L’AI è al centro delle strategie aziendali, ma non tutte le imprese stanno affrontando il percorso allo stesso modo. Alcune sono concentrate sul primo passo, ovvero offrire agli utenti accesso sicuro e governato agli LLM, limitando i rischi dello shadow AI; altre guardano oltre e puntano a costruire un’infrastruttura AI ready, capace di sostenere nel tempo dati, workload, applicazioni e agenti intelligenti, preparando l’IT a evolvere verso modelli sempre più moderni e, appunto, agentici.
La differenza non è la dimensione dell’azienda ma la visione sottostante, perché trasformare l’AI da semplice tool di lavoro a leva di valore significa partire dalle fondamenta, andando a toccare tutto ciò che la abilita.
Indice degli argomenti
Cosa significa davvero AI ready e perché è un cambio di paradigma
Un’infrastruttura AI ready non è semplicemente un ambiente dotato della capacità computazionale necessaria a eseguire modelli di intelligenza artificiale. Simone Dozza, CRO della divisione Advanced Platform Engineering di WeAreProject, sintetizza così il concetto: «Un’infrastruttura pronta per l’AI non si concentra unicamente sulle componenti infrastrutturali classiche. Non è un ambiente con GPU e un modello installato, ma un ecosistema in grado di portare davvero in produzione i progetti AI, magari oggi sperimentali, facendoli entrare nei processi aziendali in modo veloce, con performance adeguate, ma anche in modo sicuro, governabile e scalabile».
La differenza è sostanziale: un conto è disporre di un’infrastruttura sulla quale l’AI può funzionare, un altro è creare le condizioni per poterla sviluppare, industrializzare e farla evolvere nel tempo, senza ripartire da zero a ogni nuovo modello o agente ma riutilizzando servizi, dati, capacità computazionale e governance condivisi.
L’infrastruttura AI ready porta con sé anche un tema di scalabilità economica. «Il primo progetto può richiedere investimenti significativi per costruire le fondamenta tecnologiche – spiega Dozza – ma i successivi devono poter riutilizzare quanto già realizzato, riducendo progressivamente il costo marginale e il tempo necessario per andare in produzione». Se ogni nuovo caso d’uso richiede un progetto autonomo, con infrastruttura, integrazioni e governance dedicate, l’azienda sta ancora affrontando l’AI attraverso iniziative verticali e isolate.
AI-ready infrastructure: le componenti chiave per il successo
Quando si parla di infrastruttura pronta per l’AI, il pensiero corre subito a server, GPU, storage ad alte prestazioni e reti a bassa latenza, ma per la maggior parte delle organizzazioni la potenza oggi disponibile nei data center può sostenere i primi carichi di AI: non serve costruire un nuovo data center, e non è da lì che si parte. La priorità è un’altra.
Il dato: renderlo accessibile all’AI e governato senza centralizzarlo
Le aziende dispongono già di enormi patrimoni informativi, ma questi sono distribuiti tra sistemi diversi, cloud diversi, formati differenti e non strutturati.
Costruire una piattaforma aziendale AI-ready significa ripensare l’intero ciclo di vita del dato: come viene acquisito, dove viene conservato, come viene protetto e soprattutto come modelli, applicazioni e agenti possono accedervi, indipendentemente dalla sua collocazione. Non è sostenibile, e spesso neppure sensato, concentrare tutto in un unico ambiente: dati sensibili possono restare on premise, altri possono risiedere in cloud di provider diversi, altri ancora in sistemi legacy come mainframe o AS/400.
Per superare la frammentazione si può adottare un approccio a più livelli: da un lato un Control Plane comune che garantisca visibilità, governance e policy di sicurezza uniformi senza dover spostare il dato; dall’altro una piattaforma applicativa standardizzata (come Red Hat OpenShift) in grado di funzionare in logica hybrid cloud. In questo modo è possibile portare i modelli e gli agenti direttamente dove il dato risiede, azzerando i problemi di latenza.
In questo contesto, il ruolo di alcune componenti classiche cambia. «Lo storage non cambia natura, ma cambia ruolo. Se in passato era principalmente il luogo in cui il dato veniva conservato, oggi piattaforme come IBM Fusion contribuiscono a renderlo più facilmente individuabile, contestualizzabile e utilizzabile dai sistemi di AI generativa grazie a soluzioni integrate di CAS (Content Aware Storage), in grado di estrarre il contenuto dai dati storicizzati. Diventa quindi un elemento attivo dell’ecosistema informativo, capace di abilitare architetture RAG e la valorizzazione del patrimonio dati aziendale», spiega Dozza.
Questo approccio semplifica anche la sicurezza. Riducendo gli strati attraverso cui il dato deve transitare, diventa più semplice mantenere coerenti permessi e policy definite già in fase di ingestion, senza dover replicare gli stessi meccanismi di protezione su più piattaforme.
La piattaforma: l’architettura per costruire, distribuire ed eseguire l’AI
Il secondo passo è definire come sviluppare, mettere in produzione e gestire il ciclo di vita dell’intelligenza artificiale. «A tal proposito, serve definire una toolchain e un processo operativo per gestire il ciclo di vita di modelli e agenti: standardizzare, decidere quali tecnologie utilizzare, dove eseguire determinate attività, come gestire training e inferenza e come arrivare alla messa in produzione», spiega Dozza.
In questo quadro rientra anche l’observability, perché nell’AI la performance non coincide soltanto con disponibilità e velocità. Un modello può funzionare correttamente dal punto di vista tecnico e, allo stesso tempo, produrre risposte poco accurate. Quando la qualità scende sotto una determinata soglia, occorre intervenire sul modello, eseguire un retraining e riportarlo a un livello di accuratezza adeguato.
Anche questo ciclo deve essere regolamentato, così come il modo in cui modelli e agenti interagiscono tra loro e con il contesto aziendale. Ed è qui che entrano piattaforme come IBM watsonx e Openshift AI, che supportano tutte le fasi del ciclo di vita dell’AI. La suite consente di gestire infatti sviluppo, tuning e deployment di applicazioni e agenti intelligenti, integrando governance, tracciabilità e monitoraggio continuo per rafforzare la sicurezza, mitigare i rischi e garantire la conformità normativa.
Un mix virtuoso di competenze e piattaforme dedicate
Modernizzare l’ecosistema IT richiede un approccio necessariamente olistico, perché non significa introdurre un singolo prodotto ma coordinare dati, infrastruttura, piattaforme, modelli, governance e processi. È un percorso che coinvolge più interlocutori, richiede una visione strategica condivisa e soprattutto deve essere gestito nel tempo, perché tecnologie, modelli e requisiti evolvono rapidamente.
WeAreProject gestisce questa complessità integrando competenze che vanno dall’infrastruttura e dall’HPC fino alle piattaforme dati, cloud, AI e observability, e affiancando alla componente progettuale anche servizi consulenziali e gestiti.
Un elemento fondamentale è il rapporto consolidato con IBM e Red Hat, che permette di costruire questi percorsi su un ecosistema tecnologico già integrato e pensato per una modernizzazione a 360 gradi dell’infrastruttura aziendale. Soluzioni come IBM Fusion, Red Hat OpenShift e watsonx coprono livelli complementari dell’architettura, con un approccio che non riguarda soltanto le grandi enterprise, ma può accompagnare anche le aziende del mid market verso infrastrutture più moderne e AI ready.
I tecnici e i manager WeAreProject saranno presenti all’evento Tech Excellence, organizzato da Nextwork360 in collaborazione con IBM e in programma il prossimo 12 novembre a Milano. L’evento è un’occasione per approfondire il tema della modernizzazione dell’infrastruttura, confrontarsi sui percorsi di adozione e capire come evolvere verso modelli sempre più moderni e innovativi.
Articolo realizzato in collaborazione con WeAreProject
Partecipa alla community