infrastrutture IT

Più GPU non bastano: l’AI impone di ripensare la rete


Indirizzo copiato

La crescita dell’intelligenza artificiale impone di ripensare le infrastrutture IT. L’efficienza delle GPU dipende sempre più dalla capacità della rete di trasferire dati rapidamente, senza congestioni. Scalabilità, consumi energetici e competenze diventano fattori decisivi nella progettazione dei sistemi

Pubblicato il 19 nov 2026

Jonathan Bacor

Key Account Manager Professional Solutions Italy di PNY Technologies



Riassumi questo articolo
Approfondisci con altre fonti
ChatGPT Image 10 nov 2026, 19_17_17




Per molti anni, la rete è stata considerata una componente essenziale, ma relativamente stabile, delle infrastrutture IT. Il suo ruolo era soprattutto quello di garantire la connettività tra utenti, applicazioni, server e dati. Con l’avvento dell’intelligenza artificiale, però, questo modello sta cambiando. La crescita dei carichi di lavoro AI, l’aumento dei volumi di dati e la necessità di far comunicare rapidamente un numero sempre maggiore di risorse di calcolo stanno trasformando la rete in un elemento direttamente collegato alle prestazioni dell’infrastruttura.

Il fenomeno è già evidente anche in Italia. Secondo ISTAT, nel 2025 il 16,4% delle imprese italiane con almeno 10 addetti utilizzava almeno una tecnologia di intelligenza artificiale, rispetto all’8,2% nel 2024. Tra le grandi imprese, la quota raggiungeva il 53,1%. Parallelamente, secondo l’Osservatorio Artificial Intelligence del Politecnico di Milano, il mercato italiano dell’AI ha raggiunto 1,8 miliardi di euro nel 2025, registrando una crescita del 50% in un solo anno.

Questi numeri indicano che l’AI sta rapidamente passando dalla fase della sperimentazione a quella dell’integrazione nei processi aziendali. E quando aumentano i carichi di lavoro AI, cambia anche il modo in cui devono essere progettate le infrastrutture che li sostengono.

Infrastrutture AI: quando il calcolo dipende dalla rete

Quando si parla di infrastrutture per l’intelligenza artificiale, l’attenzione si concentra spesso sulla capacità di calcolo. Le GPU e gli altri acceleratori sono infatti fondamentali per addestrare ed eseguire modelli sempre più complessi. Ma la potenza di calcolo, da sola, non garantisce le prestazioni dell’intero sistema.

I workload AI richiedono infatti lo scambio continuo di grandi quantità di dati tra server, acceleratori e sistemi di storage. Se questi dati non possono essere trasferiti con sufficiente velocità, anche una capacità di calcolo molto elevata rischia di non essere utilizzata pienamente.

È qui che il networking assume un ruolo nuovo. Latenza, larghezza di banda, gestione della congestione e capacità di sostenere comunicazioni ad alta intensità diventano parametri che incidono direttamente sull’efficienza dei sistemi AI. La rete smette di essere semplicemente il livello che collega diversi componenti dell’infrastruttura e diventa parte integrante dell’architettura di calcolo.

Scalabilità della rete e colli di bottiglia

Questa trasformazione diventa ancora più evidente quando le infrastrutture crescono. Un sistema progettato per gestire un numero limitato di acceleratori può funzionare correttamente anche con un’architettura relativamente semplice. Ma l’aumento del numero di risorse genera necessariamente anche un aumento delle comunicazioni che devono essere gestite simultaneamente. È necessario perciò fare in modo che l’intera infrastruttura possa crescere mantenendo prestazioni prevedibili.

Questo significa progettare la rete fin dall’inizio in funzione dei workload che dovrà supportare, considerando non soltanto la capacità nominale, ma anche la latenza, il traffico tra i diversi nodi e la possibilità di espandere progressivamente l’architettura.

In questo senso, il dimensionamento della rete diventa una decisione strategica. Una rete sottodimensionata può creare colli di bottiglia che limitano il rendimento di risorse di calcolo molto più costose; una rete progettata in funzione della crescita può invece contribuire a preservare l’efficienza dell’intera infrastruttura nel tempo.

L’efficienza energetica delle infrastrutture AI

La necessità di ripensare le architetture non riguarda soltanto le prestazioni. L’espansione dell’AI porta con sé anche una crescente attenzione al consumo energetico dei data center.

Secondo l’International Energy Agency, il consumo globale di elettricità dei data center potrebbe più che raddoppiare entro il 2030, passando da circa 415 TWh nel 2024 a circa 945 TWh. L’AI rappresenta uno dei principali fattori alla base di questa crescita.

In questo scenario, utilizzare in modo efficiente le risorse disponibili diventa sempre più importante. Una capacità di calcolo che rimane inutilizzata a causa di inefficienze nella comunicazione dei dati rappresenta non soltanto una perdita di performance, ma anche un utilizzo non ottimale di risorse energetiche e infrastrutturali.

La progettazione della rete deve quindi entrare nella riflessione più ampia sull’efficienza dell’infrastruttura AI, insieme a calcolo, storage, alimentazione e raffreddamento.

Progettare insieme calcolo, storage e networking

Questa evoluzione richiede un cambiamento nell’approccio alla progettazione delle infrastrutture. Non è più sufficiente selezionare singolarmente i componenti con le migliori prestazioni. È necessario capire come questi elementi interagiscono e quale impatto abbiano l’uno sull’altro.

Elaborazione, storage e networking devono essere considerati come parti di un’unica architettura, progettata sulla base dei workload attuali ma anche della loro possibile evoluzione.

Fornitori IT e competenze per le infrastrutture AI

Per i fornitori IT e gli integratori questo significa assumere un ruolo sempre più consulenziale. Comprendere le esigenze del cliente significa anche saper valutare dove potrebbero emergere i colli di bottiglia, come dimensionare correttamente la rete e come progettare un’infrastruttura che possa crescere senza dover essere ripensata completamente a ogni nuova fase di sviluppo.

La questione delle competenze è particolarmente rilevante in Italia. Secondo ISTAT, tra le imprese che nel 2025 avevano considerato un investimento nell’AI senza poi realizzarlo, il 58,6% indicava la mancanza di competenze come uno degli ostacoli. La disponibilità di tecnologie, quindi, deve necessariamente essere accompagnata dalla capacità di comprenderle e integrarle correttamente.

La rete come investimento di lungo periodo

La velocità con cui l’AI evolve rende inoltre difficile progettare infrastrutture esclusivamente sulla base delle esigenze attuali. I modelli cambiano, i workload aumentano, le applicazioni si moltiplicano e le quantità di dati da elaborare continuano a crescere.

Per questo motivo, la flessibilità deve diventare un criterio centrale nella progettazione. Un’architettura efficace non è semplicemente quella che risponde alle esigenze di oggi, ma quella che permette di aumentare progressivamente la capacità senza introdurre nuovi colli di bottiglia.

In quest’ottica, il networking non dovrebbe essere considerato un elemento accessorio o una scelta tecnica da affrontare a valle del progetto. La sua progettazione deve essere parte della strategia complessiva dell’infrastruttura, esattamente come quella della capacità di calcolo e dello storage.

Preparare le infrastrutture alla crescita dell’AI

L’intelligenza artificiale sta quindi cambiando la natura stessa delle infrastrutture IT. La questione non è soltanto disporre di maggiore capacità di calcolo, ma fare in modo che tutte le componenti dell’architettura possano lavorare insieme in modo efficiente.

In questo nuovo scenario, la rete assume un ruolo centrale: deve garantire la velocità con cui i dati si spostano all’interno dell’infrastruttura, accompagnare la crescita dei workload e contribuire a utilizzare in modo efficace le risorse di calcolo disponibili.

Per i fornitori IT, questo significa ampliare la propria prospettiva. La sfida non consiste semplicemente nell’integrare nuove tecnologie, ma nel progettare infrastrutture capaci di evolvere insieme all’AI.

Se il calcolo rappresenta la capacità di elaborare i dati, la rete rappresenta sempre più la capacità di farli circolare dove servono, quando servono e alla velocità necessaria. Le due dimensioni non possono più essere considerate separatamente.

Partecipa alla community

guest

0 Commenti
Più recenti
Più votati
Inline Feedback
Vedi tutti i commenti

People&Change

Tutti
CARRIERE
AI E LAVORO
COMPETENZE
Produttività e AI
AI IN AZIENDA
SCENARI
FORMAZIONE
CULTURA AZIENDALE
AI in azienda
Carriera
AI leadership
Leggi l'articolo Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
competenze
Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
Leggi l'articolo AI e lavoro, chi beneficerà davvero del tempo risparmiato?
scenari
AI e lavoro, chi beneficerà davvero del tempo risparmiato?
Leggi l'articolo Industria 5.0, chi difende le competenze quando decide l’AI
scenario
Industria 5.0, chi difende le competenze quando decide l’AI
Leggi l'articolo AI e lavoro in Italia: perché la formazione non può aspettare
l'analisi
AI e lavoro in Italia: perché la formazione non può aspettare
Leggi l'articolo Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
lo studio
Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
Leggi l'articolo Shadow AI in azienda: come governare rischi, dati e sicurezza
policy
Shadow AI in azienda: come governare rischi, dati e sicurezza
Leggi l'articolo AI e lavoro: i rischi di adottarla senza riprogettare i processi
collaborazione uomo-ai
AI e lavoro: i rischi di adottarla senza riprogettare i processi
Leggi l'articolo Diritto a un call center umano: banco di prova per il futuro con l’AI
la sentenza
Diritto a un call center umano: banco di prova per il futuro con l’AI
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership
Leggi l'articolo Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
competenze
Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
Leggi l'articolo AI e lavoro, chi beneficerà davvero del tempo risparmiato?
scenari
AI e lavoro, chi beneficerà davvero del tempo risparmiato?
Leggi l'articolo Industria 5.0, chi difende le competenze quando decide l’AI
scenario
Industria 5.0, chi difende le competenze quando decide l’AI
Leggi l'articolo AI e lavoro in Italia: perché la formazione non può aspettare
l'analisi
AI e lavoro in Italia: perché la formazione non può aspettare
Leggi l'articolo Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
lo studio
Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
Leggi l'articolo Shadow AI in azienda: come governare rischi, dati e sicurezza
policy
Shadow AI in azienda: come governare rischi, dati e sicurezza
Leggi l'articolo AI e lavoro: i rischi di adottarla senza riprogettare i processi
collaborazione uomo-ai
AI e lavoro: i rischi di adottarla senza riprogettare i processi
Leggi l'articolo Diritto a un call center umano: banco di prova per il futuro con l’AI
la sentenza
Diritto a un call center umano: banco di prova per il futuro con l’AI
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership
0
Lascia un commento, la tua opinione conta.x