AO469

APRILE 2026 AUTOMAZIONE OGGI 469 | 23 Panorama ture governate direttamente dall’azienda. A questa pressione normativa si aggiunge l’ac- celerazione sul tema della sovranità digitale. Il 18 novembre 2025 l’Italia ha firmato la Di- chiarazione Europea sulla Sovranità Digitale, segnalando un impegno politico concreto. L’European Sovereignty Survey (2025) con- ferma che questa non è solo retorica: l’84% dei decision-maker tecnologici considera la sovranità digitale un fattore critico nella sele- zione dei fornitori, con priorità specifiche su encryption end-to-end (84,2%), software o- pen-source (63,2%) e hosting dati in territorio europeo (36,8%). L’architettura ibrida emerge quindi come la soluzione che riconcilia questi requisiti: permette di mantenere i dati sensi- bili all’interno dei confini aziendali o nazio- nali per conformità e sovranità, sfruttando al contempo la capacità elaborativa del cloud pubblico per workload non critici. Il principio operativo si inverte: non più spostare i dati verso gli algoritmi, ma portare gli algoritmi dove risiedono i dati. Carichi di lavoro eterogenei richiedono ambienti specializzati La spinta verso l’ibrido non deriva solamente dalla conformità. L’AI aziendale genera carichi di lavoro con requisiti tecnici ed economici spesso incompatibili tra loro, che mal si adat- tano a un’infrastruttura omogenea. Il training di modelli su dataset massivi richiede capaci- tà elaborativa elastica. L’inferenza su dati sen- sibili necessita di latenza minima e garanzie di conformità. La sperimentazione richiede ambienti isolati e rapida iterazione. L’archi- tettura ibrida risponde a questa eterogeneità distribuendo intelligentemente i workload su tre livelli complementari. - Edge per l’elaborazione realtime alla fonte - Nel manifatturiero, questo signifi- ca posizionare capacità di analisi AI diret- tamente sulle linee di produzione, dove sensori IoT monitorano continuamente parametri critici: vibrazioni, temperatura, qualità visiva. L’elaborazione locale per- mette tempi di risposta nell’ordine dei millisecondi, essenziali quando un difetto rilevato deve tradursi in intervento auto- matico immediato. Inoltre, i dati più sensi- bili, che incorporano know-how proprie- tario sui processi produttivi, non lasciano mai il perimetro fisico della fabbrica. Nel settore energetico, lo stesso principio si applica attraverso la ‘grid-edge intelligen- ce’: sensori intelligenti su trasformatori e sottostazioni analizzano qualità dell’ener- gia e predicono guasti eseguendo mo- delli AI localmente. Questa autonomia è critica per infrastrutture essenziali che de- vono garantire operatività anche quan- do la connessione con i sistemi centrali è compromessa. - On-premise o private cloud per dati critici e inferenza su scala - Qui risiedo- no le informazioni che per compliance, proprietà intellettuale o criticità operativa devono rimanere sotto controllo diretto: dati clienti soggetti a Gdpr, algoritmi pro- prietari, database di conformità per audit EU AI Act. Questo livello è particolarmen- te strategico dal punto di vista economi- co. Secondo analisi di settore, quando l’AI viene adottata su larga scala, l’inferenza, l’esecuzione dei modelli su nuovi dati, rappresenta fino al 75% della spesa tota- le. Eseguire questi workload su infrastrut- tura proprietaria invece di pagare costi ‘per query’ a provider cloud può generare risparmi significativi che rendono l’ado- zione economicamente sostenibile. - Cloud pubblico per training - Qui vengo- no eseguiti il training di modelli predittivi su dataset massivi, gli ambienti di sviluppo e test per nuovi algoritmi, e le analisi su dati non sensibili. L’accesso pay-per-use a GPU specializzate permette sperimen- tazione rapida senza vincolare capitale. Tuttavia, distribuire workload su ambienti eterogenei richiede una solida governan- ce. L’Osservatorio Big Data del Politecnico di Milano evidenzia un gap: solo il 37% delle grandi imprese italiane ha adottato Data Catalog, e appena il 35% dispone di strumenti di Data Quality e Lineage. Sen- za un layer di governance unificato che garantisca coerenza di policy di sicurezza e tracciabilità, l’ibrido rischia di diventare frammentazione invece di integrazione. Eliminare la ‘cloud tax’ per un ROI concreto Oltre alla conformità, l’ibrido offre vantag- gi economici misurabili. Il primo riguarda le ‘egress fees’ o i costi applicati dai provider cloud per trasferire dati fuori dai propri am- bienti. Per aziende manifatturiere o utility che generano volumi massicci di dati da sensori distribuiti, questi costi si accumulano rapida- mente. L’architettura ibrida elimina il proble- ma: i dati rimangono dove vengono generati e l’elaborazione avviene localmente. Il secon- do vantaggio riguarda il vendor lock-in. Di- pendere esclusivamente da un singolo provi- der cloud espone a due rischi: incrementi ta- riffari difficili da contestare una volta migrati sistemi critici, e riduzione del potere negozia- le. L’approccio ibrido mantiene la flessibilità di riallocare workload, garantendo competiti- vità nei prezzi. Questi benefici devono essere bilanciati con la complessità: dati del settore manifatturiero italiano indicano che il 45% dei produttori cita la carenza di competenze interne come ostacolo principale. Le piatta- forme dati moderne stanno però riducendo questa barriera attraverso governance cen- tralizzata e interfacce unificate. Il passaggio da progetti pilota all’adozione sistemica Il percorso verso l’architettura ibrida può es- sere strutturato in tre fasi. La prima consiste nel mappare e classificare l’intero patrimonio dati secondo criticità, requisiti di compliance ed esigenze prestazionali. La seconda riguar- da la progettazione di un’architettura che implementi il principio ‘data-in-place’ con go- vernance unificata. La terza prevede l’avvio di un progetto pilota ad alto valore - manutenzione predittiva nel manifatturiero o ottimizzazione smart grid nelle utilities - per dimostrare ROI concreto e costruire il business case per l’adozione su scala più ampia. L’indagine Cloudera confer- ma i benefici percepiti: il 62% delle imprese che adottano approccio ibrido cita la sicurez- za come vantaggio principale, seguito da mi- gliore gestione complessiva dei dati (55%) e capacità di analisi più efficaci (54%). Con l’87% delle grandi imprese italiane che ha avviato investimenti in Data Platform strutturate secondo l’Osservatorio del Poli- tecnico, il passaggio da sperimentazione a implementazione sistemica è già in corso. L’architettura ibrida edge-cloud non rappre- senta un compromesso tecnologico o una fase transitoria. È il modello architetturale che permette alle aziende italiane di innovare attraverso l’intelligenza artificiale mantenen- do controllo sui dati critici, conformità nor- mativa e sostenibilità economica: tre requisiti che diventeranno sempre più stringenti man mano che l’AI si afferma come infrastruttura critica per la competitività aziendale.