Rapporto sulla preparazione dell'infrastruttura dati 2026

La domanda di intelligenza artificiale sta superando la capacità delle infrastrutture di prepararsi. Una nuova ricerca globale commissionata da Seagate a oltre 2.700 responsabili delle decisioni tecnologiche aziendali ha rilevato che il 99% prevede che l'intelligenza artificiale aumenterà il fabbisogno di storage nei prossimi tre anni, ma solo il 38% afferma di essere pienamente preparato.

Questo divario di preparazione sta diventando sempre più rilevante man mano che l'intelligenza artificiale entra in una nuova fase. La prima era dell'intelligenza artificiale è stata caratterizzata da scoperte rivoluzionarie nei modelli e nel calcolo. La prossima era sarà plasmata dalle decisioni relative all'infrastruttura dei dati necessarie per scalare l'IA in modo efficiente, sostenibile e in modi che sblocchino il valore a lungo termine. Le organizzazioni si trovano ad affrontare una nuova realtà: Il successo dell'IA dipende dalle innovazioni infrastrutturali, poiché i dati sono ormai una risorsa strategica per il business, anziché un centro di costo.

In questo contesto, la ricerca ha esplorato diverse dinamiche che le organizzazioni si trovano ad affrontare mentre si preparano al futuro delle infrastrutture di intelligenza artificiale:

• crescita dei dati guidata dall'intelligenza artificiale
• predisposizione dell'infrastruttura di intelligenza artificiale
• Priorità di investimento nelle infrastrutture
• Sostenibilità ed efficienza operativa
• Strategia di archiviazione e scalabilità a lungo termine

Sottolineando la necessità critica di investimenti continui nella strategia dei dati, nella governance e nei sistemi necessari per il successo dell'IA, queste dinamiche definiscono un nuovo imperativo: scalabilità sostenibile.

La scalabilità sostenibile è la capacità di aumentare la capacità dell'IA e il valore aziendale migliorando continuamente l'efficienza dell'infrastruttura che la supporta. Poiché i responsabili politici, gli enti regolatori e il pubblico prestano sempre maggiore attenzione alla crescita delle infrastrutture di intelligenza artificiale, la scalabilità sostenibile svolgerà un ruolo fondamentale nella vitalità a lungo termine di un'economia dell'intelligenza artificiale robusta e sana.

I cinque cambiamenti strategici che seguono illustrano come le organizzazioni stanno mettendo in pratica la crescita sostenibile e dove si trovano le maggiori opportunità e sfide.

L'intelligenza artificiale sta già generando un valore aziendale misurabile. L'86% degli intervistati descrive il ritorno sugli investimenti in IA della propria organizzazione come moderato o significativo, incluso il 33% che riporta rendimenti significativi e misurabili. Questi risultati aumentano l'importanza dei dati che rendono possibile l'intelligenza artificiale. Quando modelli, applicazioni e decisioni dipendono dai dati, la loro memorizzazione non è più una funzione secondaria. Diventa parte della capacità dell'organizzazione di migliorare nel tempo i risultati dell'IA. Questo andamento è ampiamente condiviso tra i mercati, con rendimenti moderati o significativi segnalati negli Stati Uniti (87%), in Cina (91%), in India (91%), in Giappone (75%), in Francia (82%), nel Regno Unito (86%) e in Germania (82%).

La crescita prevista è considerevole. Quasi tutti gli intervistati prevedono che l'intelligenza artificiale aumenterà il fabbisogno di spazio di archiviazione entro tre anni. Sette su dieci prevedono un aumento di almeno il 26%, di cui il 32% si aspetta che i requisiti aumentino di oltre la metà. L'aspettativa è pressoché universale in tutti i mercati, con percentuali che vanno dal 98% in Giappone al 100% in India, Francia, Regno Unito e Germania, mentre Stati Uniti e Cina si attestano entrambi al 99%.

La conseguenza è chiara: le organizzazioni devono pianificare sia per gestire una maggiore quantità di dati, sia per valorizzare maggiormente quelli in essi contenuti. Un approccio a breve termine, incentrato unicamente sulla capacità immediata, può portare a frammentazione, inaccessibilità o costi elevati per il riutilizzo delle informazioni. Una prospettiva a più lungo termine può collegare le decisioni relative a conservazione, accesso e governance al valore futuro che l'organizzazione si aspetta che l'IA crei.

Questo cambiamento è già visibile nel modo in cui i leader descrivono lo stoccaggio. Il novantotto percento concorda sul fatto che l'intelligenza artificiale stia trasformando l'archiviazione dei dati da funzione di back-office a infrastruttura aziendale strategica. Questa scoperta segnala un cambiamento di priorità: le decisioni relative all'archiviazione ora influenzano direttamente la velocità con cui le organizzazioni possono utilizzare i dati e l'efficacia con cui riescono a preservarne il valore. Questa opinione si mantiene costante in tutti i mercati, con percentuali che vanno dal 96% in Giappone e Germania al 100% in India, passando per Stati Uniti e Regno Unito al 99%, Cina al 98% e Francia al 97%.

Ingrandisci

La maggior parte delle organizzazioni si dichiara fiduciosa nella direzione intrapresa, ma un'analisi più attenta rivela una realtà più complessa. Sebbene l'83% affermi di essere pienamente o in gran parte preparato per le esigenze di dati a lungo termine dell'IA, solo il 38% si considera completamente preparato. Il livello di preparazione percepito varia notevolmente da mercato a mercato, dal 96% in Cina al 55% in Giappone, all'89% in India, all'88% nel Regno Unito, all'86% sia negli Stati Uniti che in Germania e al 74% in Francia.

I risultati suggeriscono che la predisposizione all'intelligenza artificiale dipende da fattori che vanno oltre la semplice capacità di calcolo o gli investimenti. Gli intervistati identificano la maturità della strategia di intelligenza artificiale, il budget e le risorse, la gestione dei dati e la governance come le lacune più comuni. Le difficoltà di implementazione raccontano una storia simile. Tra i principali vincoli operativi, il 53% cita la qualità e la disponibilità dei dati e il 43% l'infrastruttura di archiviazione, rispetto al 27% per la disponibilità di potenza di calcolo e al 24% per i vincoli energetici.

Gli intervistati citano la qualità e la disponibilità dei dati (53%) e l'infrastruttura di archiviazione (43%) come le principali sfide per l'implementazione dell'IA, prima della disponibilità di potenza di calcolo e dei vincoli energetici.

Ingrandisci

Gli intervistati citano la qualità e la disponibilità dei dati (53%) e l'infrastruttura di archiviazione (43%) come le principali sfide per l'implementazione dell'IA, prima della disponibilità di potenza di calcolo e dei vincoli energetici.

Il divario in termini di preparazione rappresenta in definitiva una sfida legata alle fondamenta dei dati. Di conseguenza, le organizzazioni necessitano di una base dati coordinata che allinei conservazione, governance, archiviazione ed elaborazione dei dati per scalare l'IA in modo efficace.

Le organizzazioni considerano sempre più gli investimenti nei data center come una priorità strategica aziendale, piuttosto che come una spesa operativa necessaria. Oltre tre quarti degli intervistati la classificano tra le prime tre priorità infrastrutturali e uno su cinque la identifica come la priorità assoluta.

Ingrandisci

Le previsioni di spesa mostrano inoltre che l'infrastruttura per l'IA si estende oltre le GPU. Le infrastrutture di sicurezza e conformità sono in cima alla lista delle priorità di investimento delle organizzazioni (44%), seguite dalla gestione/governance dei dati (43%). L'aggiornamento delle infrastrutture per l'IA e le GPU, nonché dell'hardware di archiviazione, si posiziona al terzo posto tra le maggiori priorità di investimento (39%).

La questione strategica non è quindi quale singolo strato dello stack riceva il budget maggiore. La questione è se l'intera infrastruttura sia in grado di supportare il flusso di dati verso i sistemi di intelligenza artificiale, di preservare i dati che potrebbero acquisire valore in futuro e di scalare senza creare nuovi vincoli operativi. Gli investimenti creano maggiore valore quando le organizzazioni valutano congiuntamente queste interdipendenze.

Le considerazioni relative all'energia e alla sostenibilità stanno già influenzando la pianificazione delle infrastrutture per l'intelligenza artificiale. Il settantasette percento degli intervistati afferma che la propria organizzazione ha posticipato o ristrutturato un'espansione a causa di queste preoccupazioni. Ciò include il 36% che ha ristrutturato in modo significativo gli investimenti pianificati e il 41% che ha subito lievi ritardi.

Questa scoperta trasforma l'efficienza da un obiettivo futuro in un vincolo di pianificazione attuale. Le organizzazioni devono aumentare la capacità produttiva, ma devono anche comprendere le implicazioni di tale crescita in termini di alimentazione, spazio, raffreddamento e ciclo di vita delle apparecchiature. Le decisioni più utili sono quelle che i leader possono collegare a requisiti operativi misurabili.

Gli intervistati si aspettano dei progressi. Il 39% descrive le proprie operazioni di stoccaggio come "molto sostenibili" al giorno d'oggi. Tale percentuale sale al 61% se si considera dove saranno le loro attività tra cinque anni. Le aspettative variano anche in base agli investimenti disponibili: Il 70% delle organizzazioni con un budget annuale per la sostenibilità pari o superiore a 100 milioni di dollari prevede che le proprie attività saranno "molto sostenibili" entro cinque anni, rispetto al 48% di quelle con un budget inferiore a 1 milione di dollari.

Le organizzazioni definiscono e misurano sempre più spesso le infrastrutture sostenibili in base all'efficienza operativa piuttosto che alla sola rendicontazione ambientale. Il consumo energetico è il fattore più frequentemente considerato nella valutazione dell'impatto ambientale dell'hardware di archiviazione, citato dal 62% degli intervistati. La durata e la resistenza del dispositivo si attestano al 55%. Quasi tutti gli intervistati concordano inoltre sul fatto che l'estensione del ciclo di vita delle apparecchiature di archiviazione dati abbia un impatto significativo sulla sostenibilità delle operazioni dei data center.

Questi risultati supportano una visione operativa della scalabilità sostenibile. Anziché affidarsi a una terminologia ambientale generica, le organizzazioni possono valutare scelte infrastrutturali specifiche in base al consumo energetico, all'utilizzo della capacità, alla durata di vita delle apparecchiature e al costo energetico per terabyte. Queste misure facilitano il collegamento tra gli obiettivi di sostenibilità e gli aspetti economici quotidiani delle infrastrutture.

Man mano che l'intelligenza artificiale aumenta la quantità, la varietà e il valore dei dati di cui le organizzazioni hanno bisogno per avere successo e crescere, i modelli di business su cui si basa vengono sempre più plasmati dall'infrastruttura dati sottostante. Altrettanto importante quanto l'aumento della capacità produttiva è l'ottimizzazione degli aspetti economici e dell'efficienza operativa della crescita. Ciò significa applicare principi orientati all'efficienza nella progettazione delle infrastrutture, consentendo alle organizzazioni di aumentare la capacità migliorando continuamente l'utilizzo delle risorse, i margini di profitto e il ritorno sull'investimento a lungo termine.

Il passaggio a infrastrutture orientate all'efficienza si riflette nelle pratiche operative adottate dalle organizzazioni:

• Il 52% utilizza l'IA per determinare le esigenze di archiviazione e operative (USA: 48%, Cina: 55%, India: 62%, Giappone: 54%, Francia: 47%, Regno Unito: 53%, Germania: 42%).
• Il 46% investe in fonti di energia rinnovabile (USA: 44%, Cina: 41%, India: 58%, Giappone: 37%, Francia: 45%, Regno Unito: 49%, Germania: 47%).
• Il 40% distribuisce la potenza in base alle effettive esigenze di dati anziché eseguire l'infrastruttura in modo continuo (USA: 34%, Cina: 44%, India: 48%, Giappone: 41%, Francia: 29%, Regno Unito: 41%, Germania: 40%).
• 31% di calore di riutilizzo generato dall'infrastruttura dati (USA: 26%, Cina: 37%, India: 32%, Giappone: 24%, Francia: 38%, Regno Unito: 31%, Germania: 33%).

La stessa mentalità orientata all'efficienza sta influenzando sempre più anche l'architettura dei sistemi di archiviazione. Un approccio allineato al carico di lavoro è un esempio di questo cambiamento. Anziché applicare un'unica architettura all'intero ciclo di vita dei dati, le organizzazioni possono progettare sistemi che bilancino prestazioni, capacità, efficienza e valore a lungo termine in base ai requisiti del carico di lavoro. Ciò crea un quadro più pratico per scalare l'IA, tenendo sotto controllo i costi dell'infrastruttura e il fabbisogno di risorse.

Gli ambienti di intelligenza artificiale comprendono diverse tipologie di dati con differenti requisiti in termini di prestazioni, capacità e accesso. I dati di addestramento, i dataset attivi, il contesto di inferenza, i checkpoint del modello, i contenuti sorgente e gli output conservati non impongono tutti le stesse esigenze all'infrastruttura. Con la diffusione dell'intelligenza artificiale, la progettazione orientata all'efficienza diventa sempre più importante. Le organizzazioni che allineano le tecnologie di storage ai requisiti dei carichi di lavoro all'interno di architetture intelligenti e multilivello possono migliorare l'efficienza economica, ridurre i costi operativi e costruire una base più solida per la crescita a lungo termine.

La prossima fase dell'IA genererà più dati, ma la sola capacità non determinerà quali organizzazioni ne coglieranno il valore. L'elemento distintivo sarà la capacità di mantenere i dati disponibili e pronti all'uso, gestendo al contempo in modo efficiente le esigenze infrastrutturali derivanti dalla crescita.

L'indagine dimostra che questo lavoro è già in corso. Le organizzazioni stanno dando priorità agli investimenti nei data center, rivalutando il ruolo dello storage e integrando considerazioni di efficienza e ciclo di vita nei piani di espansione. Tuttavia, il divario tra l'essere perlopiù preparati e completamente preparati rimane ampio.

Per colmare questo divario è necessaria una strategia infrastrutturale basata sull'intero ciclo di vita dei dati. Le organizzazioni devono comprendere quali dati genereranno, con quale rapidità i diversi carichi di lavoro dovranno accedervi, per quanto tempo manterranno il loro valore e quali misure operative guideranno la crescita. Tali decisioni pongono le basi per una crescita sostenibile e per un valore duraturo derivante dall'IA.