L’entusiasmo per l’adozione dell’intelligenza artificiale (AI) è ai massimi livelli, e a ragione. L’AI sta già trasformando il modo in cui il software viene creato, distribuito e gestito, consentendo straordinari incrementi di produttività ed efficienza. Le organizzazioni che stanno abbracciando questo cambiamento si stanno posizionando per assumere un ruolo di leadership.
Il mercato mostra ritmi di adozione diversi. Alcune organizzazioni stanno adottando modelli linguistici di grandi dimensioni (LLM) e l’AI generativa per migliorare i processi e i flussi di lavoro esistenti, mentre altre stanno adottando un approccio “AI-first”, sfruttando l’AI agentica per ripensare il modo in cui il software viene sviluppato e gestito attraverso nuove modalità operative. Entrambi i percorsi sono validi, purché lo slancio continui ad accelerare.
Quello che osserviamo su tutta la linea è un andamento positivo. Le organizzazioni stanno imparando, perfezionando le proprie procedure e acquisendo sicurezza su come integrare l’intelligenza artificiale negli ambienti operativi in modo sicuro e scalabile. Man mano che l’adozione cresce, le aziende acquisiscono preziosi insights sulle misure di sicurezza e sulle basi di dati necessarie per ottenere risultati costanti – e queste informazion si stanno moltiplicando rapidamente.
Con l’aumento degli investimenti nel monitoraggio e nell’automazione basati sull’intelligenza artificiale, i manager stanno comprendendo che un’osservabilità affidabile basata sull’intelligenza artificiale costituisce il ponte tra le operazioni gestite dall’uomo e gli ecosistemi digitali autonomi ma supervisionati dall’uomo.
Lo scienziato e l’artista: i due volti dell’intelligenza artificiale
L’AI generativa di cui tutti parlano è un sistema probabilistico. È un artista creativo, perfetto per il brainstorming, la generazione di contenuti innovativi e l’accelerazione del processo ideativo. Gli approcci probabilistici danno il meglio di sé quando la complessità supera i limiti del determinismo. Ma per le operazioni IT critiche, serve anche uno scienziato: un sistema deterministico, basato sui fatti, affidabile e comprensibile. Proprio come una calcolatrice è deterministica, i sistemi operativi necessitano della stessa precisione, affinché i risultati siano accurati e riproducibili. Lo “scienziato” è un’AI che ragiona sulla base di dati verificati, quali la topologia in tempo reale, le dipendenze causali e metriche precise, per fornire risposte su cui i team possano agire con sicurezza.
È proprio qui che la promessa dell’Agentic AI – sistemi in grado di ragionare e agire in modo autonomo – necessita delle basi giuste. Sebbene il 50% delle organizzazioni disponga di agenti in produzione per casi d’uso limitati, solo il 23% ha portato questi progetti a svilupparsi fino a un’integrazione a livello aziendale. Questo divario non è un fallimento dell’AI, ma un segnale che l’ecosistema che circonda gli agenti di IA deve ancora maturare. Le organizzazioni che sapranno affrontare le sfide relative al contesto, all’accuratezza e ai cicli di feedback saranno quelle a crescere più rapidamente.
Una delle sfide principali è che l’AI generativa può generare “allucinazioni” e far deviare gli agenti dal loro percorso. I Chief Technology Officer (CTO) danno giustamente la priorità alla necessità di garantire che i sistemi agenti abbiano accesso immediato a informazioni di alta qualità, in modo che i flussi di lavoro degli agenti, composti da più fasi, possano essere eseguiti in modo rapido e affidabile. Le “allucinazioni” non sono errori di poco conto, ma possono innescare azioni errate che comportano interruzioni del servizio e rischi per la sicurezza. Nelle catene di agenti, le imprecisioni possono accumularsi e amplificarsi, con conseguenti rischi finanziari.
Ma ecco la parte interessante: si tratta di problemi risolvibili. La combinazione di osservabilità contestuale, AI deterministica e mappatura delle dipendenze in tempo reale sta già rendendo l’AI agentica più affidabile e utilizzabile.
Il percorso verso la vera autonomia
Allora, come dobbiamo procedere? Creando un ecosistema di AI che includa l’osservabilità basata sull’intelligenza artificiale per ottenere risultati affidabili. Le organizzazioni partono da casi d’uso chiaramente definiti, implementano una solida supervisione ed espandono gradualmente il ruolo dell’AI man mano che cresce la fiducia nei suoi risultati. La chiave sta nel combinare il potere creativo dell’AI generativa con una base deterministica fondata sui dati operativi concreti. Questo crea un sistema in cui gli esseri umani definiscono gli obiettivi strategici mentre un’AI affidabile gestisce l’esecuzione tattica con precisione, guidata da politiche e linee guida consolidate.
Il percorso dall’automazione all’autonomia è un’evoluzione, e sta procedendo più rapidamente che mai. Ogni organizzazione progredisce attraverso le proprie fasi di maturità nel percorso verso l’operatività autonoma. Per la maggior parte, tale percorso si articola in tre fasi distinte.
La prima fase è automatizzata. Il percorso inizia abbandonando i semplici script rigidi. In questa fase, il sistema esegue attività ben definite basate su risposte generate dall’intelligenza artificiale e fondate su dati contestuali in tempo reale. Si tratta di automatizzare in modo affidabile le risposte a problemi noti. Molte organizzazioni stanno cercando di raggiungere questa fase o vi si trovano già, e tale progresso sta accelerando.
La seconda fase è quella dell’autonomia supervisionata. Man mano che la fiducia nel sistema cresce, questo passa a gestire scenari più complessi. L’intelligenza artificiale è in grado di analizzare una situazione nuova, comprenderne l’impatto sul business e generare un piano d’azione pronto per essere implementato. Tuttavia, tale piano non viene eseguito finché un esperto umano non ne dà l’approvazione. Ciò consente di mantenere il coinvolgimento umano nelle decisioni critiche, alleggerendo al contempo il carico cognitivo dell’analisi iniziale. I principi chiave in questo contesto sono l’affidabilità, la trasparenza e un ciclo di feedback preciso.
La fase finale è costituita da sistemi completamente autonomi che operano in modo indipendente per raggiungere gli obiettivi aziendali, gestendo dinamicamente gli ambienti, ottimizzando costi e prestazioni e risolvendo i problemi prima che abbiano un impatto sugli utenti. Il sistema si auto-monitora costantemente per ottimizzarsi autonomamente, garantire la conformità e fornire insights che aiutino le persone a perfezionare i propri obiettivi. Le persone continuano a svolgere un ruolo cruciale: esaminano i risultati, adeguano le strategie e stabiliscono la direzione da seguire. Immaginate il ruolo umano come quello di un architetto con spirito imprenditoriale che lavora a fianco dell’AI, concentrandosi sulla gestione delle conoscenze, sulla definizione degli obiettivi e di ciò che il sistema dovrebbe fornire. Di conseguenza, le organizzazioni forniscono e gestiscono software con maggiore resilienza, clienti più soddisfatti e costi inferiori.
Perché l’osservabilità è fondamentale per un’AI affidabile
La verità è che gli agenti di AI sono potenti: sono in grado di programmare più velocemente, fare refactoring su larga scala ed elaborare informazioni oltre le capacità umane. Ma l’AI non ha consapevolezza di ciò che accade in produzione. È cieca rispetto al mondo reale se non riceve il contesto necessario dall’osservabilità.
Ecco perché l’osservabilità è fondamentale per un’intelligenza artificiale affidabile. Ed è proprio qui che risiede la vera opportunità: non nella raccolta di una maggiore quantità di dati, ma nel renderli immediatamente utilizzabili per prendere decisioni precise.
Le organizzazioni necessitano di sistemi basati su un data lakehouse unificato per l’AI che acquisisca e strutturi continuamente i dati di telemetria, integrato con un grafico delle dipendenze in tempo reale che mappi ogni servizio, transazione e componente infrastrutturale nel proprio contesto. Una base di questo tipo garantisce che l’AI sia affidabile ed efficiente, fornendo la memoria di cui ha bisogno su larga scala.
Questo livello di precisione contestuale è fondamentale perché i modelli di linguaggio di grandi dimensioni (LLM) non sono in grado di elaborare direttamente petabyte di dati di osservabilità eterogenei. Le loro finestre contestuali sono limitate e le prestazioni diminuiscono man mano che l’input si avvicina alla lunghezza massima. Selezionare e strutturare solo le informazioni più rilevanti produce risultati migliori rispetto a fornire tutto in una volta.
Per superare questi limiti, è fondamentale sintetizzare rapidamente grandi quantità di dati in un contesto conciso e di alta qualità. Se c’è una cosa di cui gli agenti di AI hanno bisogno, è proprio un contesto eccellente, accurato e chiaro, fornito in tempi rapidi. È qui che l’analisi contestuale, i grafici di dipendenza e un data lakehouse ottimizzato per l’IA diventano fattori di differenziazione fondamentali.
L’impatto delle operazioni autonome sul business
Costruire questo futuro non è solo una questione di innovazione, ma una necessità aziendale. La spesa per infrastrutture ottimizzate per l’intelligenza artificiale a supporto di questi sistemi ha raggiunto gli 82 miliardi di dollari in un solo trimestre nel 2025 e si prevede che raggiungerà i 758 miliardi di dollari all’anno entro il 2029. I vantaggi derivanti da una scelta azzeccata sono immensi.
La fusione tra AI deterministica e AI agentica segna una nuova era per l’IT aziendale. Questo approccio dà vita a un sistema in cui l’AI osserva e gestisce altri sistemi basati sull’intelligenza artificiale, promuovendo un nuovo standard di resilienza digitale e un’esperienza cliente di livello superiore.
Ciò che ci entusiasma di più è la rapidità di questa trasformazione — e noi stessi stiamo procedendo a quella stessa velocità, sviluppando soluzioni di osservabilità che siano non solo basate sull’intelligenza artificiale, ma anche integrate in modo nativo nei modelli di lavoro che privilegiano l’AI. La tecnologia si sta trasformando in un partner strategico e affidabile, consentendo alle organizzazioni di affrontare con sicurezza le complessità del mondo digitale e di costruire un futuro realmente autonomo.
