Dopo una fase caratterizzata da sperimentazioni diffuse e progetti pilota, il 2026 si sta configurando come l'anno della maturità per l'intelligenza artificiale. Le aziende stanno progressivamente abbandonando l'approccio orientato alla semplice adozione della tecnologia per concentrarsi su un obiettivo più concreto: generare risultati misurabili e ritorni tangibili sugli investimenti.
Secondo OpenText, il vero valore dell'AI non dipende dal numero di strumenti implementati o dalla velocità di adozione, ma dalla capacità di comprendere, governare e valorizzare il patrimonio informativo aziendale. In questo scenario, dati affidabili, governance e sicurezza diventano elementi imprescindibili per trasformare l'intelligenza artificiale da promessa tecnologica a leva di business.
L'AI è efficace solo se i dati sono affidabili
Molte organizzazioni stanno scoprendo che portare l'intelligenza artificiale in produzione richiede molto più della scelta di un modello linguistico avanzato. Il fattore determinante è la qualità delle informazioni che alimentano i sistemi. L'AI tende infatti ad amplificare ciò che trova nei dati aziendali. Se le informazioni sono incomplete, duplicate, obsolete o poco governate, anche i risultati prodotti dagli algoritmi saranno poco affidabili. Al contrario, una base dati coerente e ben gestita permette di ottenere automazione, produttività e supporto decisionale di livello superiore.
Per questo motivo cresce l'attenzione verso processi di data governance, gestione delle informazioni e controllo del ciclo di vita dei dati, aspetti che fino a pochi anni fa erano considerati prevalentemente attività di back office.
L'evoluzione verso gli agenti AI autonomi introduce nuove opportunità ma anche nuove responsabilità. A differenza dei tradizionali strumenti generativi, gli agenti possono eseguire attività, interagire con applicazioni aziendali e prendere decisioni operative all'interno di processi complessi.Questa capacità apre scenari interessanti in termini di automazione e produttività, ma rende ancora più importante il controllo dei dati utilizzati e delle modalità con cui vengono elaborate le informazioni.
La governance assume quindi un ruolo centrale. Le organizzazioni devono essere in grado di definire regole precise sull'accesso ai dati, sui livelli autorizzativi e sulle modalità di utilizzo dell'intelligenza artificiale, evitando che l'automazione introduca nuovi rischi operativi o di compliance.
Cloud, sovranità digitale e libertà di scelta
Un altro tema destinato a influenzare le strategie AI riguarda il posizionamento dei workload e la gestione della sovranità digitale. Sempre più aziende devono decidere dove conservare i dati, quali informazioni possano essere affidate agli hyperscaler e quali richiedano livelli superiori di controllo. In questo contesto emerge un approccio sempre più orientato ai modelli ibridi, che combinano cloud pubblico, cloud privato, cloud sovrano e infrastrutture on-premise. La scelta non è più soltanto tecnologica, ma coinvolge aspetti normativi, geopolitici e di gestione del rischio. L'obiettivo è trovare un equilibrio tra innovazione e protezione, sfruttando la scalabilità e la velocità offerte dai grandi provider cloud senza rinunciare al controllo delle informazioni più sensibili.
Per molte organizzazioni il principale vantaggio competitivo non risiede nei modelli di AI, ormai sempre più accessibili, ma nei propri dati proprietari. Informazioni su clienti, processi, prodotti, supply chain e attività operative rappresentano il patrimonio che consente di differenziarsi sul mercato. Proprio per questo motivo diventano anche il principale elemento da proteggere.
Valorizzare questi dati richiede una combinazione di tecnologie e processi che includa classificazione delle informazioni, controllo degli accessi, crittografia, auditabilità e policy di sicurezza. Solo in questo modo è possibile utilizzare l'intelligenza artificiale mantenendo la protezione della proprietà intellettuale e la fiducia di clienti e partner.