Ogni grande cambiamento tecnologico mette in evidenza i limiti dei modelli operativi che lo hanno preceduto, e l’intelligenza artificiale non fa eccezione.
La maggior parte delle discussioni nelle aziende continua a concentrarsi su modelli, applicazioni e tempi di adozione. Tuttavia, le organizzazioni che stanno ottenendo i risultati migliori si stanno ponendo una domanda diversa: il modo in cui sviluppiamo, gestiamo e governiamo la tecnologia è davvero in grado di supportare l’AI su scala enterprise?
Una recente ricerca che abbiamo realizzato, Private Cloud Outlook, evidenzia una contraddizione che molte organizzazioni stanno affrontando: oltre la metà (52%) dei responsabili IT aziendali dell’area EMEA afferma che l’integrazione di funzionalità di AI nelle applicazioni esistenti rappresenta la principale priorità in termini di modernizzazione. Eppure, il 75% dichiara di aver modernizzato meno della metà del proprio patrimonio applicativo. Il risultato è un divario sempre più ampio tra le ambizioni legate all’AI e la reale preparazione operativa: le aziende cercano infatti di implementare soluzioni di intelligenza artificiale su piattaforme che non sono mai state progettate per supportarle efficacemente su larga scala.
È in questo contesto che entra in scena la Platform Engineering 2.0.
La piattaforma non è più solo per gli sviluppatori
La platform engineering è nata come risposta alla crescente complessità. Con la diffusione delle architetture cloud-native e la maturazione delle pratiche DevOps, le organizzazioni hanno avuto bisogno di un modo migliore per standardizzare l’infrastruttura, ridurre il carico cognitivo e offrire agli sviluppatori un accesso self-service e sicuro agli strumenti necessari per il loro lavoro.
Le Internal Developer Platform (IDP) sono diventate il meccanismo attraverso cui garantire questa uniformità e coerenza su larga scala.
I risultati parlano chiaro: sotto quasi ogni aspetto, il modello si è rivelato efficace. Secondo il DORA Report 2025 di Google, circa il 90% delle organizzazioni ha già adottato pratiche di platform engineering, rendendola un elemento centrale della moderna distribuzione del software. Oggi, però, l’assunto su cui si fondava questo successo sta evolvendo.
La Platform Engineering 1.0 nasceva con un unico destinatario in mente: lo sviluppatore. Oggi, invece, la platea degli utenti è molto più ampia. Data scientist, professionisti della cybersecurity, responsabili FinOps, utenti di business e, sempre più, agenti AI devono poter accedere alla stessa piattaforma governata, pur perseguendo obiettivi differenti. Ciò che li accomuna è la richiesta di servizi rapidi, sicuri e fruibili in modalità self-service.
La piattaforma non si limita più a supportare gli sviluppatori. Sta diventando l’ambiente operativo attraverso il quale persone e agenti intelligenti collaborano per sviluppare, distribuire e gestire il software.
Questa evoluzione porta l’Internal Developer Platform (IDP) oltre il suo mandato originario, aprendo la strada a un nuovo modello: l’Agentic Development Platform (ADP). Si tratta di una piattaforma che offre a utenti umani e agenti di intelligenza artificiale un accesso strutturato a servizi, policy, controlli di sicurezza e informazioni sui costi attraverso interfacce leggibili dalle macchine, consentendo loro di operare in modo sicuro e su larga scala.
La tecnologia non è il vero vincolo
Uno dei luoghi comuni più diffusi sull’adozione dell’AI è che le aziende abbiano bisogno di infrastrutture completamente nuove per poter scalare.
In realtà, molte aziende dispongono già delle fondamenta necessarie. La nostra ricerca ha rilevato che il 92% delle imprese dell’area EMEA ritiene che il cloud privato offra oggi il livello di affidabilità richiesto dalle applicazioni mission-critical, mentre il 90% afferma che garantisce la trasparenza finanziaria e la prevedibilità dei costi necessarie per gestire infrastrutture AI sempre più onerose. A ciò si aggiunge un altro elemento: l’82% ritiene che il cloud privato consenta di soddisfare i crescenti requisiti in materia di sovranità e residenza dei dati.
La sfida più grande riguarda piuttosto il modo in cui queste capacità vengono integrate e coordinate. Oggi il 74% dei team di platform engineering collabora in qualche forma con i team IT responsabili dell’infrastruttura. Tuttavia, solo il 14% ha formalizzato questa collaborazione all’interno di un modello operativo definito.
È probabilmente in questo divario che si giocherà la prossima fase dell’adozione dell’intelligenza artificiale. Più che dalla disponibilità di nuove tecnologie, il successo dipenderà dalla capacità delle organizzazioni di creare un allineamento efficace tra i diversi team. Una collaborazione più stretta tra platform engineering e infrastruttura potrebbe infatti rivelarsi importante quanto qualsiasi investimento tecnologico, consentendo di sviluppare e distribuire soluzioni AI in modo più coerente, sicuro e scalabile.
Come sarà la Platform Engineering 2.0
Se la Platform Engineering 1.0 puntava ad accelerare lo sviluppo e il rilascio del software, la sua evoluzione ha un obiettivo più ambizioso: portare l’intelligenza artificiale nei processi operativi dell’azienda.
Il primo passo è riconoscere che l’AI non è un carico di lavoro come gli altri. Supportare GPU, nuove architetture CPU, registri dei modelli, servizi di inferenza e agenti AI richiede piattaforme capaci di considerare l’intelligenza artificiale una funzionalità nativa, non un’aggiunta successiva a infrastrutture progettate per altri scopi.
L’AI cambia anche la natura delle decisioni che la piattaforma deve gestire. Costi, governance e sicurezza non possono più essere affrontati separatamente dal ciclo di sviluppo e distribuzione del software. Devono diventarne parte integrante, soprattutto ora che questo stesso ciclo è sempre più guidato dall’intelligenza artificiale.
La piattaforma, inoltre, deve essere progettata per evolvere. L’ecosistema AI si muove troppo rapidamente perché le organizzazioni possano ricostruire ogni volta le proprie infrastrutture intorno a un nuovo modello, framework o strumento. Le architetture componibili, basate su servizi modulari e interfacce ben definite, offrono la flessibilità necessaria per adattarsi alle novità senza rinunciare alla coerenza e all’affidabilità richieste dalle imprese.
È dall’insieme di questi cambiamenti che prende forma la Platform Engineering 2.0: un modello operativo per l’AI enterprise, capace di permettere alle organizzazioni di sviluppare, distribuire e gestire soluzioni di intelligenza artificiale in modo sicuro, coerente e scalabile.
L’infrastruttura al centro della strategia
L’infrastruttura è ormai un fattore decisivo per stabilire se un’organizzazione sia in grado di allocare in modo efficiente le risorse GPU, governare con coerenza i carichi di lavoro AI, tenere sotto controllo costi crescenti e distribuire sistemi intelligenti in modo sicuro e su larga scala. L’esperienza offerta dalla piattaforma è ciò che gli utenti vedono, ma è l’infrastruttura sottostante a determinare sempre più spesso ciò che l’azienda può realmente realizzare.
Con il passaggio dell’intelligenza artificiale alla fase di produzione, queste esigenze sono destinate ad aumentare. Modelli e applicazioni differenti eserciteranno pressioni diverse, e spesso simultanee, sulle risorse di calcolo, sui sistemi di storage e sui dati. I team di platform engineering devono quindi essere in grado di rispondere a requisiti in continua evoluzione, senza introdurre complessità superflue né creare nuovi silos tecnologici.
L’infrastruttura diventa così una componente centrale dell’architettura della Platform Engineering 2.0, non più un semplice livello tecnologico sottostante.
L’evoluzione richiesta dall’era dell’AI
La platform engineering ha sempre avuto un obiettivo preciso: aumentare la velocità senza rinunciare al controllo. Nell’era dell’intelligenza artificiale, questa missione diventa ancora più centrale.
La Platform Engineering 2.0 valorizza le fondamenta su cui le organizzazioni hanno investito nell’ultimo decennio e le prepara a uno scenario in cui il software viene sviluppato, distribuito e, sempre più spesso, gestito congiuntamente da persone e agenti intelligenti.
Le aziende che sapranno cogliere per tempo questo cambiamento saranno meglio preparate ad adottare l’AI e, soprattutto, a trasformare le proprie ambizioni in risultati di business concreti e misurabili.
