L’adozione aziendale dell’intelligenza artificiale sta attraversando una fase di profonda trasformazione infrastrutturale. Le imprese cercano di superare i limiti dei modelli tradizionali per implementare sistemi autonomi e sicuri, scontrandosi con la complessità dei dati e del debito tecnologico accumulato
La transizione verso l’automazione avanzata e l’integrazione dei sistemi di intelligenza artificiale nei processi aziendali rappresentano i temi centrali emersi durante un’intervista finanziaria e tecnologica rilasciata ai microfoni di TheCUBE. Il dibattito sui reali colli di bottiglia che frenano l’adozione delle nuove tecnologie mette in luce come i problemi principali non risiedano tanto nella disponibilità degli algoritmi, quanto nella maturità delle architetture sottostanti e nella gestione della sicurezza dei dati.
Jeff Ehrenhart, vice president hybridiInfrastructure e AI factory platforms presso NTT Data, ha analizzato le sfide operative che le organizzazioni globali affrontano quotidianamente in un mercato fortemente influenzato dalla necessità di modernizzazione e flessibilità architetturale.
Indice degli argomenti
La fiducia e la sicurezza nell’era dell’AI agentica
L’evoluzione tecnologica sta conducendo il mercato verso la diffusione dell’AI agentica, un paradigma in cui i sistemi non si limitano a elaborare informazioni o rispondere a quesiti, ma acquisiscono la capacità di agire e prendere decisioni operative all’interno delle infrastrutture aziendali. Questo passaggio comporta una serie di criticità inedite legate alla protezione dei perimetri informatici e all’affidabilità delle azioni automatizzate.
Il nodo dell’autonomia decisionale e dei sistemi AIOps
Secondo l’analisi di Ehrenhart, la sicurezza rappresenta il fattore primario in grado di determinare il successo o il blocco totale nell’adozione dei sistemi di AI agentica. Il vero valore di questa tecnologia risiede nella possibilità di delegare compiti complessi, ma l’attivazione di tali processi richiede un livello di fiducia che molte organizzazioni non hanno ancora maturato.
In merito alla capacità dei sistemi di intervenire autonomamente, Ehrenhart ha spiegato che: «La potenza dell’approccio agentico consisterà nel dire, ad esempio con l’AIOps, “Ok, ho identificato la causa principale di un problema”, ma poi nel fidarsi abbastanza da dirgli “Certo, vai avanti e procedi. Ti ho addestrato abbastanza, ti ho fornito informazioni sufficienti e mi sono assicurato che tu sappia di cosa stai parlando”». Il manager ha tracciato un parallelo ideale paragonando l’affidabilità richiesta a quella di un ingegnere con certificazione CCIE (Cisco Certified Internetwork Expert), una qualifica di altissimo livello che permette di effettuare modifiche strutturali alla rete con la massima serenità operativa per i responsabili aziendali.
La sovranità dei dati e il perimetro delle minacce
Il concetto di sicurezza applicato all’AI agentica assume un carattere onnicomprensivo, includendo la sovranità del dato e la protezione da attacchi esterni. La asimmetria tra la difesa e l’offesa informatica impone una vigilanza costante e l’adozione di architetture stratificate. Gli amministratori di sistema si trovano a dover garantire l’infallibilità dei propri protocolli di difesa, poiché, come evidenziato nel dibattito, ai criminali informatici è sufficiente trovare una singola vulnerabilità per compromettere l’intero sistema, mentre le aziende devono risultare protette in ogni singola occasione.
Il freno della data gravity e la preparazione dei carichi di lavoro
Accanto alle problematiche strettamente connesse alla sicurezza, il secondo grande ostacolo identificato nell’esperienza sul campo di NTT DATA riguarda la cosiddetta data gravity. Questo fenomeno descrive la difficoltà di muovere grandi volumi di informazioni e la necessità di comprendere a fondo la natura del patrimonio informativo aziendale prima di poterlo utilizzare in un modello di intelligenza artificiale o in un processo agentico.
Comprendere dove risiedono i dati aziendali
Molti progetti aziendali subiscono un arresto improvviso quando si passa dalla fase ideativa a quella esecutiva a causa della frammentazione delle informazioni. Le organizzazioni faticano a identificare l’esatta collocazione dei propri dati, a valutarne il contenuto specifico e a stabilire le procedure necessarie per la loro pulizia e preparazione. Riferendosi a questa dinamica, Ehrenhart ha confermato che molte aziende sperimentano un blocco operativo: «Iniziano, hanno una buona idea, pensano di poterla realizzare, ma poi i dati rappresentano il punto di arresto».
Il debito tecnologico e la mappatura dello stack applicativo
Per sbloccare il potenziale dell’AI agentica, diventa indispensabile affrontare il tema del debito tecnologico attraverso un’attività preliminare di advisory e consulenza. Questo processo non richiede necessariamente lunghe sessioni di pianificazione teorica, ma può basarsi su un’analisi pragmatica delle interazioni tra lo stack applicativo, i database e i front-end web utilizzati dal personale per svolgere le proprie mansioni quotidiane.
Spesso, la mancanza di consapevolezza su come le applicazioni dialoghino tra loro rappresenta il primo segnale di una criticità che richiede interventi strutturali anche della durata di diversi mesi, prima di poter implementare soluzioni avanzate.
L’infrastruttura per l’intelligenza artificiale: la transizione verso i container
Il percorso di modernizzazione tecnologica spinge le imprese a riconsiderare i modelli di gestione delle proprie risorse computazionali per garantire la flessibilità necessaria ai nuovi carichi di lavoro.
Il superamento del lock-in contrattuale
Un forte incentivo al cambiamento strutturale deriva dalla volontà delle aziende di evitare vincoli contrattuali a lungo termine imposti da alcuni fornitori storici di tecnologie legacy. Questa spinta commerciale sta portando molte realtà commerciali a superare le vecchie resistenze, accettando di modificare l’approccio alla gestione delle infrastrutture per orientarsi verso l’adozione di architetture basate su container e sull’orchestrazione tramite Kubernetes.
Perché l’AI richiede Kubernetes e OpenShift invece delle macchine virtuali
La scelta di abbandonare i tradizionali sistemi basati esclusivamente su hypervisor è motivata da requisiti tecnici precisi legati ai moderni carichi di lavoro. Ehrenhart ha chiarito la natura di questo passaggio tecnologico spiegando che la transizione verso sistemi aperti come Red Hat OpenShift risulta fondamentale per il futuro dei sistemi predittivi e decisionali. Il manager ha infatti puntualizzato che la migrazione a queste piattaforme: «Apre la strada alle piattaforme di intelligenza artificiale, perché tutte le piattaforme di IA girano su container, non su hypervisor».
Questo tipo di architettura consente di creare un modello ibrido flessibile, capace di muovere i carichi di lavoro in modo bidirezionale tra i cloud pubblici e le soluzioni installate nei data center locali. Inoltre, permette alle aziende di mantenere in funzione le vecchie macchine virtuali (VM) affiancandole ai nuovi container in modo sicuro e centralizzato.
Dall’advisory all’impatto reale: il caso della “Physical AI” nel manifatturiero
L’applicazione concreta dell’intelligenza artificiale trova uno dei terreni più fertili nel comparto industriale e manifatturiero, un settore caratterizzato storicamente da un alto livello di automazione e da una grande disponibilità di dati telemetrici e sensoristici.
La progettazione delle soluzioni attraverso la consulenza mirata
Quando NTT Data, realtà posizionata all’interno del Magic Quadrant di Gartner per l’implementazione e la consulenza in ambito GenAI, si relaziona con un cliente industriale, l’obiettivo primario è legare la tecnologia a un risultato di business verificabile. Nel settore manifatturiero, le richieste principali riguardano il miglioramento della qualità dei prodotti, la riduzione dei difetti di produzione e l’implementazione di strategie per l’analisi predittiva dei guasti dei macchinari. La definizione del blueprint operativo permette di selezionare i modelli matematici più adatti evitando investimenti casuali.
Il modello ad arco con quaranta telecamere per il controllo qualità nell’automotive
Un esempio pratico dell’integrazione tra l’intelligenza artificiale e la produzione fisica è rappresentato da una soluzione sviluppata per un importante costruttore automobilistico. Tradizionalmente, il controllo qualità finale delle vetture in uscita dalla linea di montaggio veniva affidato a un team di circa venti persone, che utilizzavano strumenti manuali e lampade speciali per verificare l’omogeneità della verniciatura, la profondità del trasparente e la costanza degli spazi millimetrici nelle chiusure delle portiere.
La soluzione ingegneristica ha previsto l’installazione di una struttura ad arco sotto la quale transitano i veicoli. Questo dispositivo è equipaggiato con quaranta telecamere ad alta definizione che effettuano un’ispezione visiva completa della vettura. I dati raccolti alimentano un modello di apprendimento specifico in grado di identificare ogni singola imperfezione.
Il sistema automatizzato determina istantaneamente se il difetto rilevato superi le tolleranze ammesse, richiedendo l’invio dell’auto alla sezione riparazioni, oppure se l’anomalia risulti talmente lieve da rispettare comunque gli standard di garanzia della qualità necessari per la spedizione al cliente finale.
La scalabilità globale delle AI factory e i vincoli della sostenibilità
La proliferazione di progetti legati all’AI agentica e ai modelli predittivi richiede una capacità di calcolo centralizzata su scala globale, determinando una forte crescita nella domanda di infrastrutture dedicate.
La gestione di centosessanta data center nel mondo
NTT Data gestisce direttamente una rete composta da centosessanta data center distribuiti a livello globale, configurandosi come il terzo operatore mondiale per estensione di impronta infrastrutturale. Questo posizionamento richiede lo sviluppo di una pianificazione strategica continua per l’individuazione di terreni idonei e la gestione delle risorse fondamentali per il funzionamento dei nuovi impianti, che in futuro saranno progettati specificamente per ospitare i carichi di lavoro dell’intelligenza artificiale.
L’efficienza energetica e i criteri ESG
La costruzione e l’esercizio di queste strutture deve fare i conti con i vincoli ambientali e la disponibilità di risorse critiche sul territorio. Ehrenhart ha spiegato che la selezione dei siti per i nuovi data center dipende strettamente dal reperimento di fonti stabili di energia, sistemi di raffreddamento efficienti e approvvigionamento idrico. Essendo una società a proprietà giapponese, l’azienda manifesta una forte attenzione verso i criteri ESG (Environmental, Social, and Governance) e la sostenibilità ambientale.
L’obiettivo dichiarato è l’ottimizzazione dell’efficienza energetica per ridurre al minimo l’impatto ecologico, pur nella consapevolezza che la creazione di queste infrastrutture industriali comporta inevitabilmente un’impronta sul territorio che deve essere gestita con la massima responsabilità.
Il fattore umano e il cambiamento operativo per il futuro dell’automazione
La vera sfida per l’evoluzione tecnologica dei prossimi anni non risiede esclusivamente nelle capacità tecniche degli strumenti, ma nella trasformazione delle dinamiche organizzative interne alle aziende.
Oltre i modelli linguistici tradizionali
Le aspettative per il futuro prossimo della tecnologia aziendale puntano a un superamento dell’uso superficiale degli assistenti digitali basati solo su modelli GPT. L’obiettivo strategico è portare una massa critica di clienti enterprise a utilizzare l’intelligenza artificiale in modo significativo e integrato nei flussi di lavoro, sfruttando l’AI agentica e i modelli di generazione aumentata dal recupero di informazioni (RAG) per trasformare radicalmente le operazioni quotidiane.
Vincere la resistenza dei consigli di amministrazione
Il principale ostacolo a questa trasformazione culturale e tecnologica non è legato alla fattibilità tecnica, che i fornitori di servizi sono in grado di dimostrare sul campo, ma alla gestione del rischio da parte dei vertici aziendali. Ehrenhart ha concluso la sua analisi focalizzandosi sulla complessità legata all’approvazione dei progetti da parte del top management, affermando che: «Possiamo dimostrarne l’efficacia, ma poi convincere il consiglio di amministrazione a dire “Certo, sembra una buona idea, adottiamola e cambiamo totalmente il modo in cui facciamo qualcosa”, questo è l’ostacolo».
L’accettazione del cambiamento operativo varia sensibilmente a seconda del settore industriale di appartenenza e della propensione al rischio dei singoli board aziendali, confermando che l’ultima barriera per l’adozione dell’AI agentica appartiene alla sfera della gestione delle risorse umane e dei processi organizzativi.
Partecipa alla community