Nel recente intervento di Cisco, emerge una riflessione tanto semplice quanto decisiva per le aziende che investono nell’intelligenza artificiale: se non si riesce ad attingere in modo efficace ai “dati macchina” — ossia ai log di sistema, ai sensori, alle metriche operative delle infrastrutture — la strategia IA resta a metà strada.
Secondo Jeetu Patel, Presidente e Chief Product Officer di Cisco, insieme a DJ Sampath, Senior Vice President AI Software & Platform, circa il 55% della crescita dei dati aziendali è costituita da dati macchina — eppure i modelli di IA oggi usati generalmente non li contemplano. In altre parole, molte imprese stanno sedute davanti a una grande miniera — ma senza gli strumenti per estrarla.
La sostanza dell’argomento è la seguente: storicamente i modelli IA sono stati allenati su dati generati dagli esseri umani, spesso pubblicamente disponibili — testi, immagini, database generici. Ma quell’asset, capace di generare valore competitivo reale, sta esaurendosi. L’azienda che vuole distinguersi deve affacciarsi su quel mondo di dati internamente generati: dai dispositivi, dalle infrastrutture IT, dalle macchine, dai processi. Cisco afferma che non farlo significa non sfruttare il “moat” vero che dà vantaggio competitivo.
Un aspetto che colpisce è l’affermazione che la distinzione tra “azienda prodotto” e “azienda modello IA” sta scomparendo: per avere successo, un’impresa che vende prodotti deve pensare come se stesse costruendo modelli IA integrati, dove il modello stesso guida il prodotto più della semplice interfaccia utente. La logica è che il prodotto diventa il modello — ovvero: non basta avere un dispositivo o un servizio, serve che quel dispositivo o servizio ingrani un flusso continuo di dati, di reazione, di apprendimento dell’IA.
Alla base di questo ragionamento, Cisco porta l’esempio dell’infrastruttura hardware-software. Patel sostiene che l’hardware tradizionalmente considerato “ingombrante” o “meno sexy” è invece oggi un asset strategico se s’intende costruire un loop di dati macchina, sensori e modelli IA che anticipino i guasti, migliorino l’operatività, evitino tempi di fermo. Ad esempio: se un router o uno switch rilevano un cambiamento di un grado, quel dato può, attraverso modelli IA allenati su metriche temporali, prevedere un’interruzione del servizio in pochi giorni e attivare misure preventive. Così le macchine non sono solo componenti passive: diventano fonti vitali di informazione, di vantaggio, di innovazione.
Questa visione impone un significativo cambio di mentalità nelle imprese: non basta aggiungere modelli IA, ma occorre costruire pipeline robuste, adattabili, che siano in grado di raccogliere e strutturare i dati macchina, elaborarli, renderli fruibili per il training dei modelli e per l’azione in tempo reale. Cisco fa notare che molte aziende riconoscono di avere l’infrastruttura obsoleta, le reti poco scalabili, i dati sparsi, la governance non all’altezza: in sostanza il cosiddetto “debito infrastrutturale IA” sta già condizionando la capacità di trasformarsi davvero.
Un’altra conseguenza è che questo tipo di approccio cambia anche il campo competitivo: le aziende che già operano con infrastrutture ben integrate, che sanno cogliere i dati macchina, che investono in modelli personalizzati e in loop reali di apprendimento, saranno quelle in grado di superare la semplice “adozione IA” e passare a un’efficacia IA reale. Le altre rischiano di restare indietro. Come riportato, “l’azienda che vuole diventare modello azienda” deve saper correlare i dati macchina con i modelli, e al contempo offrire esperienze di prodotto che evolvono continuamente.
Perciò cosa significa praticamente per un’organizzazione? Significa, ad esempio, che il team IA non deve solo pensare a chatbot, generazione di testi, assistenti virtuali, ma anche contemplare la raccolta e l’uso dei log operativi, dei dati di sensori, delle metriche di rete, delle prestazioni delle macchine o degli impianti – e considerare come alimentare modelli che possano intervenire realisticamente nel funzionamento quotidiano della azienda. Inoltre, significa strutturare infrastrutture che supportino questo flusso: reti pronte, sistemi di storage e calcolo adeguati, governance che gestisca la qualità e la sanità dei dati.