Visions 2026: il passaggio dalla promessa alle performance con dati e AI

1. La maturazione delle capacità Data & AI sbloccherà i settori ad alta densità documentale

Negli ultimi anni il settore tecnologico ha assorbito gran parte dell’attenzione sull’AI. Ma nel 2026 una parte crescente dei guadagni di produttività arriverà da industrie tradizionali che lavorano quotidianamente su grandi volumi di documenti: edilizia, logistica, utilities e beni di largo consumo.
Storicamente, questi settori hanno faticato a digitalizzare i propri processi perché i dati erano dispersi in formati non strutturati — PDF, fatture, contratti, email. Un tempo, rendere questi dati utilizzabili richiedeva la costruzione di data warehouse complessi, con mesi di lavoro manuale e investimenti elevati per allineare e integrare schemi molto diversi tra loro.
Oggi questo ostacolo è venuto meno. Le nuove piattaforme dati basate sull’AI, come Microsoft Fabric, hanno rivoluzionato la preparazione del dato: modelli avanzati riescono a comprendere e organizzare schemi complessi in poche ore, non in mesi.
Un’azienda di servizi pubblici, ad esempio, può fotografare un componente installato decenni fa e ottenere subito l’identificazione corretta confrontandolo con anni di documentazione tecnica non strutturata.
Non si tratta più solo di “consultare” i dati, ma di dare struttura a ciò che in passato non ne aveva, permettendo alle aziende tradizionali di compiere un salto digitale senza dover affrontare l’intero peso del loro debito IT storico.
Con soluzioni dati mature e accessibili, il 2026 sarà l’anno in cui molte aziende consolidate — anche di piccole e medie dimensioni — riusciranno finalmente a superare complessità e costi, liberando il vero valore dei propri dati.

2. Gli agent diventeranno parte integrante della forza lavoro

Nel 2026, l’AI sta evolvendo da semplice strumento di produttività a un ruolo operativo vero e proprio all'interno delle organizzazioni. Stiamo entrando nell’era della forza lavoro ibrida, in cui un manager può assegnare a una persona le negoziazioni critiche con i clienti, ma affidare a un agente AI l’audit e l’elaborazione di tutte le fatture inferiori a 500 dollari.
Poiché una quota crescente di attività operative ricade sugli agent, diventa fondamentale gestire il rischio e applicare chiare responsabilità umane. Stiamo quindi assistendo all’emergere di un nuovo modello organizzativo in cui i manager umani, supportati da adeguati meccanismi di controllo tecnologico, sono formalmente responsabili degli agent AI che fanno capo a loro.
Lo scorso anno abbiamo visto un passo significativo in questa direzione con l’arrivo delle identità digitali per gli agent. Identità verificabili (come quelle tramite Microsoft Entra ID) consentono ora agli agent di possedere credenziali, log di audit e permessi propri. Hanno impronte digitali che rispecchiano quelle dei dipendenti umani, permettendo loro di autenticarsi e lavorare in sicurezza attraverso ecosistemi diversi.
Questo rappresenta un ulteriore passo nel passaggio del ruolo dell’IT da “distribuire software” a “gestire una forza lavoro”. Con identità distinte, i CIO possono applicare processi tipici del ciclo di vita dei dipendenti anche all’AI: onboarding di un agente con specifici diritti, monitoraggio delle performance e, soprattutto, offboarding (deprovisioning) immediato se l’agente non funziona correttamente o non è più necessario.
Che un’organizzazione inizi questo percorso nel 2026 o più avanti, gli standard IAM per gli agent saranno probabilmente fondamentali per scalare flussi di lavoro agentici senza perdere il controllo dell’intero ecosistema.

3. Il paradigma del “buy” supererà quello del “build”

Fino a poco tempo fa, se volevi una soluzione AI, spesso dovevi costruirla internamente. Nel 2026, questo paradigma sta cambiando rapidamente verso il “buy”. Prevedo che il 99% dei casi d’uso enterprise sarà risolto da agent preconfigurati, anziché da soluzioni custom sviluppate da zero.
Stiamo assistendo alla nascita di marketplace di agent su vasta scala, simili a quelli dove individui e aziende acquistavano software in passato, ma dedicati alle capacità della forza lavoro AI. Che tu abbia bisogno di un agent per processare richieste di gara in mandarino o per gestire la compliance fiscale in Germania, acquisterai un agent specializzato, già perfezionato per quello specifico compito.

Marketplace	Focus principale	Elemento distintivo	Ideale per
AWS Marketplace	Infrastruttura e strumenti di Backend	Rigorosa verifica di conformità (SOC2, HIPAA) & focus su private cloud.	Sviluppatori che creano agent backend sicuri e “headless”.
Microsoft 365 Copilot Agent Store	Dati aziendali & M365	Gli agent hanno credenziali Entra ID ed email proprie.	Enterprise fortemente investite nell’ecosistema Microsoft/Office.
Google Vertex AI Garden	Ragionamento multimodale	Gli agent possono verificare i fatti usando l’indice di ricerca Google.	Ricerca complessa, coding, analisi video/immagini.
Salesforce AppExchange	Customer Experience (CX) & Sales	Gli agent agiscono direttamente sui dati cliente live.	Team Sales, Support e Commerce.
ServiceNow Store	Workflow IT & Employee	Collega efficacemente funzioni diverse (es. IT + HR).	IT Operations, HR onboarding e Incident Response.

Questo crea un nuovo ruolo per i partner e per i dipartimenti IT: gestione e supervisione degli agent.
La potenziale proliferazione degli agent apre un nuovo fronte nella lotta alla shadow IT, aumentando allo stesso tempo i rischi legati alla sicurezza dei dati e alla compliance.
Così come non assumeresti un dipendente senza effettuare un background check, non distribuirai un agent senza averlo prima valutato accuratamente.
La sfida che ci attende dal 2026 in poi potrebbe non essere quella di costruire l’AI, ma di definire le guardrail per governarne la diffusione, garantendo che sia sicura, efficace ed economicamente sostenibile.

4. L’ottimizzazione dei costi AI diventerà una priorità assoluta

Con i carichi di lavoro AI destinati a crescere di cinque volte entro il 2029, nel 2026 i CIO stanno concentrando sempre più l’attenzione sul “triangolo dell’AI”: costo, performance e accuratezza.
Sebbene i modelli frontier più recenti siano spesso molto più capaci (e molto più onerosi) dei loro predecessori, ciò non significa necessariamente che siano la scelta migliore per molte attività aziendali.
Un bot per lo screening delle candidature ha davvero bisogno della capacità di ragionamento (e del costo) di un modello a livello PhD? Probabilmente no.
Un modello più piccolo e specializzato è verosimilmente “abbastanza buono” per filtrare 500 candidati e ridurli a 10 sulla base di criteri imprescindibili, con un approvatore umano nel loop.
Massimizzare l’ROI significa quindi adottare capacità adeguate allo scopo, non scegliere sempre modelli con più parametri.
Questa esigenza di ottimizzare l’AI sta alimentando il crescente interesse verso gli Small Language Models (SLM), che richiedono meno risorse computazionali e, in molti casi, possono essere eseguiti su hardware locale come edge AI.
Ciò non solo riduce in modo significativo i costi cloud, ma risolve anche i problemi di data sovereignty, mantenendo i dati sensibili sul dispositivo.
Sebbene queste capacità siano ideali per attività basate su regole, ripetitive o sensibili, la potenza del cloud resterà indispensabile per casi d’uso complessi, data‑heavy o che richiedono risposte in tempo reale su larga scala (molti utenti in parallelo).
Per i CIO, l’obiettivo non è scegliere tra cloud ed edge, ma governare entrambi con la stessa disciplina finanziaria.
FinOps fornisce il modello operativo per farlo: una pratica cross‑functional che integra visibilità dei costi in tempo reale e accountability nelle decisioni tecnologiche, così che i team possano fare scelte esplicite tra costo, performance e accuratezza man mano che l’AI scala.