Le aziende italiane stanno accelerando l’adozione dell’intelligenza artificiale - il mercato ha raggiunto 1,8 miliardi di euro nel 2025, con una crescita del 50% in un anno - ma la maggior parte di esse si trova ancora nelle prime fasi della propria trasformazione. Secondo un recente studio di IDC, l’83% delle organizzazioni gestisce meno di dieci casi d’uso di AI contemporaneamente. Il passaggio dai progetti pilota alla produzione su larga scala richiede ben più della semplice adozione di nuovi strumenti: richiede un ripensamento completo del funzionamento dell’infrastruttura IT.

Questo divario è destinato ad ampliarsi con l’avvento dell’AI agentica. I nuovi sistemi non si limitano più a rispondere a un comando, come avveniva con le chatbot di prima generazione. Al contrario, interpretano le intenzioni, scompongono gli obiettivi, utilizzano strumenti esterni, interrogano database ed eseguono codice in autonomia. La natura stessa del carico di lavoro sta mutando radicalmente, trasformandosi in un processo end-to-end che pone una sfida infrastrutturale molto concreta.

Man mano che l’intelligenza artificiale passa dalla fase sperimentale a quella operativa, una quota crescente della domanda di potenza di calcolo si sta spostando verso l’inferenza. In questo nuovo scenario, affidarsi unicamente a server densi di acceleratori non è più sufficiente.

Sebbene gli acceleratori (GPU) rimangono essenziali per l’elaborazione dei modelli, i processori (CPU) tornano prepotentemente al centro del data center. Proprio come una squadra sportiva in cui il processore è l’allenatore e le GPU gli atleti specializzati, la CPU deve orchestrare i flussi di lavoro, gestire le policy di sicurezza, mantenere il contesto e coordinare l'esecuzione degli strumenti aziendali preesistenti. L’AI agentica sta riscrivendo l’equazione dell’infrastruttura spostandosi verso un rapporto CPU-GPU molto più bilanciato. Le organizzazioni hanno bisogno di un portafoglio di soluzioni di calcolo – ad alta densità di core per l’orchestrazione, ad alta frequenza per l’alimentazione degli acceleratori – e non di un’unica architettura standardizzata.

L’ottimizzazione del singolo componente deve quindi cedere il passo a un’efficienza orchestrata a livello di sistema. Questo approccio è particolarmente rilevante in Europa, dove i vincoli normativi e infrastrutturali stanno ridefinendo le priorità di progettazione.

L’EU AI Act, le cui disposizioni sono entrate in vigore per la maggior parte il 2 agosto 2026, rende ancora più importante comprendere come funzionano i sistemi di intelligenza artificiale, come vengono gestiti i dati e dove vengono elaborati. A questo si aggiungono le norme su protezione dei dati e sicurezza, oltre ai requisiti specifici di ciascun settore: un insieme di regole che spinge le aziende a dotarsi di architetture infrastrutturali capaci di garantire governance, supervisione e pieno controllo dei dati. Ecco perché un’infrastruttura agentica distribuita, capace di elaborare i dati in locale o all’edge quando necessario, diventa cruciale per garantire la compliance.

Allo stesso tempo, i vincoli energetici rappresentano un limite tangibile alla scalabilità. Secondo l’Osservatorio Data Center del Politecnico di Milano, nel triennio 2023-2025 sono stati investiti in Italia 7,1 miliardi di euro in infrastrutture data center, con ulteriori 25 miliardi previsti tra 2026 e 2028. Progettare sistemi in grado di gestire flussi complessi senza sprechi termici o colli di bottiglia nei dati non è più solo una questione di prestazioni, ma di sostenibilità operativa.

Pianificare un’infrastruttura equilibrata significa anche assicurarsi un ritorno sugli investimenti. Eppure, secondo IDC, la disciplina in questo ambito è ancora rara: appena il 21,7% delle aziende analizza in modo completo il ROI dei propri progetti di AI. Allo stesso tempo, il 77% riconosce che allineare hardware e software è una priorità per semplificare le operazioni e ottenere prestazioni più prevedibili. Per i CIO italiani, questa disciplina è resa ancora più urgente dal divario di competenze. Secondo Confartigianato, il 58,6% delle piccole imprese indica la carenza di competenze come l’ostacolo principale all’adozione dell’AI. Colmare questo divario richiede certamente investimenti, ma soprattutto la capacità di tradurli in risultati di business misurabili.

L’indicazione è chiara: l’infrastruttura non deve essere dimensionata come se si trattasse semplicemente di aggiungere una funzione di chat, ma come se dovesse supportare una nuova forza lavoro digitale. Il vero valore non deriverà da un singolo processore più potente, bensì dalla capacità di CPU, GPU e rete di integrarsi e operare in modo coordinato, come un unico sistema.

Luca Catalano è AI Business Development Manager, AMD