L’anno 2024 ha confermato il ruolo centrale dell’intelligenza artificiale generativa nelle strategie aziendali, rivelando al contempo dei limiti che gli annunci entusiastici del 2023 avevano lasciato nell’ombra. Tra progetti pilota senza ritorni misurabili, l’urgenza della crittografia post-quantistica e dati interni ancora poco sfruttati, il panorama tecnologico del 2024 si legge tanto per le sue promesse quanto per i suoi punti di attrito.
IA generativa in azienda: il divario tra adozione e ritorno sugli investimenti
La maggior parte delle grandi organizzazioni ha avviato almeno un progetto legato all’IA generativa. Gli strumenti di generazione di testo, codice o immagini si sono moltiplicati nelle direzioni marketing, legali e tecniche.
Un’analisi pubblicata da The European Business Review nel settembre 2026, che si basa su bilanci di implementazioni precedenti, evidenzia un dato chiaro: la maggior parte dei progetti pilota non porta a un impatto finanziario misurabile. Il problema è meno legato alla tecnologia che all’assenza di un riferimento chiaro prima dell’implementazione. Senza un indicatore di partenza, è impossibile quantificare un guadagno.
Questo scostamento tra sperimentazione e valore aziendale ha portato diverse aziende a rivedere il loro approccio. Piuttosto che moltiplicare i casi d’uso, alcune concentrano i loro sforzi su uno o due processi critici dove il beneficio è direttamente osservabile, come la classificazione automatizzata di documenti contrattuali o la sintesi dei feedback dei clienti. Seguire le novità tech su 24 Actualités consente di misurare come questi aggiustamenti evolvono mese dopo mese in diversi settori.
Qualità dei dati: il vero freno alla messa in produzione dell’IA
I modelli generativi hanno bisogno di dati affidabili, strutturati e connessi tra loro. Sulla carta, le aziende lo sanno. In pratica, il livello reale di integrazione rimane basso.
The European Business Review sottolinea che i dati non strutturati rappresentano il principale ostacolo alla messa in produzione. Email archiviate, PDF digitalizzati, trascrizioni di chiamate, documenti interni memorizzati in formati eterogenei: questo patrimonio informativo esiste, ma resiste ai pipeline di ingestione automatizzati.
Il problema non è tecnico nel senso stretto. Esistono soluzioni di estrazione e normalizzazione. La difficoltà risiede nella governance: chi valida la qualità di un set di dati prima che alimenti un modello? Chi decide il livello di riservatezza applicabile? Queste domande organizzative rallentano i progetti molto più delle limitazioni algoritmiche.
Dati e cybersicurezza: un’intersezione sottovalutata
Collegare fonti interne eterogenee per alimentare un modello di IA amplia meccanicamente la superficie di attacco. I team di sicurezza si trovano di fronte a un paradosso: l’IA richiede più dati accessibili, la cybersicurezza esige di isolarli.
I feedback sul campo divergono su questo punto. Alcune organizzazioni ritengono che i guadagni di produttività giustifichino un accesso ampliato ai dati, a condizione di rafforzare la crittografia e la registrazione. Altre preferiscono limitare l’accesso dei modelli a sottoinsiemi validati manualmente, anche a costo di ridurre la pertinenza dei risultati.
Crittografia post-quantistica: una transizione già avviata
Il calcolo quantistico non è ancora operativo su larga scala per rompere gli algoritmi di crittografia attuali. Tuttavia, la minaccia nota come “harvest now, decrypt later” è ben reale: dati crittografati oggi potrebbero essere decrittografati domani da un computer quantistico sufficientemente potente.
È questa logica che ha spinto il NIST (National Institute of Standards and Technology) a finalizzare i suoi primi standard di crittografia post-quantistica. La pubblicazione di queste norme ha creato un’apertura: i fornitori di soluzioni cloud e di cybersicurezza hanno iniziato a integrare algoritmi resistenti agli attacchi quantistici nelle loro offerte.
Per le aziende, la transizione non si limita a sostituire un algoritmo con un altro. Richiede un inventario completo dei sistemi crittografici in atto, un lavoro spesso lungo e faticoso su infrastrutture obsolete.
- Identificare tutti i flussi di dati crittografati e i protocolli utilizzati (TLS, VPN, firme digitali) per mappare l’esposizione.
- Prioritizzare la migrazione dei sistemi che proteggono dati a lunga durata, come le cartelle cliniche, i contratti o la proprietà intellettuale.
- Testare la compatibilità dei nuovi algoritmi con i sistemi esistenti prima di qualsiasi implementazione in produzione, poiché alcuni protocolli ereditati non supportano chiavi di dimensioni superiori.
Tendenze tech 2024: ciò che avanza senza fare notizia
L’IA generativa e il quantistico concentrano l’attenzione mediatica. Altre evoluzioni tecnologiche avanzano con meno rumore ma con effetti concreti.
La GreenTech sotto pressione energetica
I centri di dati necessari per l’addestramento dei modelli di IA consumano quantità considerevoli di energia. Questa realtà mette in tensione due priorità dichiarate dalle aziende tecnologiche: la corsa alla potenza di calcolo e gli impegni di riduzione dell’impronta di carbonio. I dati disponibili non consentono ancora di concludere se i guadagni di efficienza energetica dei nuovi chip compensino l’aumento globale della domanda.
Il panorama tech del 2024 si caratterizza meno per rotture spettacolari e più per una maturazione esigente. Le organizzazioni che traggono vantaggio dall’IA generativa sono quelle che hanno prima risolto i loro problemi di dati e governance. La crittografia post-quantistica impone un cantiere infrastrutturale da pianificare su più anni. Il divario tra l’entusiasmo degli annunci e la realtà operativa rimane il filo conduttore di quest’anno tecnologico.
