Il potenziale dell’AI non è in discussione, tanto che il dibattito si è ormai spostato su come trasformare le sperimentazioni in soluzioni capaci di generare valore reale per il business.
I numeri confermano una certa difficoltà. Secondo lo State of AI in the Enterprise 2026 di Deloitte, solo il 25% delle organizzazioni ha portato in produzione almeno il 40% dei propri PoC, e la stessa criticità è evidenziata anche da Gartner, secondo cui almeno il 50% dei progetti di AI generativa sarebbe stato abbandonato dopo il PoC.
Indice degli argomenti
Perché i progetti AI si fermano alla sperimentazione
Per comprendere le ragioni del fenomeno, occorre guardare oltre la tecnologia. Secondo Pasquale Anobile, Head of Digital Engineering Sales Specialist – Zenita Group, «Nella nostra esperienza, i progetti AI non si fermano per limiti tecnologici, quanto per la difficoltà di individuare casi d’uso concreti, di gran potenziale e legati a reali esigenze di business. Spesso, le iniziative nascono come semplici sperimentazioni, senza KPI misurabili o una governance definita fin dall’inizio. A questo si aggiunge il problema della qualità dei dati, spesso frammentati tra database differenti, che finisce per compromettere l’affidabilità dei risultati e ostacolare il passaggio alla produzione».
A complicare il quadro contribuiscono la carenza di know-how specifico, le incertezze normative e, soprattutto, il disallineamento tra le funzioni di business e IT. Non è raro che il business chieda di avviare un progetto AI senza averne chiarito gli obiettivi, lasciando all’IT il compito di definire tecnologie e risorse senza disporre di requisiti precisi. Per questo, Zenita Group suggerisce di partire sempre dai casi d’uso, individuando le opportunità che offrono il miglior equilibrio tra valore di business e fattibilità tecnica.
Partire dai casi d’uso non dalla tecnologia
Ma come identificare i casi d’uso su cui investire? Lo spiega Lorenzo Fatati, Sales Specialist Network-Security/DC/AI di Zenita Group: «Suggeriamo di considerare alcuni criteri, primo fra tutti il valore di business, che deve essere concreto e misurabile attraverso indicatori come il tempo risparmiato o gli errori evitati. Occorre poi valutare la disponibilità dei dati, identificare i relativi responsabili, la fattibilità dell’integrazione con i sistemi esistenti e considerare fin dall’inizio i vincoli di privacy, sovranità e compliance».
Il consiglio è dunque quello di concentrarsi su uno o due casi d’uso per i quali sia possibile definire con chiarezza obiettivi, requisiti e risultati attesi e di non avviare progetti senza aver stabilito criteri oggettivi per valutarne il successo.
Dal PoC alla produzione: le 5 decisioni fondamentali
La fase successiva consiste nel tradurre gli obiettivi del progetto in requisiti tecnici e infrastrutturali. Secondo i professionisti di Zenita Group, per affrontare questo passaggio è necessario concentrarsi su cinque decisioni fondamentali.
Definire i requisiti prestazionali
Come sottolinea Anobile, spesso le aziende ragionano troppo presto su modelli, LLM e risorse hardware. Il primo passo è invece tradurre gli obiettivi del caso d’uso in requisiti prestazionali e livelli di servizio da garantire, lasciando che siano questi a guidare le scelte tecnologiche.
Non basta, per esempio, stabilire che un assistente AI debba supportare gli utenti nella ricerca di informazioni: occorre definire quante persone lo utilizzeranno contemporaneamente, quali tempi di risposta dovrà garantire e con quale livello di affidabilità dovrà rispondere, che a sua volta dipende dal processo coinvolto e dall’eventuale regolamentazione in essere.
Determinare le risorse di calcolo
Una seconda valutazione riguarda il tipo di elaborazione che l’infrastruttura dovrà supportare. Addestrare un modello AI da zero richiede risorse importanti, soprattutto in termini di GPU e memoria, ma raramente è necessario.
«Nella nostra esperienza – spiega Anobile – spesso è sufficiente utilizzare modelli già disponibili, senza doverli addestrare. In questi casi, l’infrastruttura deve supportare principalmente le attività di inferenza, che hanno esigenze di calcolo e memoria molto diverse rispetto all’addestramento e richiedono quindi un dimensionamento differente delle risorse». La scelta del modello, le sue dimensioni e l’eventuale necessità di fine-tuning sono ulteriori variabili da considerare per individuare la configurazione hardware più adatta.
Garantire la qualità e l’integrazione delle fonti dati
L’AI deve correlare dati provenienti da sistemi differenti. Se queste informazioni, pur esistenti, sono incomplete o incoerenti, i risultati diventano automaticamente inaffidabili. La decisione riguarda quindi quali fonti collegare, come migliorare la qualità e organizzare i dati, nonché quali autorizzazioni di accesso prevedere. Si tratta di valutazioni che orientano anche le successive scelte infrastrutturali, dalle risorse di storage fino all’eventuale adozione di architetture RAG per accedere alle informazioni aziendali.
Definire dove eseguire i modelli AI
La scelta tra cloud e infrastrutture private è una decisione fondamentale. Se nelle prime fasi il cloud consente di partire rapidamente, il passaggio alla produzione richiede di considerare con attenzione aspetti come la sicurezza, la riservatezza delle informazioni e la sovranità dei dati.
«Spesso le aziende partono sul cloud per pura immediatezza, acquistando qualche token per fare test veloci – sottolinea Anobile – ma quando si lavora su progetti strategici, come la ricerca di un nuovo farmaco o l’innovazione di prodotto, bisogna valutare attentamente i rischi legati alla condivisione di informazioni riservate su piattaforme in cloud. In questi casi, un’architettura on-premises può rappresentare la scelta più appropriata per mantenere il controllo sul patrimonio informativo aziendale».
Oltre alla protezione delle informazioni, la collocazione dell’infrastruttura incide sui tempi di risposta: applicazioni che richiedono elaborazioni in tempo reale possono beneficiare di soluzioni edge, che riducono la dipendenza dalla connettività e i tempi di latenza.
Pianificare la scalabilità dell’infrastruttura
L’ultima decisione riguarda la capacità dell’infrastruttura di sostenere il passaggio dalla sperimentazione alla produzione. Per dimensionarla correttamente, occorre stimare i carichi di lavoro previsti e definire così le risorse di calcolo, memoria e rete, considerando il numero di utenti simultanei e i volumi di richieste. Un aspetto importante è la disponibilità di banda: se la connettività non è adeguata ai carichi, i tempi di risposta aumentano, compromettendo l’esperienza.
Superare gli ostacoli della fase pilota: il ruolo del partner tecnologico
Come abbiamo visto, un conto è sperimentare l’AI, un altro è integrarla nei processi e generare valore concreto. Per questo è importante affidarsi a un partner capace di accompagnare dalla scelta del caso d’uso fino all’estensione della soluzione in tutta l’azienda.
Zenita Group, si distingue per un approccio fortemente consulenziale, che aiuta le aziende a prendere le decisioni che contano e funge da ponte tra le esigenze del business e quelle dell’IT. Dalla definizione dei casi d’uso alla creazione di PoC, fino alla messa in produzione e al supporto successivo, l’azienda è in grado di accompagnare il cliente lungo l’intero percorso, passo dopo passo.
A proposito del PoC, che resta una fase fondamentale, Fatati sottolinea: «Il pilota deve servire a decidere, non a dimostrare. Per questo lo conduciamo in condizioni realistiche, con fonti informative anche incomplete, utenti con autorizzazioni differenti e carichi crescenti. Gli esiti possibili sono tre: estendere, correggere o fermarsi. Anche fermarsi può essere un risultato positivo, perché evita investimenti inutili».
Un ulteriore elemento distintivo dell’offerta di Zenita Group è la disponibilità di soluzioni hardware preconfigurate e progettate specificamente per i carichi di lavoro AI. Si tratta degli AI Pod, bundle infrastrutturali basati su tecnologie leader di mercato di partner di riferimento e disponibili in diverse taglie, dalla XS alla XL, per rispondere a esigenze applicative e prestazionali differenti. La configurazione viene scelta in base ai requisiti del caso d’uso e alle risorse necessarie per far funzionare la soluzione in condizioni reali, con l’obiettivo di partire da un’infrastruttura adeguata al progetto pilota, che possa poi essere ampliata progressivamente in funzione dell’aumento dei carichi e dei risultati che si vuole ottenere.
Articolo realizzato in collaborazione con Zenita Group



































Partecipa alla community