di CEO che si sente frenata nelle decisioni da una conoscenza insufficiente dell’AI è scesa dal 74% al 47%. Anche la quota di leader convinti che questa lacuna impedisca loro di prendere decisioni ponderate è diminuita, passando dal 74% al 49%.

Il problema, quindi, non è più soltanto comprendere la tecnologia, ma tradurre la maggiore consapevolezza in capacità di esecuzione.

L’evoluzione conferma un orientamento già emerso nella precedente edizione dello studio Cisco, quando l’attenzione dei CEO si concentrava soprattutto sulla necessità di sviluppare competenze, modernizzare le infrastrutture e rafforzare la cybersecurity.

Per CIO e IT manager questo cambio di passo aumenta la pressione sulle roadmap tecnologiche. La leadership aziendale si aspetta risultati più rapidi, ma la capacità di produrre valore dipende dalla disponibilità di reti, piattaforme dati, sistemi di sicurezza e modelli operativi adeguati.

Infrastrutture AI-ready: la prima priorità per il 2026

L’aggiornamento delle infrastrutture IT è indicato dai CEO come la principale priorità per il 2026, seguito dalla formazione del personale.

Il 53% degli intervistati teme che i limiti dell’infrastruttura possano rallentare l’adozione dell’intelligenza artificiale. L’esecuzione di modelli e agenti AI richiede infatti reti ad alte prestazioni, capacità di calcolo scalabile, bassa latenza, osservabilità e un controllo coerente degli ambienti on-premise, cloud ed edge.

La questione non riguarda soltanto la potenza di calcolo. Con l’aumento dei workload AI, la rete diventa una componente strutturale dell’architettura: deve collegare dati, modelli, applicazioni e utenti garantendo prestazioni prevedibili e sicurezza integrata.

DataManager ha già approfondito questo passaggio nell’analisi sulla rete come piattaforma AI-ready e nella riflessione sulla corsa alle infrastrutture necessarie per sostenere l’Agentic AI.

I dati frammentati restano il principale ostacolo

La disponibilità di infrastrutture adeguate non basta quando le informazioni aziendali sono disperse tra silos, applicazioni legacy e ambienti non integrati.

Il 34% dei CEO considera i problemi di qualità, accessibilità e centralizzazione dei dati la barriera più significativa all’avanzamento dell’AI. È una percentuale superiore a quella associata a qualsiasi altra singola criticità rilevata dallo studio.

Per un sistema di intelligenza artificiale, e ancora di più per un agente chiamato a prendere decisioni o eseguire operazioni, il contesto è essenziale. Informazioni incomplete, incoerenti o non aggiornate possono produrre risposte poco affidabili e propagare errori nei processi aziendali.

La sfida per i CIO è quindi duplice: rendere i dati tecnicamente accessibili e assicurarne qualità, tracciabilità, significato e corretta autorizzazione. Non si tratta semplicemente di concentrare tutte le informazioni in un unico repository, ma di creare un livello di governance che consenta ai sistemi AI di utilizzare il dato giusto, nel contesto corretto e con permessi coerenti.

Il rapporto tra data governance e intelligenza artificiale diventa così uno degli elementi centrali della strategia enterprise: la governance deve ridurre i rischi senza trasformarsi in un ostacolo all’innovazione.

L’AI agentica porta sicurezza e controllo al primo posto

L’inserimento di agenti AI nella forza lavoro rientra tra le tre priorità principali indicate dai CEO per il 2026. La prospettiva è quella di sistemi capaci non soltanto di elaborare informazioni, ma anche di interagire con applicazioni, utilizzare strumenti ed eseguire attività con diversi livelli di autonomia.

Proprio questa capacità di azione rende sicurezza e controllo la principale preoccupazione dei vertici aziendali.

Un agente compromesso, configurato in modo errato o dotato di privilegi eccessivi può produrre conseguenze operative più significative rispetto a un tradizionale chatbot. Le imprese devono quindi applicare agli agenti controlli sulle identità, autorizzazioni granulari, segmentazione, logging, monitoraggio continuo e meccanismi di revoca.

Come evidenziato nell’approfondimento di DataManager su AI agentica, sicurezza e fiducia, governance e protezione devono essere integrate fin dalla progettazione delle piattaforme, e non aggiunte soltanto dopo il deployment.

Lo stesso principio vale per il threat modeling. L’adozione degli agenti deve tenere conto non solo delle vulnerabilità del modello, ma anche delle azioni che il sistema può compiere, dei dati ai quali può accedere e degli strumenti che può utilizzare.

Umani e AI: il controllo resterà alle persone

Nonostante l’aumento dell’autonomia tecnologica, i CEO non prevedono un futuro in cui l’intelligenza artificiale sostituirà completamente il contributo umano.

Quasi tutti gli intervistati ritengono che entro il 2030 l’AI avrà un ruolo nelle attività aziendali, ma il 72% immagina che continuerà a operare come supporto o a eseguire compiti sotto la direzione, il giudizio o la supervisione delle persone.

Le motivazioni sono operative, oltre che etiche. La supervisione umana è considerata necessaria per garantire la sicurezza dei sistemi, mantenere efficace la collaborazione tra persone e agenti e gestire le conseguenze delle decisioni automatizzate.

Il modello emergente non è quindi quello dell’autonomia assoluta, ma di una collaborazione strutturata nella quale le persone definiscono obiettivi, limiti e responsabilità, mentre gli agenti accelerano l’esecuzione delle attività.

È il principio dello human-in-the-loop, approfondito anche nell’articolo di DataManager “Agenti AI, il cuore operativo della nuova impresa”: l’autonomia cresce, ma deve essere accompagnata da controllo, tracciabilità e una chiara attribuzione delle responsabilità.

In Europa prevale un approccio basato sulla fiducia

La ricerca mette in evidenza una specificità europea. I CEO del continente sembrano meno concentrati sulla velocità di implementazione e più attenti alle modalità con cui l’AI viene introdotta nei processi.

Fiducia, trasparenza e allineamento etico assumono un peso rilevante. L’indicazione che emerge è quella di non sacrificare la fiducia di dipendenti, clienti e stakeholder in nome dell’efficienza o della rapidità di adozione.

Questo orientamento non implica necessariamente un rallentamento dell’innovazione. Al contrario, può contribuire a costruire sistemi più sostenibili nel tempo, evitando che implementazioni opache o scarsamente governate producano rischi legali, reputazionali e operativi.

Per i CIO europei significa affiancare alla roadmap tecnologica una serie di elementi organizzativi: policy sull’utilizzo dei sistemi, criteri di trasparenza, valutazioni del rischio, responsabilità definite e strumenti per documentare le decisioni prese o supportate dall’AI.

Il divario tra ambizione e readiness

Le preoccupazioni espresse dai CEO trovano riscontro nel Cisco AI Readiness Index 2026, condotto su oltre 8.000 responsabili IT a livello globale.

Secondo i dati riportati nel comunicato:

• soltanto il 22% considera la propria rete ottimale per i workload di intelligenza artificiale;
• appena il 31% si ritiene pronto a garantire sicurezza e controllo sugli agenti AI;
• solo il 19% dispone di dati completamente centralizzati e accessibili ai sistemi di AI.

Il quadro evidenzia una distanza significativa tra ambizione strategica e capacità tecnica. I CEO sono sempre più convinti della necessità di investire, ma gran parte delle organizzazioni deve ancora creare le condizioni per trasformare gli investimenti in risultati affidabili e scalabili.

Per i CIO la priorità è costruire fondamenta, non moltiplicare i progetti pilota

La ricerca invia un messaggio chiaro ai responsabili tecnologici: il 2026 non sarà l’anno in cui avviare il maggior numero possibile di sperimentazioni, ma quello in cui scegliere quali progetti portare in produzione e costruire l’architettura necessaria per sostenerli.

La roadmap dovrebbe partire da quattro priorità: modernizzazione della rete e delle infrastrutture, consolidamento del patrimonio informativo, sicurezza degli agenti e formazione delle persone.

A queste si aggiunge la necessità di definire un modello operativo nel quale business, IT, cybersecurity, data team e funzioni di controllo condividano responsabilità e metriche.

La paura dei CEO di non investire abbastanza rapidamente è comprensibile. Tuttavia, aumentare la spesa senza intervenire sulle fondamenta può moltiplicare costi, complessità e rischi. La vera differenza competitiva non dipenderà soltanto dalla velocità con cui le imprese adotteranno l’AI, ma dalla capacità di renderla affidabile, governabile e integrata nei processi aziendali.

L'articolo Cisco: cresce la fiducia dei CEO nell’AI, ma infrastrutture, dati e sicurezza frenano la corsa proviene da Data Manager Online.

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

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

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

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

Un modello adatto ai workload che possono essere interrotti

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

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

Dalla protezione dei dati alla trasformazione in on-demand

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

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

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

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

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

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

L’AI agentica diventa una priorità strategica

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

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

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

Dalla sperimentazione alla scalabilità

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

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

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

Anche sul piano organizzativo permane un gap significativo:

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

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

Il vero collo di bottiglia sono i dati

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

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

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

Governance: la sfida che precede quella tecnologica

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

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

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

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

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

Shadow AI e competenze: il rischio è organizzativo

Accanto agli aspetti tecnologici emergono criticità di natura organizzativa.

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

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

Dall’AI all’Autonomous Enterprise

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

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

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

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

Secondo il nuovo white paper “Unified Communications 2026 & AI – Prospettive, Innovazione, Opportunità”, realizzato dal Centro Studi Comtel, il mercato globale della Unified Communications supererà i 220 miliardi di dollari entro la fine del 2026, mentre le stime per l’inizio del prossimo decennio indicano un valore compreso tra 700 e 900 miliardi di dollari.

L’intelligenza artificiale cambia il ruolo delle Unified Communications

Se fino a pochi anni fa le piattaforme UC erano considerate principalmente strumenti per gestire telefonate, videoconferenze e messaggistica aziendale, oggi rappresentano vere e proprie infrastrutture digitali strategiche.

L’intelligenza artificiale è diventata un elemento strutturale di queste piattaforme, automatizzando numerose attività operative e migliorando la produttività delle organizzazioni.

Tra gli esempi già diffusi figurano:

• la trascrizione automatica delle riunioni, adottata da oltre il 55% delle organizzazioni;
• strumenti come Zoom AI Companion, che hanno ridotto del 30% il lavoro necessario dopo gli incontri;
• le piattaforme di Customer Journey Analytics, che nel settore finanziario hanno ridotto del 18% i tempi medi di gestione delle chiamate.

L’AI non sostituisce il lavoro umano, ma automatizza le attività ripetitive consentendo alle persone di concentrarsi su funzioni a maggior valore aggiunto.

Il mercato cresce, ma conta la capacità di integrare le tecnologie

Il settore continua a essere dominato da grandi player internazionali come Microsoft, Cisco, Zoom, Google e RingCentral.

Secondo il white paper del Centro Studi Comtel, tuttavia, il vantaggio competitivo non dipende soltanto dalla piattaforma utilizzata, ma soprattutto dalla capacità di personalizzarla, integrarla nei processi aziendali e adattarla ai diversi contesti operativi.

In questo scenario trovano spazio gli integratori specializzati che sviluppano soluzioni verticali e servizi ad alto valore aggiunto, capaci di rispondere alle esigenze specifiche di aziende e pubbliche amministrazioni.

Italia ancora in ritardo, ma il gap può diventare un’opportunità

Lo studio evidenzia come il mercato italiano presenti ancora un elevato numero di sistemi telefonici tradizionali, soprattutto nelle piccole e medie imprese.

Questo ritardo, però, potrebbe trasformarsi in un vantaggio competitivo.

Grazie anche agli investimenti legati al PNRR, molte organizzazioni possono infatti evitare una transizione graduale e adottare direttamente le tecnologie di ultima generazione basate sul cloud e sull’intelligenza artificiale.

Sanità: il settore con la crescita più elevata

Tra tutti gli ambiti analizzati, quello sanitario rappresenta il comparto con le maggiori prospettive di sviluppo.

Secondo il report, le soluzioni di Unified Communications abiliteranno sempre più:

• servizi di telemedicina;
• coordinamento clinico tra strutture e personale sanitario;
• gestione integrata delle comunicazioni tra operatori.

Il comparto healthcare registra un tasso di crescita atteso superiore al 28% annuo, il più elevato tra tutti i settori analizzati.

Anche la Pubblica Amministrazione rappresenta un’importante area di sviluppo, grazie alla modernizzazione degli sportelli digitali e dei contact center.

Il peso delle normative europee

Uno dei capitoli del white paper è dedicato al quadro normativo europeo, considerato tra i più rigorosi al mondo.

Regolamenti come GDPR, NIS2, Data Act e AI Act stanno ridefinendo i requisiti che le piattaforme di Unified Communications devono soddisfare in termini di:

• sicurezza informatica;
• protezione dei dati;
• continuità operativa;
• utilizzo responsabile dell’intelligenza artificiale.

In particolare, la direttiva NIS2 estende gli obblighi di cybersicurezza a circa 160.000 organizzazioni appartenenti a 18 settori critici, imponendo requisiti stringenti anche ai sistemi di comunicazione aziendale.

Comtel: innovazione e presenza internazionale

Comtel opera nel mercato delle Unified Communications con una presenza consolidata in Italia, Europa, Medio Oriente e Asia-Pacifico, rafforzata anche attraverso l’acquisizione della divisione UC di NEC nell’area EMEA e lo sviluppo della suite proprietaria VOICE.

L’obiettivo è offrire soluzioni altamente personalizzabili in grado di rispondere alle esigenze di imprese private, pubbliche amministrazioni e grandi organizzazioni.

“Grazie all’attività del nostro Centro Studi vogliamo fornire un quadro completo di come si stia evolvendo il mercato e di quali saranno le necessità per il futuro. Non ci limitiamo a descrivere quanto accade ma proponiamo soluzioni per anticipare le esigenze di business dei nostri clienti. Sviluppiamo prodotti che potranno adattarsi alle diverse esigenze degli utilizzatori, utili per piccole e grandi aziende, per realtà pubbliche e private. Mettiamo a fattor comune il nostro know-how, sempre aperti a collaborare con i principali player nazionali ed internazionali”, dichiara Carlo Nardello, Presidente Comtel.

“Presidiamo numerosi mercati con le nostre soluzioni di Unified Communications, in grado di competere anche con big del settore, grazie alla capacità di adattarsi alle esigenze specifiche del singolo utilizzatore. Offriamo prodotti tailor made non solo a realtà di primissimo ordine in Italia, ma copriamo il resto d’Europa, il Medio Oriente e il mercato dell’Asia Pacifico, con la volontà di continuare ad espanderci”, commenta Mattia Conti, Direttore Generale Comtel.

“Stiamo vivendo una fase di evoluzione molto rapida ed è necessario non rimanere indietro. L’Italia sta recuperando terreno e crediamo che abbia tutte le potenzialità per non essere seconda a nessuno. Stiamo toccando con mano l’adattabilità di alcune soluzioni a settori che fino a poco tempo fa sembravano lontanissimi. Healthcare, finance, hotellerie, solo per fare degli esempi, stanno digitalizzando esponenzialmente i processi, efficientando servizi e produttività”, afferma Pietro Parente, Responsabile del Centro Studi Comtel.

L'articolo Unified Communications e AI: un mercato destinato a superare i 220 miliardi di dollari entro il 2026 proviene da Data Manager Online.

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

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

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

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

I limiti della centralizzazione

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

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

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

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

L’edge come estensione naturale del cloud

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

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

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

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

Orchestrazione e architettura distribuita

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

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

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

Casi d’uso e impatto reale

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

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

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

Resilienza e conclusione

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

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

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

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

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

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

Nella valutazione Global 100 Most Sustainable Corporations 2026, Ricoh ha raggiunto i seguenti risultati:

• 19° posto su 1.043 aziende del settore Information Technology
• 3° posto nel segmento Computers and Peripherals Manufacturing

La classifica, basata su dati pubblicamente disponibili di 8.231 aziende con ricavi annui superiori a 1 miliardo di dollari, valuta le performance attraverso tre indicatori ponderati allo stesso modo: ricavi sostenibili, investimenti sostenibili e crescita dei ricavi sostenibili, con ulteriori adeguamenti per eventuali penalità e per i compensi dei dirigenti legati alle performance di sostenibilità. Dal 2020, Ricoh ha  integrato l’ambito ESG tra gli obiettivi aziendali, considerandolo al pari dei tradizionali target finanziari. Da allora, gli indicatori ESG sono stati inclusi nei criteri di retribuzione degli executive.

Mikako Suzuki, Corporate Officer responsabile di ESG e Gestione del Rischio presso Ricoh Company, Ltd., ha commentato: “Il Gruppo Ricoh sta portando avanti le iniziative di sostenibilità allineando i principi ESG alla crescita aziendale. Siamo orgogliosi di essere stati nuovamente riconosciuti come azienda Global 100. Questo riconoscimento riflette le valutazioni positive dei nostri continui sforzi per ampliare le vendite di prodotti e servizi sostenibili, nonché per gli investimenti in sostenibilità,  inclusa la realizzazione di strutture sempre più efficienti dal punto di vista energetico. Guardando al futuro, continueremo a collaborare con gli stakeholder per accelerare le azioni volte a realizzare una società sostenibile attraverso il nostro business”.

L'articolo Ricoh riconosciuta tra le Global 100 Most Sustainable Corporations 2026 da Corporate Knights proviene da Data Manager Online.

Secondo Rainer W. Kaese, Senior Manager HDD Business Development di Toshiba Electronics Europe GmbH: “Le specifiche tecniche rappresentano un punto di partenza fondamentale per confrontare diversi modelli di HDD, ma la velocità massima dichiarata deve essere interpretata nel contesto corretto. Le prestazioni di un singolo drive e quelle di un sistema composto da più unità possono differire sensibilmente”.

Gli HDD enterprise di ultima generazione dichiarano le velocità massime di trasferimento comprese tra 280–310 MB/s, ma questo valore si riferisce alle tracce esterne del disco e a condizioni ottimali (elaborazione sequenziale di file di grandi dimensioni). Le tracce esterne contengono più dati di quelle interne, quindi con il riempimento del drive le prestazioni possono scendere fino a due terzi del valore massimo. Anche il tipo di carico di lavoro influisce significativamente: le operazioni sequenziali sono più veloci, mentre gli accessi casuali con numerosi file di piccole dimensioni riducono il throughput complessivo.

Maggiore capacità, maggiore efficienza

Gli HDD enterprise attuali operano prevalentemente a 7.200 rpm, mentre i modelli a velocità superiori sono stati progressivamente sostituiti dagli SSD in applicazioni dove sono richieste latenze estremamente ridotte. Grazie all’aumento della densità dei dati, però, gli HDD moderni a 7.200 rpm trasferiscono più dati per rotazione rispetto alle generazioni precedenti. Il numero di piatti presenti all’interno di un HDD, invece, non determina direttamente un aumento delle prestazioni poiché lettura e scrittura avvengono su una superficie alla volta.

Il ruolo delle configurazioni RAID

Nei sistemi enterprise gli HDD vengono raramente utilizzati singolarmente. Più unità vengono spesso combinate in configurazioni RAID (Redundant Array of Independent Disks) per migliorare disponibilità, protezione dei dati e prestazioni.

Il livello RAID scelto incide sul comportamento del sistema:

• RAID 1 replica gli stessi dati su due drive e può migliorare le prestazioni in lettura, ma non offre vantaggi significativi nelle operazioni di scrittura;
• RAID 5 distribuisce dati e informazioni di parità su più drive, consentendo un buon equilibrio tra capacità utilizzabile, protezione dei dati e velocità di accesso;
• RAID 10 combina mirroring e striping, offrendo elevate prestazioni in lettura e una maggiore tolleranza ai guasti, anche se con una capacità disponibile inferiore.

Anche la rete può diventare un limite

Controller RAID, software di gestione e collegamenti di rete incidono quanto gli HDD stessi. I test mostrano che controller hardware e soluzioni software offrono prestazioni diverse a seconda del carico: le operazioni sequenziali raggiungono velocità elevate, gli accessi misti riducono il throughput.

Per sfruttare pienamente più HDD operativi in parallelo è inoltre necessario disporre di un’infrastruttura di rete adeguata. Connessioni come Gigabit Ethernet e 2,5GbE possono diventare rapidamente un collo di bottiglia anche con pochi drive, mentre sistemi più grandi richiedono collegamenti a 10GbE, 25GbE o superiori.

Un approccio completo per valutare le prestazioni reali

Le prestazioni effettive di un sistema di archiviazione possono essere stimate in anticipo solo in modo approssimativo, poiché dipendono dalla combinazione di molteplici elementi: modello di drive, numero di unità, livello RAID, controller, rete e applicazioni utilizzate. Per questo Toshiba considera fondamentali i test pratici e le attività di validazione nei propri laboratori, dove vengono analizzate diverse configurazioni per individuare il miglior equilibrio tra capacità, prestazioni, affidabilità ed efficienza energetica.

“La scheda tecnica resta uno strumento essenziale per il confronto iniziale. Un hard disk progettato per offrire maggiori prestazioni manterrà il proprio vantaggio anche all’interno di un array RAID, ma il risultato finale dipenderà sempre dall’intero ecosistema di storage”, conclude Rainer Kaese.

L'articolo Prestazioni degli HDD: i fattori chiave che influenzano la velocità di trasferimento dati secondo Toshiba proviene da Data Manager Online.

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

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

Dall’accesso pionieristico all’economia dell’inferenza

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

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

Il test della “Next Best Action”

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

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

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

La sovranità diventa la strategia

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

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

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

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

Il vero gap è al di sopra del modello

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

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

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

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

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

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

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

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

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

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

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