Ogni rivoluzione informatica è, nella sua essenza, una rivoluzione architetturale: un cambiamento fondamentale nel rapporto tra software e hardware, comunicazioni, memoria e archiviazione dei dati.
Dai mainframe ai minicomputer, dal modello client-server al cloud, ogni epoca ha ridefinito il rapporto tra questi componenti. Eppure, attraverso oltre 50 anni di evoluzione, una relazione è rimasta immutata: i dati esistevano per servire il design delle applicazioni e, in ultima analisi, il sistema operativo. Negli ultimi 30 anni, le applicazioni sono state il centro di gravità dell’IT.
La proliferazione delle applicazioni e l’intelligenza artificiale stanno ora invertendo questa gerarchia. Da anni le organizzazioni affermano che i dati rappresentano il loro asset più importante, ma le infrastrutture IT continuano a essere progettate secondo un modello application-centric. Ogni applicazione è costruita sul proprio dataset e contiene il contesto e il significato necessari per interpretarlo. La proliferazione delle applicazioni ha generato una proliferazione dei dati, frammentandone la semantica.
Privati del contesto incorporato nelle applicazioni, i dati diventano di fatto opachi: non possono essere utilizzati da altre applicazioni senza essere prima puliti e trasformati attraverso il costoso e lungo processo di estrazione, trasformazione e caricamento (ETL).
Questa situazione ha creato numerose sfide per le aziende, che oggi si trovano a dover gestire direttamente il problema dell’integrazione tra applicazioni. L’impresa tipica utilizza decine, centinaia o persino migliaia di applicazioni, ciascuna con il proprio dataset e, spesso, con molteplici copie dello stesso. Attività comuni, come la preparazione di un’offerta commerciale per un cliente, richiedono l’accesso a più applicazioni e dataset che spesso non condividono informazioni coerenti.
Nel mondo application-centric, il termine “cliente” in un sistema CRM ha un significato diverso rispetto a quello presente in un sistema di fatturazione; un “asset” in un ERP non coincide con un “asset” in una piattaforma di supply chain. Moltiplicando questo fenomeno per centinaia di applicazioni, si ottiene un sistema in cui il significato trasversale dei dati deve essere ricostruito ogni volta che serve per un nuovo workflow, spesso attraverso ulteriori copie dei dati, fogli di calcolo, pipeline e riunioni dedicate alla riconciliazione delle informazioni. Tutto ciò genera errori che frequentemente richiedono interventi manuali.
L’adozione dell’intelligenza artificiale e delle analisi avanzate non fa che aggravare il problema. L’AI e i sistemi agentici saranno efficaci solo quanto i dati su cui si basano. E quando AI e analytics vengono alimentati da dati incoerenti, anche i risultati prodotti risultano inevitabilmente incoerenti. In ambiti come il business, la contabilità o la ricerca e sviluppo, un’accuratezza del 95% semplicemente non è sufficiente. I dati devono essere coerenti e affidabili.
L’architettura che ha costruito l’impresa moderna
Per comprendere il presente e il futuro, è necessario capire quanto profondamente il paradigma application-centric sia radicato nel DNA delle aziende.
La visione originaria dei grandi sistemi ERP prevedeva un’unica applicazione aziendale in grado di modellare ogni processo di business — finanza, approvvigionamento, supply chain, risorse umane e logistica — all’interno di un quadro semantico unificato. Un unico schema condiviso per definire cosa significassero concetti come “cliente”, “ordine” o “asset” nel contesto aziendale.
Tuttavia, l’evoluzione dell’IT aziendale ha seguito un percorso diverso. È emersa l’era delle soluzioni best-of-breed, in cui le organizzazioni hanno adottato applicazioni specializzate per CRM, HR, IT operations e altri ambiti. Se da un lato questo approccio ha accelerato innovazione e sviluppo funzionale, dall’altro ha compromesso la coerenza semantica tra le diverse funzioni aziendali.
È qui che nasce la frammentazione dei dati, fenomeno ulteriormente accelerato dal SaaS. Ogni nuova applicazione ha introdotto definizioni proprie, richiedendo copie dei dati, pipeline ETL e livelli di integrazione per comunicare con gli altri sistemi.
Questa complessità ha superato la capacità delle aziende di unificare i dati tra domini differenti. Internet, il mobile e il cloud hanno moltiplicato i volumi di dati, mantenendo però invariata l’assunzione architetturale di fondo: l’applicazione rimaneva centrale, mentre il dato restava secondario. Il livello semantico — il significato dei dati e delle loro relazioni — continuava a essere confinato all’interno delle applicazioni.
Il risultato è costituito da vasti ecosistemi di data lake e silos informativi scarsamente governati, con copie dei dati distribuite in decine di ambienti. Nella corsa verso l’AI, questa complessità non è soltanto costosa e difficile da gestire: è insostenibile.
AI ed efficienza aziendale richiedono un’inversione della gerarchia
L’intelligenza artificiale e la ricerca di maggiore efficienza aziendale mettono in discussione il modello application-centric. Tuttavia, il mondo SaaS e l’ecosistema multi-applicazione sono destinati a rimanere.
Le aziende hanno esigenze molteplici e in continua evoluzione, che richiedono flessibilità nella definizione dei workflow. Se però non esiste un’unica applicazione capace di fungere da sistema di riferimento per l’intera organizzazione, su cosa può basarsi la coerenza dei processi? La risposta risiede nell’architettura dei dati.
I dati, o specifici insiemi di dati, devono diventare i sistemi di riferimento (systems of record) condivisi da più applicazioni e workflow aziendali.
Per i leader IT, l’AI trasforma la domanda da “cosa possiamo automatizzare e ottimizzare?” a “cosa possono fare i miei agenti per ottimizzare il business?”. È un passaggio dall’ottimizzazione delle attività, dove l’applicazione era il punto focale, a workflow guidati dai risultati e dall’intelligenza, dove il dato diventa il fulcro.
Non si tratta di un semplice aggiustamento incrementale, ma di una vera inversione di paradigma.
Ogni azione dell’AI dipende dalla capacità di comprendere dati provenienti da più fonti e workflow, interpretandone semantica, storia e relazioni. I dati aziendali costituiscono oggi un patrimonio crescente di conoscenza il cui valore strategico supera quello delle applicazioni che li hanno generati.
In un’architettura application-centric, l’AI necessita che i dati vengano trasformati prima di poterli utilizzare. È necessario unificare fonti diverse, normalizzare gli schemi e costruire il contesto. Quale versione è quella corretta? Quale copia è autorevole?
I data lake, per definizione, non sono in tempo reale e richiedono trasformazioni continue per soddisfare specifiche esigenze analitiche. Il processo è inefficiente e non supporta decisioni basate su dati aggiornati.
L’AI applicata a contesti application-centric deve quindi confrontarsi costantemente con il problema dell’incoerenza dei dati. Non si tratta di una questione teorica: è il significato concreto del principio “garbage in, garbage out”. Dati incoerenti producono decisioni e azioni errate.
La centralità del dato
Per scalare l’efficienza aziendale e l’adozione dell’AI agentica, le organizzazioni devono evolvere verso un’architettura data-centric. I dati devono diventare l’elemento primario, mentre le applicazioni devono assumere un ruolo secondario.
I dati devono essere auto-descrittivi e le relazioni tra i diversi sistemi di riferimento devono essere registrate attraverso metadati anch’essi auto-descrittivi.
In questo modello, i sistemi che gestiscono i dati e i sistemi di record diventano il patrimonio fondamentale dell’organizzazione. I dati in tempo reale acquisiscono maggiore valore rispetto a quelli storici. Tutti gli ambienti applicativi — operativi, informativi e agentici — accedono agli stessi dati aggiornati.
Le applicazioni leggono o scrivono sui sistemi di record, ma non custodiscono le informazioni autorevoli. Inoltre, anziché copiare e trasformare continuamente i dati per adattarli alle esigenze delle singole applicazioni, il contesto viene creato, conservato e mantenuto insieme ai dati stessi attraverso i metadati.
Si tratta di un cambiamento di grande portata: per la prima volta, le organizzazioni devono progettare una vera architettura dati enterprise-wide dalla quale deriverà l’architettura applicativa.
Noi definiamo questo approccio Data Primacy.
La Data Primacy si fonda su tre principi:
- La semantica deve accompagnare il dato, non essere incorporata nell’applicazione. I dati operativi devono contenere le informazioni necessarie per essere compresi e utilizzati al di fuori del sistema che li ha generati. Ciò richiede descrizioni semantiche e relazioni che definiscano il collegamento tra ogni elemento informativo e il resto dell’ecosistema aziendale.
- I dati devono essere conservati, non duplicati. Per anni le imprese sono state abituate a replicare i dati per ogni nuova applicazione, ambiente analitico o caso d’uso AI. La Data Primacy ribalta questa logica: una singola fonte autorevole di dati in tempo reale, governata, sicura e semanticamente descritta, deve servire tutte le applicazioni e tutti gli agenti AI.
- La governance deve essere integrata nel livello dati. Nel mondo application-centric, gli accessi sono gestiti attraverso controlli basati sui ruoli delle applicazioni. In un contesto Data Primacy, gli agenti AI operano contemporaneamente su più sistemi. L’accesso deve quindi essere contestuale e dinamico, basato sulle caratteristiche dei dati, sull’identità dell’agente che li richiede e sullo scopo dell’azione.
Il vero valore risiede nei dati governati, gestiti e compresi dall’organizzazione, pronti per essere utilizzati da molteplici applicazioni e agenti.
Il nostro percorso
In Everpure, il percorso verso la Data Primacy è iniziato molti anni fa.
Nel primo decennio l’azienda si è concentrata sulla semplificazione della complessità dei sistemi di storage tradizionali e sulla scalabilità delle infrastrutture.
Nel secondo decennio è stata introdotta l’Enterprise Data Cloud, un’architettura supportata dalla piattaforma Everpure. Il suo Unified Data Plane abbraccia tutti i protocolli, i livelli storage e i workload, consentendo di gestire lo storage come un unico sistema. Sopra di esso opera un Intelligent Control Plane, che permette alle policy di accompagnare i dati indipendentemente dalla loro posizione o dall’evoluzione dei workload.
Con Everpure Data Intelligence (precedentemente 1touch), l’azienda offre la capacità di scoprire, classificare e contestualizzare i dati nell’intero patrimonio informativo aziendale — on-premise, cloud, SaaS e ambienti legacy — costruendo un catalogo e un knowledge graph semantico intorno ai dataset.
L’Enterprise Data Cloud ottimizza il modo in cui i dati vengono archiviati e gestiti attraverso workload e reti differenti. Everpure Data Intelligence fornisce invece l’intelligenza semantica necessaria per rendere i dati governabili, comprensibili nel contesto corretto e pronti per l’AI.
Insieme, queste tecnologie consentono alle organizzazioni di costruire un futuro data-centric, preservando gli investimenti esistenti e accompagnando la transizione verso un’architettura più efficiente ed efficace.
Verso un nuovo modello organizzativo
L’intelligenza artificiale sta rapidamente trasformando il modo in cui il lavoro viene svolto e i leader stanno iniziando a comprendere le implicazioni organizzative degli agenti AI che influenzeranno ogni livello aziendale.
L’AI permetterà ai dipendenti di valorizzare i vantaggi competitivi distintivi e le relazioni con i clienti. Spingerà i team infrastrutturali a ripensare la propria architettura e trasformerà il ruolo degli amministratori storage, dei responsabili infrastrutturali, dei Chief Data Officer e dei Chief Technology Officer.
La trasformazione parte dai dati: arricchiti da contesto e semantica propri, diventano accessibili all’intera organizzazione e servono non una sola applicazione, ma tutte le applicazioni, ogni agente AI e ogni richiesta, con sicurezza, governance, affidabilità e fiducia integrate.
Le aziende che adotteranno il paradigma della Data Primacy opereranno in modo più efficiente e sfrutteranno meglio l’intelligenza artificiale. Costruiranno un’architettura dati più resiliente ai cambiamenti dei workflow, in cui le decisioni saranno prese più rapidamente e con maggiore accuratezza e fiducia.
Tutti parlano dell’importanza dei dati. Ora è il momento di mettere davvero i dati al primo posto. Tutto il resto seguirà.
