Mettere alla prova l'IA: perché il 2026 determinerà funzionamento, scalabilità e governance

Oggi la velocità non è più solo un indicatore di performance tecnologica, ma anche un sinonimo della capacità di un'azienda di adattare le decisioni aziendali quasi in tempo reale. Nell'industria, ad esempio, i sistemi intelligenti collegano continuamente i dati di produzione interni con le informazioni esterne provenienti dalle catene di fornitura o dai mercati. Riconoscono tempestivamente rischi quali guasti alle macchine o variazioni della domanda e adeguano automaticamente i piani. Di conseguenza, le linee di produzione rimangono flessibili, le risorse sono utilizzate in modo ottimale e gli impegni di consegna possono essere rispettati in modo affidabile. Anche in ambito finanziario le aziende beneficiano di modelli di rischio costantemente aggiornati. Le transazioni, i movimenti di mercato e il comportamento dei clienti vengono analizzati in tempo reale, in modo che le valutazioni del rischio possano essere ricalcolate su base continuativa. Ciò aumenta la reattività e la conformità.

Che cosa significa in termini concreti? Dell Technologies analizza i tre più importanti sviluppi infrastrutturali legati all'IA.

Tendenza n. 1: l'ambiente IT si sta trasformando in una fabbrica modulare di intelligenza artificiale.

L'implementazione di progetti di IA richiede un'infrastruttura estremamente scalabile, che va oltre le possibilità di investimento di molte aziende. Ad esempio, un modello GenAI potente può richiedere centinaia di GPU. In questo contesto, un «data center come servizio» rappresenta un'alternativa interessante. Le aziende ottengono l'accesso alla potenza di calcolo su sistemi informatici specializzati senza dover creare un'infrastruttura propria. In linea di principio, un approccio ibrido ha dimostrato la sua validità, consentendo alle aziende di creare una sorta di «fabbrica dell'intelligenza artificiale». I sistemi edge si occupano dei compiti critici in termini di latenza, gli ambienti di elaborazione centralizzati fungono da livello di formazione e gestione, mentre le capacità del cloud pubblico vengono utilizzate per lo scaling elastico delle informazioni meno sensibili. I dati, quindi, non vengono più spostati in un ambiente generalizzato, ma seguono un modello basato su regole: dove si ottengono i maggiori benefici? Dove il rischio è minore? Dove l'elaborazione ha senso dal punto di vista economico? L'economia basata sui token, in particolare, mette in discussione il cloud, a lungo favorito. Mentre le applicazioni tradizionali generano solitamente carichi di calcolo prevedibili, i carichi di lavoro dell'IA variano notevolmente. Ad esempio, un semplice prompt richiede solo poche centinaia di token, mentre un'analisi completa consuma centinaia di migliaia di token. Nel cloud questo si aggiunge immediatamente. Allo stesso tempo, la questione della sovranità digitale sta diventando sempre più importante. L'elaborazione dei dati e la formazione dei modelli devono essere progettati in modo tale che le aziende possano controllare la propria catena del valore in ogni momento.

Tendenza n. 2: l'economia dell'intelligenza artificiale impone un ripensamento delle soluzioni di storage

Il successo delle applicazioni AI non dipende solo dalla potenza di calcolo, ma anche dall'efficienza dell'intero stack AI. Questo include database vettoriali ottimizzati, reti a bassa latenza, memoria scalabile, meccanismi di routing intelligenti e livelli di sicurezza e governance. L'obiettivo è organizzare le chiamate ai modelli, i processi di recupero e le convalide in modo tale che il sistema non solo funzioni in modo accurato, ma conservi anche le risorse. L'ambiente di archiviazione svolge un ruolo particolare in questo caso, poiché i sistemi di IA gestiscono insiemi di dati di diverse centinaia di petabyte. Le architetture di storage tradizionali, come NAS, SAN o i vecchi storage direct-attached, raggiungono i loro limiti in considerazione degli elevati requisiti di aggregazione dei dati e di accesso rapido ai carichi di lavoro. Tuttavia, i colli di bottiglia possono verificarsi anche con un'infrastruttura hyperconverged, soprattutto se i dati sono archiviati su nodi diversi. Inoltre, i componenti di storage e di elaborazione devono essere sempre rinnovati insieme, anche se hanno cicli di modernizzazione diversi. L'intelligenza artificiale accelera questo ciclo costoso: le GPU di solito devono essere aggiornate dopo pochi anni, mentre gli HDD sono molto più duraturi. Le architetture disaggregate offrono una soluzione: le prestazioni di storage e di calcolo sono disaccoppiate. Tramite una rete è disponibile un livello di storage condiviso, che può essere utilizzato da tutti i sistemi contemporaneamente.

Tendenza n. 3: i modelli di piccole dimensioni portano l'intelligenza in profondità nel nucleo operativo

Per molto tempo, il motto «più grande è, meglio è» è stato applicato ai modelli linguistici. Tuttavia, spesso non è così nelle attività quotidiane. Il settore manifatturiero ne è un buon esempio. I modelli linguistici di piccole dimensioni (SLM) possono essere integrati rapidamente nei processi produttivi. A differenza dei modelli AI di grandi dimensioni, possono essere addestrati in poche ore di GPU per compiti specifici come il riconoscimento di deviazioni o la valutazione di rapporti di manutenzione. Tecniche come Low-Rank Adaptation (LoRA) aiutano a integrare spazi di lavoro dedicati senza dover riqualificare l'intero modello. Un altro vantaggio decisivo è l'implementazione locale: gli SLM possono essere utilizzati direttamente su dispositivi edge o in ambienti OT isolati, riducendo al minimo i tempi di risposta e i rischi per la sicurezza. In generale, gli SLM riducono significativamente lo sforzo di calcolo, il consumo energetico e i costi del cloud. Questi modelli compatti sono indispensabili soprattutto per le applicazioni nel campo dell'intelligenza artificiale fisica, poiché i robot autonomi e ad autoapprendimento non funzionerebbero senza l'intelligenza incorporata. Questi robot, ad esempio, riconoscono gli ostacoli durante il trasporto delle merci, adattano dinamicamente i percorsi e imparano continuamente dall'ambiente circostante, come i dipendenti umani.

«Il 2026 sarà un anno in cui le aziende non si chiederanno più se stanno utilizzando l'IA, ma come devono ripensare le loro strutture tecniche e operative in modo che tutto funzioni in modo da creare valore», afferma Tim van Wasen, Managing Director di Dell Technologies DACH. «L'IA pone requisiti elevati all'ambiente IT. Ciò significa anche che le aziende devono trovare il giusto equilibrio tra velocità, sicurezza e costi per armonizzare le priorità e le esigenze più diverse.»

Ulteriori informazioni: Tecnologie Dell