Invitati dall’Osservatorio Cloud Ecosystem & Sovereignty presso il Politecnico di Milano, Federico Soncini Sessa, Co-Founder e COO di Mia-Platform, e Denis Nalon, Director Field Marketing and Communication per il Sud Europa di OVHcloud, hanno tratteggiato l’evoluzione delle architetture IT aziendali e l’integrazione dei sistemi avanzati di automazione.
Al centro del confronto, le sfide operative legate alla gestione dei dati, alla sicurezza infrastrutturale e alle modalità con cui le organizzazioni strutturano l’adozione di soluzioni intelligenti all’interno dei propri flussi operativi di livello enterprise.
Indice degli argomenti
Il nuovo paradigma della sovranità digitale
La gestione dei dati e delle infrastrutture sta attraversando una fase di profonda trasformazione interna. La sovranità tecnologica ha smesso di rappresentare un semplice adempimento burocratico o una voce legata esclusivamente alle verifiche di conformità normativa.
Le aziende si trovano oggi nella necessità di considerare il controllo dei propri asset informativi come una scelta strategica di business, finalizzata a garantire decisioni che siano pienamente consapevoli, trasparenti e, soprattutto, reversibili nel tempo.
Attualmente, il mercato europeo dei servizi cloud presenta un forte squilibrio, caratterizzato da un livello di concentrazione in cui circa l’80% delle quote complessive è saldamente nelle mani di grandi player extra-comunitari, principalmente statunitensi. Di fronte a questa asimmetria competitiva, la costruzione di una filiera tecnologica continentale diventa l’unica alternativa in grado di offrire risposte concrete alle esigenze delle grandi aziende.
La capacità di innovazione non deve, infatti, essere considerata subordinata a quella dei modelli esteri, ma deve muoversi parallelamente a elevati standard di tutela del patrimonio informativo.
L’alternativa europea nel cloud enterprise
In questo contesto, si colloca l’operato di realtà europee stabili che lavorano per offrire un’alternativa infrastrutturale competitiva. OVHcloud si posiziona sul mercato enterprise fornendo le basi tecnologiche idonee a supportare i carichi di lavoro delle grandi organizzazioni, garantendo il pieno rispetto dei dettami normativi europei e delle linee guida espresse dalla Commissione Europea in materia di trattamento dei dati e indipendenza digitale.
A questa base solida, si affiancano soluzioni software specializzate come quelle sviluppate da Mia-Platform, un’azienda italiana fondata dieci anni fa che ha saputo consolidare una posizione di rilievo nel campo del Platform Engineering e delle piattaforme per lo sviluppo interno.
I primi pilastri dell’Enterprise AI Governance nelle grandi organizzazioni
L’introduzione massiva degli strumenti di intelligenza artificiale all’interno dei processi aziendali ha sollevato la necessità impellente di strutturare una solida architettura di enterprise AI governance.
Senza un governo centralizzato, l’adozione di agenti autonomi rischia di generare frammentazione operativa e gravi falle nella sicurezza del codice e dei dati aziendali.
Le aziende tendono spesso a implementare queste tecnologie senza applicare i necessari filtri di controllo. Un errore paragonabile all’inserimento di una nuova risorsa umana a cui non venga fornito alcun orientamento iniziale.
Federico Soncini Sessa descrive l’intelligenza artificiale non come uno strumento statico, ma come un vero e proprio elemento attivo del team di sviluppo. Secondo il COO di Mia-Platform, «l’AI è un collega mid-level con la capacità di andare velocissimo e che ha bisogno, anche lui, di essere normato e inserito all’interno di una piattaforma».
L’obiettivo principale diventa, quindi, la codifica delle regole e dei confini operativi entro cui questo assistente virtuale può agire, assicurando che ogni stringa di codice o decisione automatizzata rispetti pienamente i protocolli e la compliance aziendale.
Dall’illusione del Prompt Engineering al raggio d’azione del Context Engineering
Per ottenere un controllo reale sulle prestazioni dell’intelligenza artificiale, le organizzazioni devono superare la fase iniziale basata unicamente sul Prompt Engineering, ovvero la semplice ottimizzazione delle istruzioni testuali fornite dall’utente finale.
La vera svolta strategica risiede nel passaggio verso il Context Engineering. Questo approccio si traduce nell’alimentare gli agenti di intelligenza artificiale con l’intero patrimonio informativo aziendale in modo strutturato e sicuro.
Il Context Engineering prevede la trasmissione sistematica di documenti interni, informazioni aggiornate estratte dal web o dai wiki aziendali, definizione precisa dei ruoli dei singoli agenti nonché la condivisione dei verbali e dei memo delle riunioni sull’avanzamento dei progetti.
Dal momento che tali nozioni devono essere richiamate ripetutamente durante le sessioni di lavoro da parte di team differenti, diventa indispensabile razionalizzare questi contenuti. La soluzione risiede nella creazione di un catalogo aziendale centralizzato in cui i dati, le linee guida del marchio, i linguaggi ammessi e i template di codice vengano standardizzati come veri e propri mattoncini riutilizzabili, facilitando la scalabilità e impedendo accessi non autorizzati alle fonti informative.
L’infrastruttura tecnica: orchestrare software e hardware
L’applicazione pratica dell’Enterprise AI Governance necessita di un layer tecnologico sottostante che semplifichi l’attività quotidiana degli sviluppatori e delle figure di business. Questo compito viene assolto dalle piattaforme di sviluppo interno, note come Internal Developer Platform (IDP). Tali sistemi si collegano direttamente a tutta l’infrastruttura IT preesistente, che include macchine fisiche, data center proprietari, database, macchine virtuali e ambienti cloud, integrando al contempo i tool della catena DevOps dedicati al rilascio del codice, le piattaforme dati e gli applicativi SaaS come CRM ed ERP.
L’Internal Developer Platform si occupa di orchestrare tutti questi applicativi, automatizzando i processi e centralizzando la governance dei sistemi. Attraverso un ambiente self-service, gli sviluppatori possono attivare le risorse infrastrutturali necessarie e i relativi sistemi di monitoraggio con un solo click, accelerando il Time-to-Market dei progetti all’interno di regole predefinite e sicure.
Sopra questo specifico strato software si inserisce la governance dell’intelligenza artificiale, abilitando l’orchestrazione degli agenti, la gestione delle loro memorie storiche, le abilità tecniche e i relativi permessi di acesso ai singoli strumenti di lavoro.
Protezione dai rischi geopolitici e conformità legislativa
L’efficacia di una simile architettura software rischia di essere vanificata se la base infrastrutturale su cui poggia è esposta a vulnerabilità giuridiche esterne.
La collaborazione verticale tra fornitori di software europei e provider di infrastrutture cloud sovrane risolve questa criticità, garantendo la protezione totale dell’intero stack tecnologico. Tale integrazione si rivela cruciale per eliminare i rischi derivanti dai mutamenti repentini delle normative internazionali e dalle tensioni geopolitiche globali.
Un esempio evidente è rappresentato dall’impatto del Cloud Act degli Stati Uniti, una legislazione federale che conferisce alle autorità governative americane la facoltà di richiedere l’accesso ai dati personali e aziendali memorizzati e gestiti dai provider cloud soggetti alla giurisdizione statunitense, indipendentemente dal luogo fisico in cui si trovano i server.
L’adozione di uno stack interamente europeo elimina questa minaccia alla radice, garantendo un ecosistema digitale basato sulla fiducia nativa e sulla conformità strutturale ai regolamenti europei. Come evidenziato da Federico Soncini Sessa, «se Mia-Platform porta in dote la governance a livello software, affiancata a OVHcloud assicura una governance di tutto lo stack, grazie alla sovranità della parte infrastrutturale».
Ottimizzazione dei costi e gestione economica dei token
Accanto alle motivazioni di natura giuridica e di sicurezza, la strutturazione di una governance aziendale accurata risponde a imperativi di sostenibilità economica e ottimizzazione finanziaria.
Il mercato delle tecnologie di intelligenza artificiale sta registrando una netta inversione di tendenza rispetto alla fase iniziale di lancio commerciale, durante la quale l’accesso ai modelli di calcolo appariva particolarmente economico. Di recente, infatti, le aziende hanno dovuto fare i conti con un incremento repentino dei costi legati all’utilizzo dei token, che in alcuni casi sono aumentati di ben cinque volte.
Questo mutamento tariffario impone alle grandi organizzazioni l’implementazione di sistemi di monitoraggio rigorosi, capaci di analizzare in tempo reale le performance dei singoli componenti software e i consumi effettivi generati dagli utenti.
Attraverso la centralizzazione della piattaforma è possibile condurre attività di fine-tuning mirate, selezionando accuratamente i modelli linguistici più idonei in base alle specifiche mansioni assegnate a ciascun agente autonomo. Denis Nalon evidenzia l’importanza di questo approccio razionale, invitando a selezionare modelli che abbiano senso operativo, evitando l’adozione di architetture computazionali sovradimensionate o “super oggetti” tecnologici impiegati, poi, per l’esecuzione di compiti elementari o banali.
Strategie per ridurre il debito tecnologico
La riduzione del debito tecnologico accumulato dalle aziende europee passa anche attraverso lo sfruttamento di tecnologie aperte e condivise.
Attualmente, il maggior numero di progetti attivi basati sullo standard OpenStack è proprio di matrice europea, a dimostrazione del fatto che la cooperazione comunitaria rappresenta una risorsa concreta per accrescere le opzioni di scelta sul mercato.
L’analisi dei costi deve includere un’attenta valutazione delle spese collegate al traffico dati e al cloud computing. I provider europei si stanno posizionando sul mercato enterprise proponendo condizioni economiche competitive e modelli tariffari trasparenti, ideali per governare i flussi massivi di informazioni previsti per i prossimi anni.
Casi reali di adozione sul mercato internazionale
L’attuazione di strategie integrate di sovranità digitale e controllo software non rappresenta uno scenario teorico, ma trova riscontro in progetti industriali già operativi in diverse aree geografiche del continente. Si registra una forte tendenza di mercato da parte di grandi organizzazioni che scelgono la via dello stack tecnologico europeo per proteggere i propri flussi operativi.
Nel settore della sanità, caratterizzato da regolamentazioni stringenti sulla riservatezza dei dati sensibili, diversi clienti dislocati in Francia e in Belgio hanno avviato i loro nuovi progetti digitali adottando un approccio interamente greenfield, configurando fin dall’inizio l’intera architettura applicativa su server e infrastrutture europee.
Parallelamente, nel comparto dell’energia e delle utility nei paesi nordici, in particolare in Norvegia, grandi attori industriali hanno avviato complessi processi di migrazione dei propri sistemi e archivi di dati, abbandonando i fornitori e gli hyperscaler statunitensi a favore di soluzioni sovrane continentali.
Un benchmark di rilievo internazionale è rappresentato dal caso Helvetia, il celebre gruppo assicurativo italo-svizzero. L’organizzazione ha scelto di basare la propria evoluzione tecnologica su uno stack europeo, ottenendo il riconoscimento ufficiale da parte degli analisti globali di Gartner, che hanno inserito l’azienda all’interno dei propri censimenti mondiali descrivendola come un modello di eccellenza tecnologica a livello globale.
Superare il complesso d’inferiorità e fare sistema
Il consolidamento di un ecosistema digitale europeo richiede un profondo cambiamento culturale nell’approccio agli investimenti e nella percezione delle competenze locali.
Storicamente, le imprese europee risentono di un ingiustificato senso di inferiorità tecnologica nei confronti dei modelli statunitensi, ritenuti erroneamente più innovativi a prescindere dal contesto.
Settori d’avanguardia come il Platform Engineering e la creazione di piattaforme digitali sono nati e si sono sviluppati proprio in Europa nel corso degli ultimi cinque o sei anni, guidati da realtà come Mia-Platform, Spotify e il progetto open-source Backstage.
La prossimità geografica e operativa tra le aziende clienti e i fornitori di tecnologia europei garantisce un ulteriore vantaggio competitivo, offrendo alle imprese la possibilità di influenzare in modo diretto le roadmap di sviluppo dei prodotti e le scelte strategiche dei provider, stabilendo una cooperazione stretta che favorisce una crescita economica collettiva e una spirale positiva per l’intero tessuto industriale.
FAQ: Intelligenza Artificiale
Che cos’è l’intelligenza artificiale?
L’intelligenza artificiale è la disciplina che studia la progettazione, lo sviluppo e la realizzazione di sistemi hardware e software dotati di capacità caratteristiche dell’uomo, come ragionamento, apprendimento, pianificazione e adattamento. Si tratta di un ramo della computer science che studia lo sviluppo di sistemi in grado di emulare le capacità cognitive umane, permettendo alle macchine di apprendere dall’esperienza, adattarsi a nuovi input e svolgere compiti che tradizionalmente richiedono l’intelligenza umana. L’AI non ha una definizione univoca e condivisa, poiché comprende un ampio spettro di discipline, dalla neurologia all’informatica, dalla neurobiologia alla matematica.
Quali sono le principali tecniche di apprendimento nell’intelligenza artificiale?
Le principali tecniche di apprendimento nell’intelligenza artificiale si suddividono in tre approcci fondamentali: l’apprendimento supervisionato, l’apprendimento non supervisionato e l’apprendimento per rinforzo. Nell’apprendimento supervisionato, l’algoritmo viene addestrato su un dataset etichettato per prevedere output corretti. L’apprendimento non supervisionato lavora su dati non etichettati per scoprire pattern o strutture intrinseche. L’apprendimento per rinforzo permette a un agente di imparare a prendere decisioni interagendo con un ambiente e ricevendo feedback sotto forma di ricompense o penalità. A questi si aggiunge il deep learning, una sottocategoria del machine learning che utilizza reti neurali artificiali con molti strati per modellare ed estrarre caratteristiche complesse dai dati.
Come è nata e si è evoluta l’intelligenza artificiale nel corso della storia?
L’intelligenza artificiale ha radici che risalgono al XVII secolo, quando furono costruite le prime macchine in grado di effettuare calcoli automatici da Blaise Pascal e Gottfried Wilhelm von Leibniz. Tuttavia, è nel 1943 che la gestazione dell’AI si avvicina al termine con il lavoro del neurofisiologo Warren Sturgis McCulloch e del matematico Walter Harry Pitts, che teorizzarono come semplici neuroni potessero essere combinati per calcolare operazioni logiche elementari. La locuzione “intelligenza artificiale” venne utilizzata per la prima volta nel 1955 dai matematici e informatici John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, in preparazione della conferenza di Dartmouth del 1956, considerata la vera “sala parto” dell’intelligenza artificiale. Dopo un periodo di grandi aspettative (1950-1965), l’AI attraversò una fase di difficoltà negli anni ’60, per poi rinascere negli anni ’80 grazie agli studi di Jay McClelland e David Rumelhart sul connessionismo e le reti neurali. Oggi, l’evoluzione delle nanotecnologie e lo sviluppo di algoritmi sempre più sofisticati hanno portato a una nuova generazione di AI capace di apprendimento autonomo e analisi complesse.
Qual è la differenza tra intelligenza artificiale debole e intelligenza artificiale forte?
La differenza tra intelligenza artificiale debole (weak AI) e forte (strong AI) rappresenta una distinzione fondamentale nel campo dell’AI. L’intelligenza artificiale debole agisce e pensa simulando di essere intelligente, ma non lo è realmente. Essa risponde a problemi sulla base di regole conosciute, confrontando casi simili ed elaborando soluzioni razionali senza una vera comprensione. Si occupa essenzialmente di problem solving, simulando il comportamento umano senza comprendere totalmente i processi cognitivi. L’intelligenza artificiale forte, invece, possiede capacità cognitive non distinguibili da quelle umane. Include i “sistemi esperti” che riproducono prestazioni e conoscenze di persone esperte in un determinato ambito, utilizzando un motore inferenziale che, come la mente umana, passa da una proposizione assunta come vera a una seconda proposizione con logiche deduttive o induttive. La caratteristica distintiva di questi sistemi è l’analisi del linguaggio per comprenderne il significato, elemento essenziale per una vera intelligenza.
Quali sono le applicazioni pratiche dell’intelligenza artificiale nel mondo aziendale?
L’intelligenza artificiale trova numerose applicazioni pratiche nel mondo aziendale, trasformando processi e strategie. Nel settore finanziario, l’AI viene utilizzata per personalizzare tassi di interesse, rilevare frodi e migliorare i servizi finanziari attraverso l’analisi dei dati sulle abitudini di rimborso e altri comportamenti dei clienti. Nel marketing e nelle vendite, le tecnologie cognitive aiutano a ottenere una comprensione a 360 gradi dei clienti, prevedendo le loro esigenze e migliorando la loro esperienza, portando a un migliore ingaggio e strategie più efficaci. Nell’industria manifatturiera, l’AI viene implementata per la manutenzione predittiva, consentendo di prevedere guasti e anomalie prima che si verifichino, riducendo i tempi di inattività e migliorando l’efficienza operativa. Altre applicazioni includono l’automazione di processi, l’ottimizzazione della supply chain, il supporto decisionale basato sui dati e il miglioramento della sicurezza informatica.
Come funziona il machine learning e quale relazione ha con l’intelligenza artificiale?
Il machine learning è un sottogruppo dell’intelligenza artificiale che conferisce alle macchine la capacità di ricevere dati e modificare gli algoritmi man mano che acquisiscono più informazioni su ciò che stanno elaborando. Si tratta di sistemi di apprendimento automatico che permettono alle macchine di adattarsi e migliorarsi senza necessità di riprogrammazione da parte dell’uomo. Il machine learning automatizza la costruzione di modelli analitici, utilizzando reti neurali, modelli statistici e ricerche operative per trovare informazioni nascoste nei dati e rispondere a nuovi input esterni. Può essere implementato attraverso diversi approcci, come l’apprendimento supervisionato, non supervisionato e per rinforzo. Un esempio classico di machine learning è un sistema di visione artificiale capace di riconoscere oggetti ripresi da una videocamera: l’algoritmo distingue tra animali, persone e cose, memorizzando nuove situazioni che arricchiscono la sua conoscenza. Il machine learning rappresenta il metodo che “allena” l’AI, consentendole di sviluppare capacità sempre più sofisticate di analisi e decisione.
Quali sono le tecnologie hardware che supportano lo sviluppo dell’intelligenza artificiale?
Lo sviluppo dell’intelligenza artificiale è supportato da diverse tecnologie hardware avanzate. Le GPU (Graphic Processing Unit), originariamente create per elaborare informazioni grafiche nei videogiochi, sono diventate fondamentali per l’AI grazie alla loro capacità di eseguire calcoli in parallelo, a differenza delle CPU che lavorano in modo seriale. Le TPU (Tensor Processing Unit), sviluppate da Google, sono circuiti specificamente progettati per operazioni di machine learning ad alto carico di lavoro, in particolare per ridurre il tempo dedicato alla fase inferenziale. Le ReRAM (memorie resistive ad accesso casuale) possono immagazzinare fino a 1 terabyte di dati in chip delle dimensioni di un francobollo, sono non volatili e consumano pochissima energia, rendendole ideali per costruire reti neurali. I computer quantistici rappresentano un’altra frontiera, operando secondo la logica quantistica che consente calcoli esponenzialmente più potenti rispetto ai computer tradizionali. Infine, i chip neuromorfici simulano il funzionamento del cervello umano, utilizzando una logica di funzionamento analogica che si attiva in maniera differente a seconda del gradiente di segnale scambiato tra le unità.
Quali sono i principali rischi e sfide etiche legati all’intelligenza artificiale?
L’intelligenza artificiale presenta numerosi rischi e sfide etiche che devono essere attentamente considerati. Tra questi, la sicurezza informatica è particolarmente critica: l’AI può essere utilizzata per creare attacchi più sofisticati, come il phishing personalizzato o la manipolazione di sistemi di sicurezza, e le stesse tecnologie AI possono essere vulnerabili ad attacchi che compromettono la loro integrità. Un altro rischio significativo è rappresentato dalle allucinazioni, ovvero la generazione di risposte false o imprecise presentate come fatti plausibili, che possono avere conseguenze gravi in settori come la sanità o la finanza. Vi sono poi preoccupazioni riguardo alla privacy dei dati, alla possibilità di bias e discriminazione nei sistemi AI, e all’impatto sull’occupazione. Questioni etiche emergono anche nel contesto delle auto autonome, come evidenziato dall’esperimento “The Moral Machine” che ha esplorato le scelte morali che un’auto a guida autonoma dovrebbe compiere in situazioni di emergenza, rivelando differenze culturali significative nelle preferenze etiche.
Come sta cambiando il ruolo del CIO con l’avvento dell’intelligenza artificiale?
Il ruolo del Chief Information Officer (CIO) sta subendo una profonda trasformazione con l’avvento dell’intelligenza artificiale. I CIO sono passati da gestori di sistemi IT a leader strategici che guidano l’innovazione e la trasformazione digitale all’interno delle loro organizzazioni. Sono ora responsabili di sviluppare strategie per integrare efficacemente l’AI nei processi aziendali, ottimizzando operazioni e riducendo costi attraverso l’automazione e l’analisi dei dati. I CIO devono garantire che i dati aziendali siano gestiti in modo sicuro e conforme alle normative sulla privacy, mentre implementano soluzioni AI che possono aiutare a identificare e mitigare le minacce alla sicurezza informatica. Devono anche pianificare e facilitare la formazione e lo sviluppo delle competenze necessarie per preparare il personale a lavorare con le tecnologie AI. La loro responsabilità si estende alla valutazione e alla scelta delle giuste piattaforme e infrastrutture per supportare soluzioni AI, considerando aspetti come scalabilità, interoperabilità e costi. Il CIO moderno deve gestire il cambiamento organizzativo che l’introduzione dell’AI comporta, affrontando le preoccupazioni dei dipendenti e promuovendo una cultura aziendale orientata all’innovazione.
Qual è la differenza tra intelligenza artificiale e intelligenza umana?
La differenza fondamentale tra intelligenza artificiale e intelligenza umana risiede nella capacità di creare valore in un sistema aperto e infinito. Mentre l’intelligenza artificiale opera in un sistema chiuso di valori già definiti, l’intelligenza umana si confronta con l’esperienza e con l’infinita variabilità del mondo. L’AI utilizza algoritmi basati sulle probabilità che possono intercettare il rapporto causa/effetto senza realmente comprenderlo, trasformando l’informazione in conoscenza attraverso modelli matematici. Al contrario, l’intelligenza umana è in grado di utilizzare l’invenzione e la fantasia per osservare il mondo in modi nuovi e inaspettati, esplorando possibilità che le macchine, con i loro algoritmi predefiniti, non possono concepire. Il linguaggio naturale utilizzato dalle macchine è efficiente nel trattare grandi volumi di dati, ma manca della profondità semantica e della capacità di innovare che caratterizza il linguaggio umano. Mentre l’AI può facilitare e ottimizzare molti aspetti della nostra vita, è l’intelligenza umana che mantiene la chiave dell’innovazione dirompente, capace di vedere oltre l’ovvio e di creare valore in modi che sfidano le convenzioni.
Partecipa alla community