Forrester 2027: i cinque trend AI che cambiano le scelte dei CIO

Nel 2027 l’intelligenza artificiale assorbirà un quinto della spesa tecnologica business e quasi il 75% degli investimenti AI andranno a server e apparati. Una concentrazione di risorse che metterà i CIO davanti a una domanda: come trasformare la crescente capacità di calcolo e i nuovi strumenti basati sull’AI in valore concreto per il business? La risposta non è scontata. Secondo Forrester, infatti, oltre la metà dei responsabili IT non riuscirà a raggiungere gli obiettivi di ritorno sull’investimento associati ai progetti di intelligenza artificiale..

Il rapporto Predictions 2027: Artificial Intelligence, individua cinque trend che attraversano budget, governance, economia dei modelli, piattaforme e conoscenza aziendale.

1. L’AI assorbirà il 20% della spesa IT: quasi tre quarti andranno a server e apparati

La prima previsione riguarda la base infrastrutturale dell’AI. In un mercato tecnologico globale che Forrester stima in 6.100 miliardi di dollari nel 2027, l’intelligenza artificiale rappresenterà il 20% della spesa complessiva. E quasi tre quarti degli investimenti destinati all’AI confluiranno in server, sistemi di elaborazione e altre infrastrutture necessarie per addestrare ed eseguire modelli e servizi.

L’impatto si farà sentire anche sui bilanci aziendali attraverso token e crediti a consumo, il meccanismo con cui vengono acquistate molte funzionalità di AI generativa. Secondo Forrester, la crescita dei budget IT potrebbe non essere sufficiente a coprire questi nuovi fabbisogni. Per questo gli analisti indicano nei servizi erogati da terze parti l’area più esposta a possibili razionalizzazioni e suggeriscono di anticipare di sei mesi la revisione dei rinnovi software e dei contratti, liberando risorse da destinare ai consumi AI e alla gestione del contesto aziendale.

La pressione sui costi influenzerà anche le scelte infrastrutturali. Gli acceleratori AI, i processori specializzati utilizzati per i carichi di lavoro di intelligenza artificiale, saranno sempre più valutati non solo in base alle prestazioni. Forrester prevede che un quarto delle richieste d’offerta includerà alternative a NVIDIA, spinte da esigenze di contenimento dei costi, diversificazione della supply chain, requisiti di sovranità digitale e crescenti tensioni geopolitiche. Disponibilità e resilienza dell’approvvigionamento diventeranno criteri di scelta importanti quanto la potenza di calcolo.

Codice generato dall’AI: il testing deve tenere il passo

L’aumento della capacità produttiva non riguarderà solo l’hardware. Anche nello sviluppo software gli strumenti di intelligenza artificiale stanno accelerando la scrittura del codice e il rilascio delle correzioni. Secondo Forrester, però, la velocità di produzione rischia di superare la capacità di controllo.

Per i responsabili IT questo significa che l’automazione non riduce la necessità di governance. Al contrario, richiede maggior attenzione alle attività di verifica: test accurati prima del rilascio, responsabilità chiare nei processi di approvazione e procedure efficaci per il ripristino delle versioni funzionanti. Se l’AI consente di produrre software a ritmi più elevati, anche i controlli devono essere in grado di assorbirne il volume.

In definitiva, il vantaggio di produttività promesso dall’AI non dipenderà soltanto dalla rapidità con cui viene generato il codice, ma dalla capacità dell’organizzazione di impedire che errori e malfunzionamenti si propaghino nei sistemi critici e nelle applicazioni in esercizio.

2. Agenti AI: il nodo irrisolto della governance

Dal codice agli agenti AI, il tema del controllo si sposta dalla generazione del software alle azioni che il software è in grado di compiere. A differenza di un semplice assistente, un agente può utilizzare strumenti, accedere a dati e intervenire direttamente nei processi aziendali. Per questo motivo, le policy non possono restare principi astratti, ma devono tradursi in controlli effettivamente applicabili.

Secondo Forrester, nel 2027 le carenze di governance porteranno alcune grandi imprese a fare marcia indietro su progetti AI strategici o a rinviarne la messa in produzione. Il problema sarà la distanza fra la responsabilità assegnata alle funzioni aziendali e la loro effettiva capacità di far rispettare le regole nel software utilizzato dagli agenti..

Il nodo critico sarà il divario tra responsabilità e capacità di intervento. Le funzioni di business potranno essere chiamate a rispondere dei risultati delle iniziative, senza però disporre degli strumenti necessari per far rispettare le policy all’interno del software.

Nel frattempo, competenze, autorizzazioni e controlli continueranno a essere distribuiti tra diversi domini tecnologici, rendendo più complesso mantenere una visione unitaria dell’ecosistema. La proliferazione di agenti non censiti e l’ampliamento progressivo dei privilegi di accesso rischiano inoltre di aumentare l’esposizione ai rischi operativi e di compliance.

Per affrontare queste criticità, Forrester raccomanda la creazione di un team dedicato alla governance dell’AI, in grado di coordinare business, IT, sicurezza, gestione del rischio, funzioni legali e governo dei dati, con una responsabilità concreta nell’applicazione delle policy. Il che significa poter verificare in qualsiasi momento chi è responsabile di ciascun agente, quali dati può utilizzare e quali operazioni è autorizzato a eseguire. La governance non può essere aggiunta a valle del progetto: deve essere incorporata nell’architettura e nei processi fin dalle prime fasi di implementazione.

3. I modelli open-weight genereranno metà dei token, con il 5% della spesa

Governare gli agenti AI significa anche scegliere il modello più adatto a ciascun compito. La terza previsione di Forrester distingue nettamente tra volume di utilizzo e valore economico: entro il 2027 i modelli open-weight elaboreranno circa la metà dei token utilizzati dalle imprese, ma assorbiranno appena il 5% della spesa complessiva. In altri termini, gestiranno una quota rilevante dei carichi di lavoro senza rappresentare una voce di costo altrettanto significativa.

I modelli open-weight mettono a disposizione i parametri appresi durante l’addestramento, consentendo alle aziende di eseguirli su infrastrutture proprie o presso provider alternativi, nel rispetto delle relative licenze. Secondo Forrester, questa tipologia di modelli sarà particolarmente adatta alle attività ad alto volume e a basso valore unitario, come l’elaborazione documentale, l’assistenza clienti, la ricerca nelle basi di conoscenza aziendali e le operazioni ricorrenti all’interno dei flussi agentici.

La crescente competizione tra i fornitori che li ospitano tenderà inoltre a comprimere i prezzi, avvicinandoli sempre più ai costi dell’infrastruttura sottostante.

I modelli più avanzati e costosi saranno invece riservati ai casi d’uso in cui servono capacità specialistiche o nei quali un errore può generare conseguenze rilevanti dal punto di vista operativo, economico o normativo.

Per questo Forrester raccomanda un approccio a due livelli: affidare i carichi di lavoro ordinari ai modelli più economici e riservare quelli di frontiera alle attività che richiedono prestazioni superiori. Per i CIO, la sfida sarà definire criteri chiari di assegnazione dei workload, monitorare la qualità dei risultati e controllare i consumi associati a ciascun caso d’uso.

4. Il vantaggio competitivo è nell’orchestrazione

Gestire un portafoglio di modelli richiede però un’infrastruttura software in grado di orchestrarne l’utilizzo e controllarne il comportamento. È qui che si inserisce la quarta previsione di Forrester: entro il 2027, il 75% delle decisioni sulle piattaforme AI sarà determinato non dal modello in sé, ma dall’harness, ovvero il livello software che ne coordina l’impiego nei processi aziendali.

Questo strato di orchestrazione svolge un ruolo fondamentale: assegna i compiti al modello più appropriato, prepara il contesto informativo, governa l’accesso agli strumenti e verifica i risultati prodotti.

Un agente che deve gestire una pratica aziendale, ad esempio, non ha bisogno soltanto di un modello efficace, ma anche di ricevere i dati corretti e di poter accedere esclusivamente alle funzioni autorizzate. Da questa capacità di integrazione dipendono la qualità delle risposte, le azioni che possono essere eseguite e i controlli applicati lungo il processo.

Secondo Forrester, le prime esperienze con agenti impegnati in attività complesse e di lunga durata, come la programmazione o la ricerca, mostrano che i principali problemi di affidabilità non derivano tanto dai modelli quanto dalla loro integrazione con dati, strumenti e workflow aziendali.

Per questo motivo gli analisti suggeriscono di valutare le piattaforme AI soprattutto in base alle capacità di orchestrazione, gestione del contesto e controllo operativo, attribuendo un peso minore ai soli benchmark prestazionali dei modelli. In molti casi, il vero elemento differenziante non sarà il modello più potente, ma la capacità di inserirlo in modo sicuro, controllato ed efficace nei processi aziendali.

5. Il contesto aziendale sarà il vero fattore critico

L’orchestrazione può fornire dati e istruzioni a un agente AI, ma questo non basta. Per operare correttamente nei processi aziendali, l’agente deve comprendere il contesto in cui agisce. È questo il tema della quinta previsione di Forrester: solo un quarto delle iniziative dedicate alla costruzione di un livello di contesto aziendale riuscirà a sostenere l’AI agentica su scala produttiva.

Per contesto aziendale si intende l’insieme di significati, relazioni, regole e decisioni che descrivono il funzionamento dell’impresa. Un agente incaricato di gestire un ordine, ad esempio, deve sapere come sono collegati cliente, contratto e prodotto, quali condizioni contrattuali si applicano e quali autorizzazioni sono necessarie per ogni operazione. Senza questa conoscenza strutturata, anche il modello più avanzato rischia di prendere decisioni incomplete o errate.

In questo quadro assumono un ruolo centrale i knowledge graph, che rappresentano e collegano dati, entità e relazioni distribuiti tra applicazioni e archivi diversi, rendendoli accessibili agli agenti in modo coerente. Il problema è che costruire e mantenere questo patrimonio richiede competenze rare, che uniscono modellazione della conoscenza, tecnologie a grafo e governance dei dati.

Forrester evidenzia infatti un significativo divario di competenze: solo una piccola minoranza delle organizzazioni dispone di specialisti dedicati ai grafi di conoscenza e ancora meno prevede di rafforzare questi team. A questa carenza si aggiunge un panorama tecnologico frammentato, distribuito tra cataloghi dati, livelli semantici, database e applicazioni aziendali.

Il rischio, secondo gli analisti, è che il problema venga affrontato in modo tattico, incorporando regole e conoscenze direttamente nei singoli agenti attraverso prompt e configurazioni locali. Una soluzione apparentemente rapida, ma destinata a generare duplicazioni, incoerenze e difficoltà di manutenzione nel tempo. Per questo Forrester raccomanda di affiancare alla sperimentazione con gli agenti un investimento strutturato nella costruzione di un livello di contesto condiviso e centralizzato.

È qui che convergono tutte le previsioni del report. Infrastrutture, modelli, piattaforme e governance producono valore solo quando possono fare affidamento su una rappresentazione affidabile e condivisa della conoscenza aziendale.

I cinque trend AI previsti da Forrester per il 2027

Fonte: Forrester