Cloudera tra AI, sovranità digitale e flessibilità tecnologica

L’adozione dell‘intelligenza artificiale nelle imprese non dipende soltanto dalla disponibilità di modelli avanzati, ma anche dalla capacità di adattare le infrastrutture esistenti, controllare i costi e garantire la gestione sicura dei dati. Le scelte tecnologiche compiute in passato possono infatti rendere complessa l’introduzione di nuove soluzioni. Ecco che i dati di alcune ricerche rilasciate di rcente da Cloudera evidenziano i limiti delle architetture aziendali: circa l’80% delle imprese ritiene ad esempio necessario rivedere profondamente i sistemi legacy per sfruttare l’AI, mentre il 66% deve modificare workload AI già sviluppati per poterli riposizionare (da un cloud all’altro o da un cloud all’on premise). Numeri che mostrano come la rigidità delle infrastrutture possa ostacolare l’evoluzione dei progetti e generare un debito architetturale difficile da recuperare.

Anche la crescita degli investimenti non garantisce dal canto suo risultati immediati. In Italia, nell’ultimo anno la spesa per l’AI è aumentata del 74%, con il 46% destinato all’AI generativa e agentica, ma soltanto il 34% delle aziende dichiara un ritorno positivo. E ancora, un problema rilevante riguarda la difficoltà di prevedere i costi operativi, che spesso emergono pienamente solo dopo l’avvio delle applicazioni. Come sottolinea Fabio Pascali, Regional Vice President Italy, Greece, Cyprus di Cloudera, il problema si manifesta dopo, soprattutto quando il consumo di token rende la spesa variabile. Secondo i dati forniti dal vendor, l’82% delle imprese in Italia ha di fatto ridimensionato i progetti per rispettare i budget.

Dalla sovranità in poi

Nello scenario appena descritto il tema della a sovranità digitale è considerata un ostacolo alla scalabilità dell’AI dal 50% delle aziende italiane. Inoltre, il 95% in Italia e il 98% in Europa avrebbe rallentato o bloccato progetti AI per ragioni di conformità normativa, anche in relazione all’AI Act. La protezione delle informazioni, del know-how e dell’autonomia operativa rende quindi essenziale poter scegliere dove conservare i dati ed eseguire le applicazioni. In questo contesto si inserisce Anywhere Cloud, piattaforma basata su tre principi così descritti da Pascali: Hybrid by Default, per distribuire dati e applicazioni in ambienti diversi; Modular by Design, che consente un’adozione progressiva delle funzionalità; e Sovereign by Deployment, che permette installazioni on-premise, su cloud locali o in ambienti air-gapped, isolati dalle reti esterne. “Quest’ultima caratteristica è particolarmente rilevante per settori sensibili, come la difesa, nei quali il controllo dell’infrastruttura e la continuità operativa sono prioritari. L’utilizzo di tecnologie open source punta inoltre a ridurre il vendor lock-in e a semplificare il deployment.”

L’offerta di Cloudera è rafforzata inoltre dalla collaborazione con Mistral, per l’integrazione di modelli open-weight europei, e dalle acquisizioni di Octopai, nell’ambito del data lineage, e Taicun, legata alla gestione di Kubernetes. “La piattaforma integra inoltre un approccio Unified Data Fabric per facilitare la gestione dei dati e funzionalità AI Infused che permettono agli utenti di interrogare informazioni e agenti attraverso il linguaggio naturale, secondo il paradigma del ‘chat with your data’.”

Nel mercato italiano, l’intelligenza artificiale è ancora spesso confinata alla sperimentazione tramite proof of concept, ma sta progressivamente entrando nei processi aziendali. In questa transizione, la qualità dei dati è fondamentale: come ricorda Pascali: “Il mondo dei dati deve venire prima nel mondo dell’AI. Senza informazioni affidabili e ben organizzate, anche i modelli più avanzati rischiano di produrre risultati poco efficaci.” Cresce parallelamente la repatriation dei workload AI, che interessa il 44% delle aziende italiane e consiste nel trasferimento di applicazioni dal cloud verso infrastrutture locali o maggiormente controllate. “A guidare questa tendenza sono la sovranità, i costi e la necessità di ridurre la latenza, soprattutto nelle applicazioni real-time e nell’Edge AI.”

Infine, l’integrazione di Trino, motore open source per le query federate, consente di interrogare dati distribuiti su piattaforme differenti senza doverli necessariamente copiare in un unico archivio. Nel complesso, la sfida consiste nel superare la fase sperimentale e costruire un’AI sostenibile, fondata su infrastrutture flessibili, costi controllabili, dati affidabili e maggiore autonomia tecnologica.