Durante il convegno Platmosphere 2026, l’evento internazionale organizzato da Mia-Platform dedicato all’evoluzione delle architetture IT e del Software Engineering, Tigran Egiazarov, Vice President e Analyst di Gartner, ha delineato la complessa roadmap strategica che le aziende devono intraprendere per modernizzare i propri ecosistemi digitali.L’intervento si è focalizzato sulla transizione verso un modello strutturato di impresa e ha definito i pilastri tecnologici necessari per implementare con successo le intelligent applications. Secondo la visione dell’analista, lo scenario attuale richiede un netto cambio di paradigma che sposti il baricentro dai singoli strumenti autonomi a una logica di piattaforma integrata, capace di governare l’intera infrastruttura aziendale.Indice degli argomenti
Il superamento dei microservizi e la trappola del debito tecnicoIl rischio del debito tecnico nello sviluppo dei software aziendaliAI Engineering e le reali sfide per i CIO in produzioneDefinizione e dinamiche delle intelligent applicationsL’importanza del contesto e della personalizzazione in tempo realeLe tre fasi evolutive dell’architettura software e delle intelligent applicationsIl funzionamento tecnico dell’UI CompilerLa convergenza tra ingegneria del software e analisi dei datiIl valore strategico della Data Fabric e dei dati pronti per l’AIMetadati attivi e orchestrazione dei sistemi legacyIntelligent applications e organizzazione: le 4 figure che non possono mancare in aziendaGestione della sicurezza e architettura software a zoneLa roadmap strategica dei novanta giorniLe tappe fondamentali per i CIO nei primi tre mesiIl superamento dei microservizi e la trappola del debito tecnicoIl panorama dello sviluppo software sta subendo una trasformazione accelerata, ma questo dinamismo porta con sé vulnerabilità strutturali che i leader tecnologici non possono più ignorare.Egiazarov ha evidenziato che gli agenti basati su intelligenza artificiale si stanno diffondendo capillarmente ma che questa espansione nasconde un’insidia immediata per i CIO e i responsabili dei sistemi informativi. Egiazarov ha chiarito questa dinamica affermando che «il problema con gli agenti AI è che diventano un debito tecnico immediatamente».Per ovviare a questa criticità, la priorità strategica deve spostarsi sul consolidamento della base tecnologica anziché sulla creazione di soluzioni isolate.L’obiettivo principale è garantire che l’architettura aziendale rimanga solida e coerente anche quando gli strumenti di backend o i framework di mercato subiscono repentine evoluzioni, indipendentemente dal fornitore tecnologico selezionato.Il rischio del debito tecnico nello sviluppo dei software aziendaliLa centralità dei tradizionali microservizi scritti in codice puro viene messa in discussione a favore di un approccio centralizzato. Egiazarov ha espresso in modo diretto questa transizione architetturale spiegando che «il futuro non è creare 10 microservizi Java ma assicurarsi che funzionino in produzione».La direzione corretta prevede, invece, il posizionamento dei servizi sopra una piattaforma unificata che fornisca nativamente tutte le capacità necessarie, consentendo ai diversi reparti aziendali di usufruirne in modo diretto. Questo cambiamento permette di estendere lo sviluppo oltre i confini del reparto IT.Gli sviluppatori tradizionali rappresentano, infatti, soltanto una quota compresa tra il 20% e il 30% dell’intera popolazione aziendale. L’adozione delle intelligent applications mira a democratizzare questi processi, estendendo la capacità operativa al restante 80% e consentendo ai team di vendita, marketing e contabilità di comporre in totale autonomia e sicurezza le applicazioni di cui hanno bisogno direttamente in produzione.AI Engineering e le reali sfide per i CIO in produzioneNelle agende dei direttori informatici, i punti di maggiore sofferenza rimangono legati all’integrazione delle funzionalità di intelligenza artificiale nei flussi di lavoro e alla sicurezza applicativa.Sebbene l’uso di strumenti di intelligenza artificiale per supportare la scrittura del codice stia avanzando, la vera complessità risiede nel far funzionare tali sistemi in produzione in modo stabile. È l’ingegneria dei sistemi di intelligenza artificiale, o AI Engineering, a fare la differenza nella costruzione di infrastrutture reali, ed è proprio per risolvere queste criticità che diventa indispensabile una piattaforma orchestratrice.Definizione e dinamiche delle intelligent applicationsPer comprendere l’impatto di questo cambio di rotta, è necessario ridefinire il concetto stesso di software aziendale. A differenza dei sistemi statici del passato, le intelligent applications si distinguono per la loro intrinseca capacità di adattamento continuo insieme all’utente.Un’applicazione tradizionale, come un banale sistema di conteggio delle riunioni giornaliere, richiede cicli rigidi di sviluppo, test e successiva pubblicazione sugli store digitali di Apple o Google, con tempistiche di aggiornamento che richiedono intere giornate. Le intelligent applications, al contrario, assimilano il contesto circostante e le informazioni sull’utilizzatore per modificarne l’esperienza e l’interfaccia in tempo reale.L’importanza del contesto e della personalizzazione in tempo realeGartner ha illustrato questa flessibilità attraverso l’esempio pratico di un utente all’interno di un locale che ordina ripetutamente delle bevande per sé e per i propri colleghi. Un sistema adattivo, monitorando la cronologia e i vincoli del soggetto, rileva che l’individuo non può sostenere una spesa superiore ai 1.000 dollari settimanali dal punto di vista finanziario, né può tollerare fisicamente un consumo eccessivo. Di conseguenza, l’applicazione modifica istantaneamente la schermata visibile sul dispositivo mobile, suggerendo all’utente di abbandonare il locale e arrivando a nascondere fisicamente il pulsante per prelevare ulteriore denaro.Le tre fasi evolutive dell’architettura software e delle intelligent applicationsQuesto livello di reattività non viene impostato tramite una logica statica scritta interamente nel backend, ma rappresenta un modo completamente nuovo di concepire il software.Il percorso evolutivo verso le intelligent applications attraversa tre fasi distinte che partono dall’orchestrazione e dalla composizione intelligente, passano attraverso la flessibilità di fronte ai cambiamenti esterni e approdano infine a un orientamento guidato esclusivamente dagli obiettivi di business.Il funzionamento tecnico dell’UI CompilerLa generazione di queste esperienze poggia su una precisa infrastruttura concettuale. Il sistema elabora contemporaneamente la cronologia dell’utente, i contenuti disponibili e i componenti applicativi racchiusi all’interno di un unico grande catalogo aziendale, applicando un elemento definito concettualmente come un UI Compiler, ovvero un compilatore di interfaccia utente.L’analista ha specificato che l’implementazione pratica è già accessibile sfruttando i framework open-source esistenti, che operano come parte integrante della piattaforma intelligente.All’interno di questo schema, un agente posizionato nel backend si occupa di comporre gli elementi basandosi sull’esatto contesto dell’utente, prelevando i componenti necessari dal catalogo e trasmettendoli al dispositivo mobile o web. L’applicazione mobile diventa, così, un insieme di elementi di interfaccia combinati e renderizzati direttamente dal web. Egiazarov ha supportato questa tesi sollevando una questione di logica architetturale: «se un’intelligenza artificiale può generare codice, perché non può eseguirne il rendering?». Questa composizione intelligente unisce modelli predittivi, dati e applicazioni per distribuire l’esperienza d’uso in modo fluido.La convergenza tra ingegneria del software e analisi dei datiUn’efficace implementazione delle intelligent applications richiede l’abbattimento delle barriere organizzative che storicamente dividono i dipartimenti aziendali.L’architettura concettuale proposta posiziona l’ingegneria del software sulla sinistra e la data analytics sulla destra, individuando nella piattaforma centrale l’elemento di connessione e raccordo.L’isolamento reciproco di queste due divisioni rappresenta uno dei principali errori strategici compiuti dalle organizzazioni contemporanee secondo Egiazarov, che ha evidenziando come «attualmente, i team di dati sono isolati dai team di ingegneria del software perché tutti vogliono costruire i propri agenti, e questo è davvero molto negativo». La cooperazione diretta tra queste due aree è l’unico fattore in grado di garantire il corretto funzionamento dei sistemi.Il valore strategico della Data Fabric e dei dati pronti per l’AIQuesta sinergia consente la creazione di un’architettura componibile e di dati pronti per l’intelligenza artificiale, un processo che deve essere supportato da una Data Fabric. Gli agenti artificiali, infatti, non sono in grado di interpretare correttamente i singoli componenti applicativi se non hanno un accesso diretto a quelli che vengono definiti metadati attivi, ossia informazioni strutturate capaci di apprendere costantemente durante l’esercizio dei sistemi.Metadati attivi e orchestrazione dei sistemi legacyI metadati attivi registrano ogni singolo evento operativo all’interno dell’organizzazione. Se un operatore fa clic su un pulsante all’interno di un sistema ERP, questa azione viene immediatamente memorizzata nella Data Fabric, che ne mappa le interconnessioni. In questo modo, quando un agente deve eseguire un compito complesso, non ha bisogno di ricevere una guida esplicita passo dopo passo, poiché è in grado di identificare autonomamente tutte le API necessarie per completare l’operazione. Le operazioni fluide come l’apertura di un conto bancario, la verifica delle code d’attesa o il controllo dei limiti di una carta di credito possono essere orchestrate istantaneamente al volo, superando la necessità di scrivere rigide logiche in Java.La piattaforma agisce come una rete di collegamento che non va a sostituire i sistemi sottostanti già presenti in azienda, come SAP, Salesforce o ServiceNow, la cui riscrittura da zero risulterebbe troppo complessa e onerosa.Le applicazioni esistenti vengono mantenute ed esposte agli agenti esclusivamente sotto forma di componenti API racchiusi nel catalogo generale. Gli agenti dimostrano eccellenti capacità come orchestratori, ma mostrano forti limiti nella gestione diretta delle regole operative profonde. Come sottolineato da Egiazarov, «un agente AI è un buon orchestratore, ma è pessimo nella logica di business, almeno per ora». Per questa ragione, le funzioni critiche, come la verifica dei motivi del rifiuto di una transazione di pagamento o di un prodotto, devono rimanere saldamente ancorate alle applicazioni logiche centrali, mentre il resto della logica operativa viene composto attorno ad esse.Intelligent applications e organizzazione: le 4 figure che non possono mancare in aziendaL’estensione dell’operatività a tutta la platea aziendale richiede l’introduzione di rigidi modelli di controllo per evitare l’anarchia architetturale.L’ecosistema delle intelligent applications prevede la presenza di quattro figure chiave all’interno dell’organizzazione.Il creator si occupa di gestire l’insieme delle applicazioni e di inserire i componenti sicuri nella piattaforma.Il composer assembla concretamente i moduli e può identificarsi sia in uno sviluppatore sia in un profilo di business come un responsabile vendite o un contabile.Infine, il consumer e il cliente finale rappresentano i destinatari che utilizzano concretamente il servizio orchestrato dalla piattaforma.Gestione della sicurezza e architettura software a zonePer garantire la sicurezza della produzione, la piattaforma deve applicare una precisa classificazione dei permessi basata su quattro zone distinte, descritta dettagliatamente da Egiazarov.La zona verde è destinata al lavoro prettamente personale e individuale dei profili non tecnici.Il livello successivo è rappresentato dalla zona gialla, focalizzata sull’ambito dipartimentale, dove la composizione dei servizi deve necessariamente avvenire in collaborazione con gli sviluppatori professionisti.La zona rossa viene riservata ai sistemi aziendali critici, che richiedono una supervisione rigorosa e vincoli strettissimi, mentre la zona grigia applica le proprie specifiche restrizioni di accesso.Questo modello strutturato permette al 100% dell’organizzazione di operare sulla medesima piattaforma, all’interno di perimetri governati e protetti direttamente dall’infrastruttura.La roadmap strategica dei novanta giorniLa transizione verso un’impresa agile non richiede investimenti massicci e indiscriminati in architetture multicloud partendo da zero.Le organizzazioni possono adottare una strategia flessibile orientata alla connessione di modelli, dati e applicazioni, muovendosi tra le opzioni di acquisto, costruzione o integrazione ibrida. Se l’azienda decide di acquistare un modello, la piattaforma lo collegherà ai dati proprietari, che rimangono un patrimonio esclusivo e non acquistabile dell’organizzazione. Piattaforme abilitanti come Mia-Platform rispondono alla crescente domanda dei CIO che desiderano attivare in sicurezza i citizen developer all’interno dei processi produttivi.Le tappe fondamentali per i CIO nei primi tre mesiPer avviare concretamente questo percorso, Gartner ha formalizzato una precisa pianificazione delle attività da completare nell’arco di novanta giorni.Il primo mese richiede l’analisi approfondita delle reali possibilità di composizione offerte dalla piattaforma tecnologica adottata.Entro i successivi trenta giorni, i responsabili IT devono avviare un confronto diretto con quattro diversi attori strategici del settore per pianificare l’architettura di composizione intelligente.L’ultimo passaggio prevede una mappatura completa dei componenti aziendali che non risultano ancora accessibili agli agenti artificiali, provvedendo alla loro immediata esposizione pubblica tramite API, parallelamente alla discussione interna sui requisiti fondamentali per trasformare l’organizzazione in un modello di business realmente adattivo.Le principali tecniche di apprendimento nell’intelligenza artificiale si suddividono in tre approcci fondamentali: l’apprendimento supervisionato, l’apprendimento non supervisionato e l’apprendimento per rinforzo. Nell’apprendimento supervisionato, l’algoritmo viene addestrato su un dataset etichettato per prevedere output corretti. L’apprendimento non supervisionato lavora su dati non etichettati per scoprire pattern o strutture intrinseche. L’apprendimento per rinforzo permette a un agente di imparare a prendere decisioni interagendo con un ambiente e ricevendo feedback sotto forma di ricompense o penalità. A questi si aggiunge il deep learning, una sottocategoria del machine learning che utilizza reti neurali artificiali con molti strati per modellare ed estrarre caratteristiche complesse dai dati.L’intelligenza artificiale ha radici che risalgono al XVII secolo, quando furono costruite le prime macchine in grado di effettuare calcoli automatici da Blaise Pascal e Gottfried Wilhelm von Leibniz. Tuttavia, è nel 1943 che la gestazione dell’AI si avvicina al termine con il lavoro del neurofisiologo Warren Sturgis McCulloch e del matematico Walter Harry Pitts, che teorizzarono come semplici neuroni potessero essere combinati per calcolare operazioni logiche elementari. La locuzione “intelligenza artificiale” venne utilizzata per la prima volta nel 1955 dai matematici e informatici John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, in preparazione della conferenza di Dartmouth del 1956, considerata la vera “sala parto” dell’intelligenza artificiale. Dopo un periodo di grandi aspettative (1950-1965), l’AI attraversò una fase di difficoltà negli anni ’60, per poi rinascere negli anni ’80 grazie agli studi di Jay McClelland e David Rumelhart sul connessionismo e le reti neurali. Oggi, l’evoluzione delle nanotecnologie e lo sviluppo di algoritmi sempre più sofisticati hanno portato a una nuova generazione di AI capace di apprendimento autonomo e analisi complesse.La differenza tra intelligenza artificiale debole (weak AI) e forte (strong AI) rappresenta una distinzione fondamentale nel campo dell’AI. L’intelligenza artificiale debole agisce e pensa simulando di essere intelligente, ma non lo è realmente. Essa risponde a problemi sulla base di regole conosciute, confrontando casi simili ed elaborando soluzioni razionali senza una vera comprensione. Si occupa essenzialmente di problem solving, simulando il comportamento umano senza comprendere totalmente i processi cognitivi. L’intelligenza artificiale forte, invece, possiede capacità cognitive non distinguibili da quelle umane. Include i “sistemi esperti” che riproducono prestazioni e conoscenze di persone esperte in un determinato ambito, utilizzando un motore inferenziale che, come la mente umana, passa da una proposizione assunta come vera a una seconda proposizione con logiche deduttive o induttive. La caratteristica distintiva di questi sistemi è l’analisi del linguaggio per comprenderne il significato, elemento essenziale per una vera intelligenza.L’intelligenza artificiale trova numerose applicazioni pratiche nel mondo aziendale, trasformando processi e strategie. Nel settore finanziario, l’AI viene utilizzata per personalizzare tassi di interesse, rilevare frodi e migliorare i servizi finanziari attraverso l’analisi dei dati sulle abitudini di rimborso e altri comportamenti dei clienti. Nel marketing e nelle vendite, le tecnologie cognitive aiutano a ottenere una comprensione a 360 gradi dei clienti, prevedendo le loro esigenze e migliorando la loro esperienza, portando a un migliore ingaggio e strategie più efficaci. Nell’industria manifatturiera, l’AI viene implementata per la manutenzione predittiva, consentendo di prevedere guasti e anomalie prima che si verifichino, riducendo i tempi di inattività e migliorando l’efficienza operativa. Altre applicazioni includono l’automazione di processi, l’ottimizzazione della supply chain, il supporto decisionale basato sui dati e il miglioramento della sicurezza informatica.Il machine learning è un sottogruppo dell’intelligenza artificiale che conferisce alle macchine la capacità di ricevere dati e modificare gli algoritmi man mano che acquisiscono più informazioni su ciò che stanno elaborando. Si tratta di sistemi di apprendimento automatico che permettono alle macchine di adattarsi e migliorarsi senza necessità di riprogrammazione da parte dell’uomo. Il machine learning automatizza la costruzione di modelli analitici, utilizzando reti neurali, modelli statistici e ricerche operative per trovare informazioni nascoste nei dati e rispondere a nuovi input esterni. Può essere implementato attraverso diversi approcci, come l’apprendimento supervisionato, non supervisionato e per rinforzo. Un esempio classico di machine learning è un sistema di visione artificiale capace di riconoscere oggetti ripresi da una videocamera: l’algoritmo distingue tra animali, persone e cose, memorizzando nuove situazioni che arricchiscono la sua conoscenza. Il machine learning rappresenta il metodo che “allena” l’AI, consentendole di sviluppare capacità sempre più sofisticate di analisi e decisione.Lo sviluppo dell’intelligenza artificiale è supportato da diverse tecnologie hardware avanzate. Le GPU (Graphic Processing Unit), originariamente create per elaborare informazioni grafiche nei videogiochi, sono diventate fondamentali per l’AI grazie alla loro capacità di eseguire calcoli in parallelo, a differenza delle CPU che lavorano in modo seriale. Le TPU (Tensor Processing Unit), sviluppate da Google, sono circuiti specificamente progettati per operazioni di machine learning ad alto carico di lavoro, in particolare per ridurre il tempo dedicato alla fase inferenziale. Le ReRAM (memorie resistive ad accesso casuale) possono immagazzinare fino a 1 terabyte di dati in chip delle dimensioni di un francobollo, sono non volatili e consumano pochissima energia, rendendole ideali per costruire reti neurali. I computer quantistici rappresentano un’altra frontiera, operando secondo la logica quantistica che consente calcoli esponenzialmente più potenti rispetto ai computer tradizionali. Infine, i chip neuromorfici simulano il funzionamento del cervello umano, utilizzando una logica di funzionamento analogica che si attiva in maniera differente a seconda del gradiente di segnale scambiato tra le unità.L’intelligenza artificiale presenta numerosi rischi e sfide etiche che devono essere attentamente considerati. Tra questi, la sicurezza informatica è particolarmente critica: l’AI può essere utilizzata per creare attacchi più sofisticati, come il phishing personalizzato o la manipolazione di sistemi di sicurezza, e le stesse tecnologie AI possono essere vulnerabili ad attacchi che compromettono la loro integrità. Un altro rischio significativo è rappresentato dalle allucinazioni, ovvero la generazione di risposte false o imprecise presentate come fatti plausibili, che possono avere conseguenze gravi in settori come la sanità o la finanza. Vi sono poi preoccupazioni riguardo alla privacy dei dati, alla possibilità di bias e discriminazione nei sistemi AI, e all’impatto sull’occupazione. Questioni etiche emergono anche nel contesto delle auto autonome, come evidenziato dall’esperimento “The Moral Machine” che ha esplorato le scelte morali che un’auto a guida autonoma dovrebbe compiere in situazioni di emergenza, rivelando differenze culturali significative nelle preferenze etiche.Il ruolo del Chief Information Officer (CIO) sta subendo una profonda trasformazione con l’avvento dell’intelligenza artificiale. I CIO sono passati da gestori di sistemi IT a leader strategici che guidano l’innovazione e la trasformazione digitale all’interno delle loro organizzazioni. Sono ora responsabili di sviluppare strategie per integrare efficacemente l’AI nei processi aziendali, ottimizzando operazioni e riducendo costi attraverso l’automazione e l’analisi dei dati. I CIO devono garantire che i dati aziendali siano gestiti in modo sicuro e conforme alle normative sulla privacy, mentre implementano soluzioni AI che possono aiutare a identificare e mitigare le minacce alla sicurezza informatica. Devono anche pianificare e facilitare la formazione e lo sviluppo delle competenze necessarie per preparare il personale a lavorare con le tecnologie AI. La loro responsabilità si estende alla valutazione e alla scelta delle giuste piattaforme e infrastrutture per supportare soluzioni AI, considerando aspetti come scalabilità, interoperabilità e costi. Il CIO moderno deve gestire il cambiamento organizzativo che l’introduzione dell’AI comporta, affrontando le preoccupazioni dei dipendenti e promuovendo una cultura aziendale orientata all’innovazione.La differenza fondamentale tra intelligenza artificiale e intelligenza umana risiede nella capacità di creare valore in un sistema aperto e infinito. Mentre l’intelligenza artificiale opera in un sistema chiuso di valori già definiti, l’intelligenza umana si confronta con l’esperienza e con l’infinita variabilità del mondo. L’AI utilizza algoritmi basati sulle probabilità che possono intercettare il rapporto causa/effetto senza realmente comprenderlo, trasformando l’informazione in conoscenza attraverso modelli matematici. Al contrario, l’intelligenza umana è in grado di utilizzare l’invenzione e la fantasia per osservare il mondo in modi nuovi e inaspettati, esplorando possibilità che le macchine, con i loro algoritmi predefiniti, non possono concepire. Il linguaggio naturale utilizzato dalle macchine è efficiente nel trattare grandi volumi di dati, ma manca della profondità semantica e della capacità di innovare che caratterizza il linguaggio umano. Mentre l’AI può facilitare e ottimizzare molti aspetti della nostra vita, è l’intelligenza umana che mantiene la chiave dell’innovazione dirompente, capace di vedere oltre l’ovvio e di creare valore in modi che sfidano le convenzioni.
