L’obiettivo di qualsiasi progetto di intelligenza artificiale è trasformare un’idea in un servizio operativo, misurabile e sostenibile. Per raggiungere questo risultato è fondamentale definire obiettivi chiari, raccogliere dati pertinenti e stabilire livelli di servizio (SLA) che guidino la scelta delle risorse tecnologiche. Zenita Group, insieme a Dell Technologies, ha sviluppato una serie di AI Pod – configurazioni di riferimento che combinano server, acceleratori GPU, storage e rete – pensate per accompagnare le imprese dal prototipo al prodotto finale.
Perché è necessario dimensionare 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:
- Numero di utenti simultanei
- Volume e tipologia dei dati da elaborare
- Tempi di risposta richiesti
Da queste esigenze dipendono la capacità di calcolo, la memoria e i sistemi di archiviazione da predisporre. Scelte sbagliate incidono sia sulle prestazioni sia sull’investimento economico, rendendo indispensabile un’analisi preliminare accurata.
Il ruolo degli AI Pod
Gli AI Pod proposti da Zenita Group con Dell Technologies sono configurazioni di riferimento che aggregano:
- Server PowerEdge per il calcolo
- Acceleratori NVIDIA GPU per l’elaborazione intensiva
- Sistemi di archiviazione ad alte prestazioni
- Rete ad alta velocità e strumenti di gestione integrati
Essi forniscono una base infrastrutturale flessibile, pronta ad essere adattata al caso d’uso specifico e a essere validata attraverso un progetto pilota.
Il mercato italiano dell’AI e le criticità operative
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 (pubblicato 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.
La stessa ricerca evidenzia che appena il 9 % delle grandi imprese dispone di una governance strutturata dell’AI, con responsabilità definite e iniziative allineate agli obiettivi aziendali. Inoltre, circa un’azienda su tre segnala difficoltà nel valutare in anticipo il rapporto costi‑benefici, soprattutto per quanto riguarda le decisioni infrastrutturali.
Difficoltà tra business e IT
Spesso un responsabile di funzione identifica un’attività da automatizzare senza conoscere i dati disponibili, mentre il reparto IT riceve richieste di capacità di calcolo senza informazioni su utenti o tempi di risposta. Per formulare un preventivo attendibile è quindi necessario definire prima il servizio e il beneficio che giustifica il costo.
Il caso d’uso come punto di partenza
Il caso d’uso è l’attività concreta a cui si applica l’AI e definisce criteri di successo e necessità tecniche. Esempi tipici includono:
- Assistente documentale per tecnici: deve fornire informazioni corrette, aggiornate e rispettare i permessi di accesso.
- Analisi video di un varco logistico: deve riconoscere eventi specifici e segnalarli entro un tempo utile all’intervento.
Per l’assistente documentale è necessario 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 l’elaborazione avviene vicino alle telecamere, si valuta un’infrastruttura edge locale.
Collaborazione tra stakeholder
Il processo di definizione richiede un confronto strutturato tra:
- Responsabile del processo (definisce il miglioramento atteso)
- IT (valuta integrazioni e risorse)
- Team dati e sicurezza (stabiliscono condizioni di accesso)
L’esito è un insieme di misure (tempi di risposta, correttezza dei risultati, costo del servizio) che guideranno la valutazione del pilota.
Strategia di validazione e percorso di implementazione
Zenita Group propone un percorso articolato in fasi:
- Workshop sui requisiti e sul dimensionamento
- Progettazione dell’architettura AI Pod
- Test sul caso d’uso reale
- Passaggio in produzione con supporto continuativo
Durante il workshop, come sottolinea Lorenzo Fatati, sales specialist di Zenita Group, si chiede all’azienda quale attività vuole migliorare e come intende misurare il risultato, evitando preventivi basati su ipotesi fragili.
Modelli di AI Pod: XS‑XL
Le cinque taglie disponibili (XS, S, M, L, XL) offrono riferimenti personalizzabili in base ai requisiti emersi dal pilota:
- XS: configurazioni contenute per elaborazioni locali, analisi video limitate o modelli specialistici.
- S: adatto a assistenti interni con carichi leggeri.
- M: per ricerca documentale e assistenti con più utenti simultanei.
- L: per archivi complessi, più modelli contemporanei e simulazioni.
- XL: per scenari di alta intensità, grandi volumi di dati e molteplici modelli avanzati.
La scelta della taglia iniziale deve consentire di verificare il progetto nelle condizioni operative previste, includendo accessi, aggiornamento delle fonti, carichi simultanei e gestione operativa.
Dettagli tecnici: calcolo, GPU e RAG
Per accelerare i calcoli dell’AI si utilizzano le GPU, capaci di eseguire operazioni in parallelo. La memoria della GPU deve contenere il modello e i dati di elaborazione. Nei modelli linguistici, il fabbisogno dipende dalla lunghezza dei contenuti e dal numero di richieste simultanee.
L’approccio Retrieval‑Augmented Generation (RAG) consente all’assistente di recuperare contenuti pertinenti da fonti aziendali e di fornirli al modello per generare risposte contestualizzate. Questo passaggio richiede:
- Preparazione delle fonti
- Meccanismi di ricerca e accesso rapido
- Gestione dei permessi utente
La velocità di generazione del testo da parte del modello è solo una parte del tempo complessivo di risposta; vanno dimensionati anche storage, rete e orchestrazione dei componenti.
Pilota e metriche di successo
Il pilota deve misurare le dipendenze individuate, verificando:
- Tempi di risposta in scenari rappresentativi
- Correttezza dei risultati rispetto a dataset di test
- Costi operativi effettivi
Nel caso dell’assistente documentale, il test include domande difficili, fonti incomplete e utenti con autorizzazioni diverse. Per l’analisi video, si replica l’ambiente sul sito, osservando come variano qualità e tempi di risposta al crescere delle richieste.
Supporto continuo e scaling
Una volta validato il pilota, Zenita affianca l’azienda nella fase di scaling. Come spiega Pasquale Anobile, head of digital engineering sales specialist, la taglia iniziale deve permettere di valutare il progetto, ma è necessario pianificare quali risorse aumentare e perché, per garantire una crescita sostenibile.
Il supporto continuativo comprende:
- Monitoraggio delle performance
- Aggiornamento dei modelli e delle fonti dati
- Gestione degli incidenti e ottimizzazione dei costi
In questo modo l’impresa dispone di elementi concreti per decidere se estendere, correggere o interrompere l’applicazione AI.
Conclusioni
Gli AI Pod di Zenita Group con Dell Technologies offrono una risposta strutturata alle difficoltà di governance, dimensionamento e validazione dei progetti AI. Partendo dal caso d’uso, passando per un workshop di requisiti e un pilota misurato, fino al passaggio in produzione, il percorso garantisce che le risorse tecnologiche siano allineate al valore di business atteso.
Con una crescita del mercato italiano dell’AI del 50 % e una scarsa governance diffusa, le imprese hanno ora a disposizione uno strumento pratico per trasformare le idee in servizi operativi, riducendo i rischi di investimento e accelerando l’adozione pervasiva dell’intelligenza artificiale.