Entro quest’anno – secondo le stime di Gartner – il 40% delle applicazioni enterprise integrerà agenti AI dedicati, rispetto a meno del 5% del 2025, arrivando a gestire autonomamente il 15% delle decisioni aziendali quotidiane entro il 2028.
In questo scenario, ogni decisione dell’AI diventa una decisione sui dati. L’accuratezza, la fedeltà e la governance dei modelli dipendono direttamente dalla velocità e qualità con cui le informazioni aziendali vengono rese disponibili.
Almeno quattro problemi principali rischiano di bloccare le iniziative AI prima della produzione: la frammentazione dello Storage distribuito, la gestione obsoleta dei dati che impone lente pipeline ETL (Extract, Transform, Load), l’amministrazione manuale e i rischi legati alla velocità degli agenti autonomi.
In più, l’economia dell’AI impone un vincolo forte: l’utilizzo reale del calcolo e il costo per token sono determinati dalla rapidità con cui i dati raggiungono i processori e dai costi necessari per conservarli ed elaborarli.
Indice degli argomenti:
La realtà operativa delle AI factory è frenata da inefficienze infrastrutturali
Quindi, mentre gli investimenti aziendali si concentrano spesso sull’acquisto di acceleratori ad altissime prestazioni, la realtà operativa delle AI factory è frenata da inefficienze infrastrutturali: le architetture di storage tradizionali non sono state progettate per i flussi paralleli dell’AI e creano un sistematico collo di bottiglia.
I dati di settore indicano questo disallineamento hardware: per esempio, il fabbisogno reale di una GPU varia tra 3,3 e 8 TB al secondo, mentre la capacità dello Storage legacy eroga in media soli 40 – 80 GB al secondo per nodo da 8 GPU.
Il fenomeno della GPU starvation (sottoutilizzo del calcolo)
Questo divario provoca il fenomeno della GPU starvation (sottoutilizzo del calcolo): nelle AI factory enterprise e nei provider GPU-as-a-Service, l’utilizzo effettivo delle GPU scende frequentemente sotto il 30%, registrando in alcuni contesti crolli fino al 5% delle capacità nominali.
Risultato pratico: la redditività delle AI factory soffre molto quando i dati non riescono a stare al passo con i processori. Lo storage sviluppato finora non è in grado di sostenere l’AI su larga scala, e serve un’architettura costruita ad hoc per questo scopo.
Roadmap per aziende e manager: 5 regole strategiche per l’infrastruttura AI
Guidare l’Agentic enterprise significa trasformare il patrimonio informativo distribuito in un motore sicuro e reattivo di intelligenza aziendale, capace di operare alla stessa velocità dell’AI.
L’analisi delle tendenze e delle nuove tecnologie delinea una roadmap precisa per aziende, manager e decision maker:
Riequilibrare investimenti tra calcolo e storage: evitare di concentrare il budget solo sulle GPU, dotandosi di Storage in grado di erogare il throughput necessario (fino a TB/s) per prevenire la GPU starvation.
Adottare il modello Zero-copy: eliminare le costose pipeline ETL, permettendo agli agenti AI di accedere e attivare i dati direttamente alla fonte con governance integrata.
Scegliere la scalabilità disaggregata: adottare architetture che separino i metadati dai flussi dati, per consentire a capacità e prestazioni di scalare senza vincoli.
Governare lo storage ‘oscuro’: utilizzare motori analitici per individuare i dati inutili, bonificando fino al 60% della capacità per ridurre i costi e migliorare i dataset.
Puntare alla sovranità giurisdizionale: scegliere soluzioni Storage-as-a-Service che assicurino il controllo operativo e la permanenza dei dati entro i confini europei.
Trasformare i dati distribuiti in conoscenza pronta per l’AI
In questo scenario e con queste prospettive, nel corso dell’evento NetApp Insight che si è svolto a Las Vegas, la multinazionale americana specializzata in Intelligent Data Infrastructure ha presentato diverse novità hi-tech, che in contemporanea sono state illustrate alla stampa anche a Milano dal Team italiano di NetApp.
“Trasformare i dati distribuiti in conoscenza pronta per l’AI — mantenendo sicurezza, coerenza operativa e controllo dei costi — rappresenta la vera discriminante per guidare l’innovazione nell’era dell’intelligenza artificiale”, sottolinea Roberto Patano, Field CTO NetApp Italia.
Che rileva: “per oltre un decennio, lo Storage non ha rappresentato un punto critico nei data center. Oggi, la velocità e la struttura delle architetture tradizionali sono diventate il vero vincolo strategico ed economico; un collo di bottiglia che frena lo sviluppo tecnologico per molte imprese”.
Un’architettura Storage potenziata per le AI Factory
Per superare questi limiti, NetApp ha presentato la nuova architettura di storage NetApp Novus, ingegnerizzata per superare le carenze infrastrutturali nei grandi ambienti GPU e nelle AI Factory.
A differenza dei sistemi tradizionali, che uniscono percorso dati e gestione dei metadati, l’innovazione di Novus sta nella disaggregazione dei metadati dal percorso dei dati (metadata uncoupled from data).
“Separando i servizi di metadati dal flusso dati, l’architettura consente a tre dimensioni — prestazioni di throughput, capacità e concorrenza — di scalare in modo indipendente in un unico namespace basato sul protocollo standard NFS”, spiega il Field CTO di NetApp Italia.
Attivazione dei dati Zero-copy
Un altro fattore di inefficienza e rischio per le AI Factory sta nelle metodologie tradizionali di preparazione dati per l’AI. L’approccio classico (“copia prima, analizza dopo”) richiede estrazione, trasformazione e duplicazione dei dati verso data lake centralizzati.
Questo processo genera tre criticità: latenza elevata che rende le informazioni stantie, costi storage raddoppiati per le copie e rischi di compliance durante i trasferimenti.
La risposta tecnologica può essere “l’attivazione dei dati in modalità Zero-copy”, indica Davide Marini, Country manager NetApp Itala: “l’obiettivo è permettere agli agenti AI di accedere e attivare le informazioni esattamente dove risiedono, in tempo reale nei protocolli NFS, SMB e S3, senza condotte ETL”.
Con sistemi Storage innovativi, “è possibile risolvere il vincolo del ROI azzerando i colli di bottiglia”, fa notare Marini, “perché, nell’era dell’AI, la vera differenziazione competitiva sta nella capacità dell’infrastruttura hi-tech di valorizzare i dati e il patrimonio di conoscenza aziendale”.
Partecipa alla community