Perché dimensionare correttamente l’infrastruttura AI
Dimensionare l’infrastruttura AI significa stabilire quali risorse servono per far funzionare un’applicazione nelle condizioni reali dell’azienda, tenendo conto di quanti utenti deve servire, dei dati che deve elaborare e dei tempi entro cui deve rispondere. Da queste esigenze dipendono la capacità di calcolo, la memoria e i sistemi di archiviazione da predisporre, con scelte che incidono sia sulle prestazioni sia sull’investimento.
Le difficoltà più comuni nascono dal divario tra chi individua l’attività da automatizzare e chi deve fornire le risorse tecniche. Un responsabile di funzione può proporre un processo da ottimizzare senza sapere quali dati siano disponibili; al contempo l’IT può ricevere una richiesta di potenza di calcolo senza conoscere il numero di utenti o i tempi di risposta richiesti. Senza una definizione chiara del servizio e del beneficio atteso, ogni preventivo diventa un’ipotesi fragile.
Il ruolo degli AI Pod
Gli AI Pod proposti da Zenita Group con Dell Technologies sono configurazioni di riferimento che raggruppano server per il calcolo, acceleratori GPU, sistemi di archiviazione e rete, offrendo una base infrastrutturale da adattare al progetto. Il loro scopo è collegare l’applicazione desiderata alle risorse necessarie, garantendo che il progetto pilota possa verificare effettivamente le prestazioni richieste.
Le cinque taglie disponibili, da XS a XL, forniscono punti di partenza personalizzabili in base ai requisiti di carico, tipo di modello e livello di disponibilità richiesto. Le configurazioni più contenute sono destinate a elaborazioni locali, analisi video e modelli specialistici; le intermedie supportano assistenti interni e ricerca documentale; le più grandi sono pensate per archivi complessi, più modelli contemporanei e simulazioni avanzate.
Dati di mercato e sfide di governance
Nel 2025 il mercato italiano dell’intelligenza artificiale ha raggiunto 1,8 miliardi di euro, con una crescita del 50 % rispetto al 2024, secondo l’Osservatorio Artificial Intelligence del Politecnico di Milano (risultati pubblicati a febbraio 2026). Il 71 % delle grandi imprese ha avviato almeno un progetto AI, ma solo una su cinque utilizza la tecnologia in modo pervasivo nelle diverse funzioni.
Solo il 9 % delle grandi imprese dispone di una governance strutturata dell’AI, con responsabilità definite e iniziative allineate agli obiettivi aziendali. Circa un’azienda su tre, tra quelle che hanno avviato un progetto, segnala difficoltà nel valutare in anticipo il rapporto costi‑benefici.
Queste difficoltà includono la scelta dell’infrastruttura: senza una chiara comprensione dei dati disponibili, del numero di utenti e dei tempi di risposta, è impossibile redigere un preventivo attendibile. Per superare questi ostacoli è necessario partire dal caso d’uso concreto.
Dal caso d’uso al dimensionamento
Il caso d’uso è l’attività concreta a cui applicare l’AI e definisce criteri di successo e necessità tecniche del servizio. Un assistente che aiuta i tecnici a consultare manuali aziendali deve fornire informazioni corrette, aggiornate e rispettare i permessi di accesso. Un sistema di analisi video di un varco logistico, invece, deve riconoscere eventi specifici e segnalarli entro un tempo utile all’intervento.
Per l’assistente documentale è fondamentale stabilire quali archivi consultare, la frequenza di aggiornamento e il numero di richieste simultanee. Per l’analisi video, invece, contano il numero di telecamere, la risoluzione delle immagini e il tempo ammesso tra evento e segnalazione. Quando è necessario elaborare i dati vicino alle telecamere, si valuta un’infrastruttura edge, ovvero locale.
Durante il confronto tra chi utilizzerà l’applicazione e chi dovrà gestirla, il responsabile del processo definisce il miglioramento atteso, l’IT valuta integrazioni e risorse, e il team di dati e sicurezza stabilisce le condizioni di accesso. L’esito è un insieme di metriche – tempi di risposta, correttezza dei risultati, costo del servizio – con cui valutare il pilota.
Processo di validazione con Zenita Group
«Nel primo confronto chiediamo all’azienda quale attività vuole migliorare e come intende misurare il risultato, così da poter discutere dati, modello e livelli di servizio. Se questi elementi restano indefiniti, anche il preventivo infrastrutturale diventa un’ipotesi fragile. Il nostro lavoro è rendere esplicite le condizioni del progetto, così che business e IT possano valutare lo stesso investimento con criteri condivisi», spiega Lorenzo Fatati, sales specialist digital engineering di Zenita Group.
Una volta definito il servizio, si valuta il lavoro richiesto al modello e al software che elabora i dati. Un assistente può utilizzare un modello linguistico pre‑addestrato per generare risposte (fase di inferenza), mentre un eventuale addestramento o fine‑tuning richiede una valutazione distinta delle risorse.
Per accelerare i calcoli si ricorre a GPU, processori capaci di eseguire molte operazioni in parallelo; la loro memoria deve contenere il modello e le informazioni necessarie alle elaborazioni in corso. Nei modelli linguistici, il fabbisogno dipende dalla lunghezza dei contenuti e dal numero di richieste simultanee.
L’approccio Retrieval‑Augmented Generation (RAG) prevede che l’assistente recuperi contenuti pertinenti dai documenti aziendali e li fornisca al modello per costruire la risposta. Questo passaggio richiede la preparazione delle fonti, la ricerca e l’accesso ai dati, per cui la velocità di generazione del testo è solo una parte del tempo complessivo di risposta. È quindi necessario dimensionare anche l’archiviazione e i collegamenti di rete, mantenendo aggiornati i documenti e rispettando i permessi degli utenti.
Pilota e metriche operative
Il pilota deve misurare le dipendenze sullo scenario scelto, verificando gli aspetti indicati nei seguenti esempi senza associare automaticamente un’applicazione a una taglia di infrastruttura:
- Assistente documentale: gestione di domande complesse, fonti incomplete, utenti con diversi livelli di autorizzazione.
- Analisi video: operatività in condizioni ambientali reali, variazione di qualità delle immagini e dei tempi di risposta al crescere delle richieste.
Le risorse descritte trovano una configurazione iniziale negli AI Pod. Nell’offerta Zenita Group‑Dell Technologies la piattaforma server è PowerEdge, gli acceleratori sono NVIDIA GPU, mentre Zenita progetta l’architettura e integra archiviazione, rete e strumenti di gestione.
Scalabilità e percorso di adozione
«La taglia iniziale deve permettere di verificare il progetto nelle condizioni in cui verrà utilizzato, perciò ragioniamo fin dal pilota su accessi, aggiornamento delle fonti, carichi simultanei e gestione operativa. Quando il servizio cresce, dobbiamo sapere quali risorse aumentare e perché. L’obiettivo è dare all’azienda elementi concreti per decidere se estendere l’applicazione, correggerla o fermarsi», afferma Pasquale Anobile, head of digital engineering sales specialist di Zenita Group.
Zenita affianca alla configurazione un percorso strutturato:
- Workshop sui requisiti e sul dimensionamento.
- Progettazione dell’architettura dettagliata.
- Prova pilota sul caso d’uso reale.
- Valutazione dei risultati tecnici e di business.
- Passaggio in produzione con supporto sistemistico continuativo.
Durante il workshop vengono definiti i KPI di successo, le soglie di SLA e le metriche di costo. La fase di progettazione traduce questi parametri in specifiche hardware (CPU, GPU, RAM, storage) e topologia di rete. La prova pilota verifica che le performance dichiarate siano sostenibili, misurando tempi di risposta, accuratezza dei risultati e consumo energetico.
Se i risultati soddisfano le aspettative, il progetto può scalare verso una taglia superiore di AI Pod, aggiungendo GPU, aumentando la capacità di storage o potenziando la rete. In caso contrario, il team può intervenire per ottimizzare il modello, ridurre il carico o rivedere i processi aziendali.
Conclusioni
Il dimensionamento dell’infrastruttura AI non è un’attività puramente tecnica, ma un processo di allineamento tra business, IT e governance dei dati. Gli AI Pod di Zenita Group con Dell Technologies forniscono una roadmap modulare e verificabile, partendo dal caso d’uso, passando per un pilota misurabile, fino alla produzione scalabile.
In un mercato in rapida crescita, dove solo una minoranza di imprese ha una governance AI strutturata, adottare un approccio metodico consente di ridurre i rischi, ottimizzare gli investimenti e trasformare l’intelligenza artificiale da sperimentazione a vantaggio competitivo concreto.