Secondo recenti stime di Gartner, entro il 2030 più di un’azienda a su dieci adotterà un modello operativo AI-first, costruendo processi, workflow e decisioni strategiche attorno all’intelligenza artificiale come elemento centrale del business.

La previsione non riguarda semplicemente una maggiore diffusione dell’AI, fenomeno già evidente da anni, ma un cambiamento molto più profondo nella natura stessa delle infrastrutture aziendali. Per Gartner, infatti, le organizzazioni AI-first saranno quelle capaci di integrare agenti autonomi, piattaforme convergenti di dati e analytics e modelli semantici avanzati all’interno di un ecosistema operativo continuo, in cui l’AI diventa parte integrante di ogni funzione aziendale.

Carlie Idoine, VP Analyst di Gartner, ha descritto questa trasformazione durante il Gartner Data & Analytics Summit di Sydney, sottolineando come l’AI stia rapidamente diventando una variabile imprescindibile in qualsiasi investimento, processo o decisione aziendale. Secondo l’analista, le organizzazioni che non adotteranno una strategia trasversale e coordinata rischiano di ottenere risultati frammentati, incapaci di produrre vantaggi competitivi concreti.

Il rapporto individua sei grandi direttrici che guideranno l’evoluzione del settore Data & Analytics nei prossimi anni. Alcune riguardano aspetti tecnologici, mentre altre riflettono invece tensioni geopolitiche, problemi di governance e nuove esigenze operative nate con l’esplosione degli agenti AI autonomi.

Intelligenza sovrana

Uno dei temi più rilevanti è quello della cosiddetta “Sovereign AI”, concetto destinato ad assumere un peso crescente nelle strategie tecnologiche globali. Gartner osserva che l’intelligenza artificiale sta rapidamente diventando una componente della sovranità economica e industriale degli Stati. Di conseguenza, governi e grandi organizzazioni stanno cercando di ridurre la dipendenza da infrastrutture, modelli e piattaforme controllate da Paesi esteri.

La questione riguarda sia i modelli linguistici, sia il controllo dei dati, delle pipeline analitiche e delle piattaforme cloud. Per molte aziende questo significa ripensare l’intera roadmap AI introducendo requisiti di localizzazione, resilienza operativa e indipendenza tecnologica. La geopolitica entra così direttamente nell’architettura dei sistemi D&A, trasformando la gestione dei dati in un tema strategico nazionale oltre che aziendale.

Crediti: Shutterstock

Crediti: Shutterstock

L’importanza delle decisioni

Parallelamente, cresce l’attenzione verso i rischi generati dagli agenti AI autonomi. Gartner evidenzia come questi sistemi stiano iniziando a prendere decisioni sempre più rilevanti a livello operativo, tattico e persino strategico. In assenza di controlli strutturati, il rischio di errori, discriminazioni, violazioni normative o danni reputazionali aumenta sensibilmente.

Per questo motivo il tema della “decision governance” diventa centrale. L’idea è applicare principi di governance direttamente ai processi decisionali automatizzati, rendendo le decisioni prese dagli agenti spiegabili, verificabili e coerenti con gli obiettivi aziendali. Gartner prevede che entro il 2029 le decisioni aziendali modellate esplicitamente attraverso piattaforme di decision intelligence saranno cinque volte più affidabili e fino all’80% più rapide rispetto ai processi non governati.

È un passaggio importante perché segna l’evoluzione della governance AI da semplice controllo normativo a vera infrastruttura operativa. Le aziende non dovranno più limitarsi a monitorare l’uso dell’AI, ma progettare veri sistemi decisionali intelligenti in cui trasparenza, auditabilità e responsabilità diventano componenti native dell’architettura.

Piattaforme di governance

Questo scenario si intreccia inevitabilmente con la crescente pressione regolatoria globale. Gartner sottolinea infatti che i tradizionali modelli di compliance non sono più sufficienti per governare sistemi AI sempre più autonomi e distribuiti. Da qui nasce il ruolo crescente delle AI governance platform, piattaforme progettate per centralizzare supervisione, gestione del rischio e controlli operativi.

Il punto chiave è che l’AI governance sta rapidamente passando da tema teorico a necessità infrastrutturale. Le aziende dovranno gestire contemporaneamente normative differenti, policy interne, standard industriali e requisiti etici, il tutto in ambienti dove gli agenti AI operano in modo dinamico e spesso semi-autonomo.

Streaming di dati

Un’altra tendenza destinata ad avere un impatto enorme riguarda i cosiddetti sistemi di “agentic data streaming”. I tradizionali processi batch, basati sull’elaborazione periodica dei dati, stanno mostrando limiti sempre più evidenti nell’era dell’AI agentica. Gli agenti intelligenti richiedono infatti flussi continui di dati aggiornati per prendere decisioni in tempo reale.

Secondo Gartner, entro il 2028 oltre il 60% delle organizzazioni adotterà tecnologie di data streaming per supportare sistemi agentici, rispetto a meno del 15% registrato nel 2025. Il cambiamento è legato soprattutto alla necessità di abilitare casi d’uso come digital twin, operazioni autonome e decision intelligence in tempo reale. La velocità di accesso ai dati diventa quindi un vantaggio competitivo critico. Un agente AI che opera su informazioni obsolete perde gran parte della propria efficacia, soprattutto in contesti dinamici come cybersecurity, supply chain o automazione industriale.

aziende IA

Crediti: Shutterstock

Gestione agentica

La stessa logica si applica alla gestione dei dati. Gartner prevede una crescita significativa dell’“agentic data management”, modello in cui gli agenti AI vengono utilizzati per ottimizzare direttamente i processi di gestione dati. Sistemi intelligenti capaci di individuare pattern, suggerire ottimizzazioni, correggere anomalie e adattare i workflow in tempo reale potrebbero ridurre drasticamente la complessità operativa delle infrastrutture D&A moderne.

Per i team dati questo significa passare da una gestione statica a un modello molto più adattivo e auto-evolutivo. Gartner avverte però che questa trasformazione richiederà framework di governance estremamente solidi e monitoraggio continuo delle performance, perché l’autonomia degli agenti rischia altrimenti di generare risultati incoerenti con gli obiettivi aziendali.

RAG+LLM

Tra le innovazioni tecniche più interessanti citate nel report, emerge infine il GraphRAG, evoluzione dei tradizionali sistemi Retrieval-Augmented Generation. Le implementazioni RAG classiche, pur migliorando le capacità informative dei modelli linguistici, mostrano ancora limiti evidenti nella gestione di query complesse e altamente contestualizzate.

Il GraphRAG cerca di superare questo problema combinando knowledge graph e large language model. In pratica, il sistema non si limita a recuperare documenti pertinenti, ma costruisce connessioni semantiche tra entità, relazioni e contesti, migliorando accuratezza fattuale e capacità di ragionamento.

Secondo Gartner, entro il 2029 circa il 40% delle aziende utilizzerà tecniche GraphRAG per aumentare l’affidabilità delle risposte generate dagli LLM. È una previsione particolarmente significativa perché evidenzia la difficoltà nel mantenere coerenza logica e precisione fattuale in scenari aziendali complessi, uno dei limiti più discussi dell’attuale generazione AI.

(Immagine in apertura: Shutterstock)