Un'articolata riflessione sul perché oggi questi due fattori rappresentano un’infrastruttura fondamentale per i settori finanziario, sanitario e retail
Autore: Rick Vanover
Il 2026 è l’anno in cui l’AI enterprise sta passando dalla fase della verifica del suo funzionamento a quella dell’adozione sicura e consapevole. Le aziende stanno affrontando la complessità di opportunità e sfide che si presentano a un ritmo senza precedenti, ma la verità è che l’AI è efficace solo quanto lo sono i dati e la logica di business su cui si basa. La maggior parte dei progetti pilota di AI fallisce a causa del disallineamento tra leader, reparti e individui. Senza una strategia definita e una chiara responsabilità, aggiungere l’AI a un processo già difettoso non fa altro che amplificare il rischio di fallimento. Dati e decisioni che possano essere spiegati sono fondamentali per la governance dell’AI. La resilienza dei dati unificata e la fiducia nell’AI rappresentano sia un imperativo strategico sia infrastrutturale per le aziende.
KPMG prevede che nel 2026 i business leader investiranno in media 124 milioni di dollari nell’AI, con gli agenti AI sempre più diffusi. La spinta degli investimenti in AI nei settori critici come servizi finanziari, sanità e retail segna la trasformazione di sistemi mission critical che hanno un impatto su miliardi di persone in tutto il mondo.
Recenti studi di settore mostrano che il 54% delle banche ha adottato l’AI in produzione, il 46% dei progetti proof of concept nei principali fornitori del settore sanitario sta passando alla produzione e il 58% delle organizzazioni che operano nel settore retail e sta implementando soluzioni AI nel 2026, rispetto al 24% del 2024. I principali casi d’uso nei servizi finanziari includono l’identificazione di rischi emergenti, il controllo qualità (QA/QC) e la generazione di report. In ambito sanitario, dalla progettazione pre-clinica alla gestione del paziente, i risultati positivi indicano un futuro promettente. Nel retail, l’AI viene utilizzata per ottimizzare le operazioni e le supply chain e migliorare l’esperienza del cliente.
Con la crescente complessità degli ambienti dati, aumenta anche il costo dei fallimenti in ambito cybersecurity, privacy dei dati e qualità dei dati: se l’infrastruttura dati sottostante non è in grado di supportare la fiducia nell’AI su larga scala, i leader non rischiano solo costosi progetti falliti, ma anche danni operativi, normativi e reputazionali. Gli approcci tradizionali al backup e alla compliance non sono più sufficienti.
L’AI può essere vista come la voce dei dati: quando i dati sono comprensibili, sicuri, recuperabili e dimostrano di essere integri in caso di problemi, la fiducia nell’AI regge non solo all’interno dell’organizzazione, ma anche di fronte a regolatori, partner e clienti. È questo che consente di esprimere il pieno potenziale dell’AI.
Tuttavia, molte organizzazioni stanno accelerando l’adozione dell’AI sottovalutando le basi che la rendono affidabile: dati governati e di qualità, chiara responsabilità e supervisione, e piani di ripristino efficaci anche sotto pressione. Gli attacchi basati sull’AI possono colpire sia gli operatori umani sia gli strumenti AI con accesso privilegiato ai dati. Per questo è essenziale che il contesto dei flussi informativi e dell’esposizione ai dati sia sempre chiaro e comprensibile in tempo reale, così che i rischi possano essere identificati subito. Se il rischio non è progettato nel sistema fin dall’inizio, la fiducia diventa fragile.
Con la crescita esponenziale di AI e dati e con agenti AI che operano in modo autonomo alla velocità e su scala delle macchine, le criticità legate a tre categorie di rischio diventano centrali: fuga di dati sensibili, attacchi informatici e violazioni della compliance.
Le conseguenze variano da settore a settore, ma lo schema è sempre lo stesso: quando la resilienza dei dati viene meno, viene meno anche la fiducia nell’AI.
Nei servizi finanziari, la verificabilità e la continuità operativa sono fondamentali. Un modello AI che prende decisioni di credito deve disporre di un registro completo e verificabile dei dati che lo hanno addestrato e delle decisioni che ha preso. Se quei dati non possono essere recuperati o verificati dopo un guasto di sistema, i responsabili della compliance non sono in grado di difenderli e le autorità di regolamentazione non li accettano. Le recenti truffe bancarie basate su deepfake sono un esempio di fallimento nella provenienza dell’identità, che evidenzia i casi in cui un’azienda non tratta video e voce come dati non affidabili.
In ambito sanitario, il problema riguarda la sicurezza dei pazienti e l’affidabilità dei sistemi. Gli strumenti AI vengono sempre più utilizzati per individuare pazienti ad alto rischio, suggerire trattamenti o prioritizzare le emergenze. Se i dati sottostanti vengono compromessi - da ransomware, corruzione dei dati o semplici errori umani - le conseguenze possono essere potenzialmente letali. Il ripristino non riguarda solo il recupero dei file, ma la capacità di garantire che i dati che guidano le decisioni cliniche siano accurati e completi. Le violazioni legate alla “shadow AI” in sanità sono un esempio di utilizzo non autorizzato di strumenti AI da parte dei dipendenti che può portare alla fuga di dati dei pazienti.
Nel retail, il tema è la resilienza di operazioni omnicanale complesse e sempre attive. L’AI gestisce l’inventario, ottimizza i prezzi e personalizza l’esperienza cliente su web, mobile e negozi fisici. Quando i sistemi dati si interrompono o diventano inaffidabili, l’impatto è a catena: la gestione delle scorte si blocca, la pricing dinamico fallisce, le raccomandazioni ai clienti si fermano e i ricavi scompaiono. Le truffe di phishing nel retail personalizzato che finiscono sulle prime pagine avvengono quando accessi anomali non vengono rilevati come sospetti dai rivenditori online.
La normativa su dati, tecnologia, rischio e controlli interni continua a crescere. Tuttavia, politiche frammentate e in continua evoluzione aggiungono un ulteriore livello di complessità per le aziende che operano in più mercati. I fornitori di servizi finanziari devono gestire la compliance transfrontaliera mantenendo al tempo stesso la capacità di rilevare le frodi in tempo reale, mentre gli operatori sanitari devono garantire che i dati dei pazienti che attraversano i confini rispettino le normative sulla privacy. Infine, le aziende di e-commerce mobile-first devono gestire i requisiti di data residency in base alle diverse giurisdizioni.
Le aziende sono entrate nella fase della trasformazione digitale 2.0. Sviluppare l’AI senza resilienza dei dati sarebbe intrinsecamente errato. I leader che operano correttamente in ambito AI si concentrano sul trasmettere fiducia, assicurando che i propri dati e i sistemi di AI siano spiegabili.
Tuttavia, un problema chiave è che la maggior parte delle organizzazioni ha una scarsa “data hygiene”. I dirigenti spesso non comprendono i dati di cui dispongono, semplicemente perché non riescono a vederli. Secondo un recente sondaggio Veeam, quasi il 60% delle aziende segnala una ridotta visibilità dei dati a causa della crescita degli ambienti multi-cloud e SaaS.
L’unico modo pratico per comprendere davvero tutti i dati di un’organizzazione è sfruttare la potenza dell’AI. Questo consente di individuare il cosiddetto data ROT (Redundant, Obsolete and Trivial), evidenziare dati collocati nel posto sbagliato (con possibili implicazioni di compliance), assegnazioni di permessi non accurate e molto altro.
L’errore più grande che i leader aziendali possono commettere è ignorare il rischio e operare in silos. I team IT e Security devono lavorare in modo più stretto, con una visibilità completa, controlli più robusti e una resilienza superiore rispetto al passato.
Con la diffusione dell’AI e degli agenti AI, le aziende hanno bisogno di un livello di controllo unificato come, per esempio attraverso Veeam’s AI Commander, una soluzione in grado di rendere operativa la sicurezza e la resilienza della DataAI. Scalare la fiducia nell’AI significa essere in grado di rilevare i rischi, proteggere gli asset e annullare istantaneamente gli errori.
A questo punto, i team dovrebbero porsi alcune domande chiave: siamo in grado di rilevare e catalogare tutti gli asset DataAI? Disponiamo di un sistema avanzato di rilevamento dei rischi basato su un’analisi contestuale profonda dei dati? Siamo in grado di passare dai proof of concept alla produzione grazie a una gestione proattiva dei rischi AI? Le nostre iniziative AI dispongono di controlli robusti su tutto il sistema DataAI? L’attività degli agenti AI è tracciabile e i loro errori possono essere annullati? Abbiamo una compliance continua rispetto ai framework necessari? Le risposte a queste domande rappresentano i punti di verifica di un’infrastruttura unificata di resilienza dei dati e fiducia nell’AI, che deve supportare workflow diversi in tutta l’azienda.
Mentre le aziende costruiscono un’infrastruttura unificata di resilienza dei dati e fiducia nell’AI, è importante considerare che le evoluzioni in materia di copyright e le politiche regolatorie rappresentano punti ciechi che richiedono attenzione. Man mano che le aziende bilanciano progetti AI basati su soluzioni pronte all’uso e soluzioni personalizzate, la comprensione dei vincoli di copyright dei dati utilizzati per addestrare i modelli diventa un ulteriore fattore di spiegabilità. La frammentazione delle normative tra le diverse regioni aggiunge ulteriore complessità operativa per i leader.
Il successo dell’AI dipende in ultima analisi dai leader, che devono valorizzare l’esperienza maturata nei progetti pilota e porre domande sempre più dettagliate sui piani di recovery, con piena consapevolezza dei punti ciechi dell’organizzazione. Che cosa dovrebbe quindi caratterizzare una pipeline di leader pronti per l’AI?
Rick Vanover è Vice President of Product Strategy di Veeam Software