L’interrogatorio dei dirigenti sull’impatto economico dell’intelligenza artificiale tende a focalizzarsi su GPU, acceleratori, consumo energetico e carenze di silicio. Tuttavia, un elemento cruciale rimane nell’ombra: lo storage dei dati prodotti da ogni operazione di inferenza. Secondo misurazioni interne di Western Digital (WD), un breve video di otto secondi in formato 720p, con un peso di 3,97 MB, genera più di 500 MB di dati di supporto, tra log, cache, rendering intermedi, backup e tracce di sicurezza. Si tratta di un rapporto di 130 volte la dimensione del file consegnato.
Scalabilità dei dati di inferenza
Quando le aziende producono video più lunghi e in risoluzioni superiori, l’impronta di storage sale a diverse centinaia di gigabyte per clip. McKinsey prevede che la domanda di inferenza crescerà del 35 % annuo entro il 2030, superando il 22 % previsto per l’addestramento, e che rappresenterà oltre il 40 % del consumo totale dei data center entro la fine del decennio.
Una ricerca IDC, sponsorizzata da WD e condotta su 763 decision makers IT e business, evidenzia che il 95 % dei partecipanti ha osservato un aumento dei volumi di dati a causa dell’IA generativa negli ultimi dodici mesi, con il 61 % che segnala incrementi superiori al 25 %.
Conseguenze di budget
L’inferenza è un processo continuo: ogni richiesta genera una traccia permanente, a differenza dell’addestramento, che è un progetto a termine. Se le spese di storage crescono del 25 % all’anno, mentre il budget per il calcolo segue un ciclo più prevedibile, lo storage può rapidamente superare la voce di spesa più monitorata.
Per i CFO e gli IT manager, questo comporta il rischio di definire “spese infrastrutturali IA” troppo strettamente, limitandole al solo calcolo. Il risultato è un collo di bottiglia invisibile finché non diventa critico, incidendo sui costi operativi.
Effetti operativi e strategie di mitigazione
Un responsabile prodotto di un provider cloud hyperscale citato nel rapporto spiega che lo storage aggiuntivo è una forma di ottimizzazione per mantenere le GPU occupate: i periodi di inattività delle GPU in attesa dei dati sono estremamente costosi. Un modello che attende i dati costa quasi quanto uno privato di GPU.
Il cambiamento riguarda anche la natura dei dati conservati. Mentre i carichi di calcolo fluttuano con i cicli di addestramento e di rilascio di prodotto, i volumi di dati rimangono stabili o addirittura aumentano, poiché log, uscite sintetiche e risultati di inferenza si accumulano e vengono mantenuti più a lungo.
Ciò che un tempo veniva archiviato per poi dimenticarsi può ora servire come input per future attività di IA, in particolare per l’approccio Retrieval‑Augmented Generation (RAG). Il 96 % dei rispondenti all’indagine WD‑IDC prevede una necessità di recupero più rapido degli archivi per l’inferenza o la generazione aumentata.
Soluzioni di storage a più livelli
Western Digital propone una strategia a più livelli basata sul ciclo di vita dei dati: dischi rigidi per la capacità di base a costo ridotto per i volumi massivi da conservare e riutilizzare, affiancati da soluzioni più veloci per l’accesso dinamico. Questa proposta, tuttavia, deve essere valutata tenendo presente il potenziale conflitto di interessi del produttore di storage.
In sintesi, la crescita esponenziale dell’inferenza sta creando una “fattura nascosta” di storage che può trasformarsi nel principale ostacolo di costo per le organizzazioni. Pianificare una capacità adeguata, adottare architetture a più livelli e anticipare le esigenze di recupero rapido sono passi fondamentali per evitare sorprese di budget e garantire una continuità operativa efficiente.