L’entusiasmo intorno all’intelligenza artificiale ha spinto molte aziende ad avviare sperimentazioni e progetti pilota. Il passaggio decisivo arriva però quando questi progetti devono uscire dal perimetro del test e tradursi in processi, risultati misurabili e continuità operativa. È in questo momento che emerge la differenza tra chi usa l’AI come iniziativa isolata e chi la sta trasformando in una capacità reale dell’organizzazione. Le aziende che riescono a superare questo scoglio, però, hanno spesso una cosa in comune: hanno costruito in anticipo le fondamenta giuste, in termini di dati, infrastruttura e governance su cui l'AI può crescere in modo solido.

Il motivo non è necessariamente la qualità dei modelli, e non riguarda soltanto la potenza dell’infrastruttura. Più spesso, ciò che manca è un modello operativo capace di mettere in relazione dati, governance, workload placement e competenze per portare l’AI in produzione in modo ripetibile. Sistemi sviluppati in epoche diverse, dati distribuiti tra piattaforme eterogenee e architetture poco flessibili rendono questo passaggio più lento, costoso e difficile da scalare

Il contesto italiano conferma questa dinamica. Secondo l'Osservatorio Artificial Intelligence del Politecnico di Milano, nel 2025 il 71% delle grandi imprese italiane ha avviato almeno un progetto di AI, ma solo una su cinque utilizza la tecnologia in modo realmente pervasivo nelle diverse funzioni aziendali. Un dato che evidenzia come la vera sfida non sia più avviare sperimentazioni, bensì creare le condizioni perché l'AI possa essere adottata su scala. Quali sono, allora, i principali segnali che indicano che è arrivato il momento di modernizzare l'infrastruttura?

L’intelligenza artificiale genera risultati tanto più affidabili quanto più può contare su dati accessibili, coerenti, governati e di qualità. Se i dati rimangono distribuiti tra sistemi che non comunicano tra loro, i modelli lavorano su una visione parziale della realtà e le organizzazioni faticano non solo a migliorare l’accuratezza, ma anche a riusare su scala ciò che hanno già sviluppato. È una criticità che emerge anche dalla Dell Technologies Enterprise AI Adoption Survey condotta su 3.800 responsabili IT e professionisti dell'AI in cinque Paesi, che individua nella qualità, disponibilità, gestione e sicurezza dei dati alcuni dei principali ostacoli all'adozione dell'intelligenza artificiale nelle organizzazioni.

Per questo stanno assumendo un ruolo sempre più importante architetture capaci di rendere i dati disponibili in modo uniforme nei diversi ambienti IT, dall’edge al data center fino al cloud. Non si tratta soltanto di far circolare meglio le informazioni, ma di creare le condizioni per collocare dati e workload dove performance, costo, sicurezza e requisiti normativi trovano il giusto equilibrio. Il risultato è un accesso ai dati più coerente e affidabile, che si traduce in decisioni più rapide e in modelli di AI in grado di riflettere davvero la realtà del business.

Il problema diventa evidente quando, per ogni nuovo caso d’uso, il lavoro ricomincia dalla raccolta e preparazione dei dati. In molte organizzazioni, una parte consistente dello sforzo non riguarda l’AI in sé, ma la costruzione ogni volta delle condizioni minime per farla funzionare. Disporre di pipeline dati riusabili e di una base coerente su cui innestare nuovi use case cambia questo scenario, perché accelera il passaggio dal Proof of Concept alla produzione e riduce in modo significativo il time-to-value.

L’introduzione dell’AI rende poi ancora più evidente la necessità di definire regole chiare sulla gestione dei dati, sulla sicurezza e sulla conformità normativa. In questa prospettiva, la governance non è un vincolo da aggiungere dopo, ma una delle condizioni che permettono di scalare l’AI con fiducia, trasparenza e controllo fin dalle prime fasi. La sfida non è semplicemente adottare l'AI rapidamente, ma farlo in un modo che mantenga il controllo, supporti la conformità e lasci spazio alla crescita. Le strategie di AI più efficaci, infatti, sono quelle costruite per bilanciare innovazione e governance, che non devono essere trattate come priorità in competizione tra loro. La governance non riguarda soltanto l'IT: richiede il coinvolgimento delle funzioni di business, degli specialisti dei dati e delle competenze legali affinché innovazione e controllo procedano insieme.

L’AI richiede capacità di elaborazione elevate, bassa latenza e trasferimenti rapidi dei dati. Ma la vera sfida non è soltanto aumentare le risorse: è disporre di un’infrastruttura e di una piattaforma operativa capaci di sostenere workload diversi, semplificare la gestione e accompagnare l’evoluzione dei progetti senza ripartire ogni volta da zero. Per questo l’adozione dell’AI porta spesso con sé un ripensamento di server, storage, rete e modalità di gestione dei workload, affinché possano sostenere nuovi carichi di lavoro senza compromettere prestazioni, semplicità operativa ed esperienza degli utenti.

Molte organizzazioni poi riescono a sviluppare con successo un progetto pilota, ma incontrano difficoltà quando cercano di estenderlo ad altre funzioni aziendali. Quando ogni nuovo caso d'uso richiede modifiche sostanziali all'infrastruttura, la crescita rallenta, mentre ambienti più adattabili rendono più semplice estendere l'AI a tutta l'azienda e generare valore più rapidamente. La possibilità di espandere progressivamente capacità di calcolo, storage e rete consente invece di accompagnare la crescita dei progetti senza dover ripensare ogni volta l'intera architettura.

Più che introdurre problemi nuovi, in sostanza, l'intelligenza artificiale tende a rendere evidenti quelli già presenti. Dati frammentati, sistemi poco integrati e infrastrutture rigide rappresentavano un limite anche prima; oggi, con l'AI, diventano un ostacolo ancora più evidente. L'intelligenza artificiale non mette semplicemente alla prova la capacità delle aziende di sviluppare nuovi modelli, ma anche quella di gestire dati, infrastrutture e processi in modo più efficace. Per molte organizzazioni, quindi, la vera opportunità non è soltanto adottare l’AI, ma metterla nelle condizioni di generare valore nel tempo. Questo significa costruire fin da subito fondamenta solide di dati, infrastruttura e governance, così che l’intelligenza artificiale possa evolvere da insieme di sperimentazioni promettenti a capacità concreta, sicura e ripetibile dell’impresa.

Roberto Morandi è EMEA AI Business Development Executive & CTO Ambassador di Dell Technologies