Infrastruttura di rete per AI: requisiti e criteri di scelta

Un’infrastruttura di rete per l’AI garantisce banda simmetrica, latenza contenuta e percorso dati controllato tra sedi, ambienti di calcolo e piattaforme cloud.

I punti chiave in sintesi:

Sulle infrastrutture per l’intelligenza artificiale la spesa mondiale corre a doppia cifra, e le organizzazioni enterprise italiane hanno seguito la stessa traiettoria con investimenti in capacità di calcolo e competenze. La rete che collega quei modelli ai dati aziendali resta però quella dimensionata per il traffico applicativo tradizionale. Il divario emerge sul piano operativo. I dataset impiegano giorni a raggiungere i sistemi che devono elaborarli. I tempi di risposta superano le soglie ammesse dai processi produttivi. I costi di trasferimento dati erodono il ritorno atteso dall’investimento. La domanda dirimente cambia quindi natura: non quale modello adottare, ma se l’infrastruttura di rete sia in grado di sostenerlo.

Che cos’è un’infrastruttura di rete per l’AI

Un’infrastruttura di rete per l’AI è l’insieme di collegamenti, apparati e policy di instradamento che trasporta dataset di training e traffico di inferenza con banda, latenza e jitter garantiti contrattualmente.

AI (Artificial Intelligence, intelligenza artificiale): tecniche software che elaborano grandi volumi di dati per produrre previsioni, classificazioni o contenuti. Le fasi operative sono due, addestramento e inferenza.

Un’infrastruttura di rete per l’AI si differenzia da una rete aziendale tradizionale per il profilo del traffico. Le applicazioni gestionali generano flussi prevedibili tra postazione e server, con volumi modesti e buona tolleranza al ritardo. I carichi di intelligenza artificiale generano invece flussi massivi e spesso simmetrici, concentrati in finestre ristrette e distribuiti su più domini di rete. La differenza è di natura, non solo di volume. Per questo un semplice aumento di banda raramente basta. Il profilo di traffico dei carichi AI si riconosce da quattro caratteristiche, ciascuna con una conseguenza diretta sul dimensionamento della rete:

• Traffico east-west: scambio tra nodi di calcolo paralleli durante l’addestramento, con volumi molto superiori al traffico verso gli utenti
• Simmetria dei flussi: l’invio di dataset eguaglia o supera la ricezione, condizione che penalizza gli accessi asimmetrici
• Sensibilità al ritardo: nell’inferenza a supporto della produzione il tempo di risposta è un vincolo di processo, non una metrica da monitorare
• Picchi di capacità: le finestre di sincronizzazione saturano il collegamento per ore, poi lo lasciano quasi inattivo

Quali sono i tre domini di rete che i carichi AI mettono sotto pressione?

I domini sono tre, e per dominio si intende una porzione di rete con tecnologie, confini e metriche proprie. Il primo è il fabric interno all’ambiente di calcolo, dove contano il throughput aggregato e i protocolli a bassa latenza. Il secondo è l’interconnessione tra siti di elaborazione, dove contano capacità e stabilità del ritardo. Il terzo è la rete geografica aziendale, dove contano banda simmetrica garantita e SLA per singola sede. Ciascuno ha un collo di bottiglia indipendente, e intervenire su uno solo lo sposta senza rimuoverlo.

Secondo l’Ultra Ethernet Consortium, nei carichi paralleli un singolo collegamento sottoperformante rallenta l’intero gruppo di nodi. È la ragione per cui nel fabric interno conta la coda peggiore e non la media: i nodi che terminano prima restano fermi ad aspettare gli altri.

DCI (Data Center Interconnect): collegamento ad alta capacità tra due o più siti di elaborazione. Trasporta repliche, backup e sincronizzazioni su fibra dedicata, senza transitare dalla rete pubblica.

Il terzo dominio porta i dati dalle sedi operative, dagli impianti e dai punti vendita verso l’ambiente di elaborazione. È il più trascurato nei progetti AI, e quello dove il divario tra requisito e dotazione emerge per primo.

Perché i carichi AI cambiano i requisiti della rete aziendale

I carichi AI introducono volumi simmetrici concentrati, sensibilità al jitter e vincoli sul percorso dei dati. Le connessioni best-effort dimensionate sul traffico applicativo non rispettano questi requisiti.

La spesa in infrastrutture per l’intelligenza artificiale cresce a ritmi senza precedenti, e con essa la domanda di trasporto dati. Ogni acceleratore installato va alimentato da dati che risiedono altrove. Si trovano nei sistemi gestionali, negli archivi documentali, nei sensori di impianto, nelle piattaforme cloud. La rete tocca tutti questi punti. Diventa il vincolo dimensionante quando il calcolo smette di esserlo.

Secondo IDC (Worldwide Quarterly AI Infrastructure Tracker, novembre 2026), la spesa mondiale in infrastrutture per l’AI raggiungerà 521 miliardi di dollari nel 2026, in crescita di circa il 63% su base annua. Per chi pianifica il triennio la conseguenza è diretta. La capacità di rete va dimensionata sulla traiettoria di adozione interna, non sul consumo attuale.

Jitter: variazione del ritardo tra pacchetti successivi. Un jitter elevato degrada le applicazioni che elaborano flussi continui, anche quando la latenza media resta nei valori attesi.

Quanta banda serve per sostenere i carichi AI?

Il dimensionamento parte dal volume di dati da spostare nella finestra disponibile, non dal numero di utenti. Un dataset da 20 terabyte su un collegamento da 1 Gbps simmetrico richiede circa 45 ore. Sullo stesso volume, un collegamento da 10 Gbps scende sotto le 5 ore. La formula operativa è il volume diviso per la finestra ammessa. Va aggiunto un margine del 30% per contemporaneità e ritrasmissioni.

Secondo TeleGeography (Transport Networks Research Service, giugno 2026), la banda internazionale utilizzata crescerà del 24% annuo fino al 2035, con un raddoppio ogni tre anni circa. I content provider, categoria che comprende cloud e operatori AI, valgono circa tre quarti della capacità globale. La contesa sulla capacità di trasporto è quindi destinata ad aumentare. Chi contrattualizza capacità dedicata oggi protegge il proprio profilo prestazionale nel medio periodo.

Quando i dati risiedono su piattaforme cloud il dimensionamento si estende al collegamento verso il provider. Una connettività dedicata verso il cloud rimuove la variabilità del transito Internet, rendendo prevedibile il tempo di trasferimento e pianificabili le finestre di addestramento.

Training e inferenza: due profili di traffico

Il training richiede banda massiva e tollera ritardi, perché sposta dataset in finestre programmate. L’inferenza richiede latenza bassa e stabile, perché risponde a richieste continue.

La distinzione tra training e inferenza è uno dei discrimini architetturali più rilevanti, e uno dei più spesso trascurati. Trattare i due profili come un requisito unico porta a due esiti opposti e ugualmente costosi. Si dimensiona la rete per la capacità quando servono bassa latenza e prevedibilità. Oppure si paga per prestazioni a bassa latenza quando serve soprattutto capacità di trasferimento. Conviene quindi considerarli profili distinti, con esigenze operative, collocazioni infrastrutturali e requisiti contrattuali differenti. Il perimetro però va dichiarato: la distinzione vale sulla rete geografica, mentre dentro il data center le architetture di inferenza disaggregata stanno avvicinando i due profili. Nella pratica i due profili si articolano in quattro casi operativi, ciascuno con una soglia di riferimento propria.

• Training: trasferimento di grandi volumi, anche nell’ordine dei terabyte, generalmente organizzati in finestre programmate. La priorità è la capacità di trasferimento e la continuità del throughput più che la latenza minima.
• Messa a punto dei modelli: volumi intermedi, con attività ricorrenti di aggiornamento, validazione e distribuzione. Diventano rilevanti sia la capacità disponibile sia la prevedibilità delle prestazioni e dei tempi di trasferimento.
• Inferenza centralizzata: richieste continue, generalmente con payload più contenuti rispetto al training, per le quali la latenza end-to-end e la sua stabilità diventano fattori determinanti.
• Inferenza su processo produttivo: applicazioni con vincoli temporali particolarmente stringenti, nelle quali possono essere richieste latenze nell’ordine delle decine di millisecondi o inferiori e un jitter contenuto.

Che differenza c’è tra la rete per il training e quella per l’inferenza?

Il training e l’inferenza richiedono reti con priorità diverse. Il training privilegia la capacità aggregata e il costo per terabyte. L’inferenza richiede bassa latenza, percorsi prevedibili e prossimità al dato. Per chi addestra centralmente e porta l’AI sulle sedi distribuite, questo implica progettare e contrattualizzare separatamente i due profili di connettività.

Quali opzioni di connettività per i carichi AI

Le opzioni praticabili sono quattro: accesso business condiviso, fibra dedicata punto-punto, collegamento diretto al cloud e SD-WAN (Software-Defined Wide Area Network), che gestisce via software i collegamenti esistenti.

La scelta della connettività non si riduce al confronto tra profili di banda. I quattro modelli differiscono per il controllo sul percorso dei dati e per la natura delle garanzie contrattuali. Soprattutto, si comportano in modo diverso nelle condizioni di picco, che sono quelle in cui operano i carichi AI. La tabella confronta i criteri da rendere espliciti nel capitolato.

Nei progetti enterprise la risposta è quasi sempre una combinazione. La fibra dedicata copre i siti che generano o elaborano volumi elevati. Il collegamento diretto al cloud raggiunge i luoghi dove risiedono dati e piattaforme. La SD-WAN distribuisce l’inferenza sulle sedi con politiche differenziate per classe applicativa.

Inferenza distribuita: avvicinare la rete al dato

L’inferenza distribuita conviene in tre casi. Quando il tempo di risposta richiesto scende sotto i 20 millisecondi. Quando i volumi generati localmente sono troppo elevati da trasferire. Quando i dati devono restare nel sito che li produce.

Spostare l’elaborazione vicino al punto in cui il dato viene generato significa superare il tradizionale modello centralizzato, nel quale i dati vengono trasferiti verso un’infrastruttura remota. L’elaborazione locale conviene quando trasferirli verso un’infrastruttura centralizzata comporta costi, latenze o vincoli operativi superiori a quelli necessari per elaborare i dati direttamente sul sito. A decidere sono volume e frequenza dei dati generati, requisiti di latenza e connettività disponibile. Casi tipici in cui l’elaborazione distribuita risulta vantaggiosa sono linee di produzione, sistemi logistici e applicazioni di videoanalisi. Una soluzione intermedia consiste nel collocare le risorse di calcolo in housing o colocation vicini ai poli produttivi. Si conserva parte del beneficio della prossimità senza installare l’infrastruttura in ogni sito.

MEC (Multi-access Edge Computing): architettura standardizzata da ETSI che colloca risorse di elaborazione ai margini della rete, riducendo il percorso tra sorgente ed elaborazione.

63%

Investimenti AI521 mld $ nel 2026Fonte: IDC

+24%

Banda internazionaleCrescita annua fino al 2035Fonte: TeleGeography

10%

Outage graviCirca un’interruzione su 10Fonte: Uptime Institute

Come valutare una rete AI-ready: sei criteri per il capitolato

Un capitolato per una rete AI-ready rende misurabili sei elementi: banda simmetrica garantita, soglie di latenza e jitter, percorso dei dati, scalabilità, interfacce di automazione, condizioni di recesso.

La differenza tra un'offerta valutabile e una non confrontabile dipende quasi sempre dal capitolato. Un requisito generico come "connettività ad alte prestazioni per carichi AI" produce risposte non comparabili. I sei criteri seguenti lo traducono in parametri quantificabili, verificabili per tutta la durata del contratto. Ogni soglia va validata con un proof of concept sul percorso reale, non su un benchmark di laboratorio.

Quali criteri rendono confrontabili le offerte?

• Banda simmetrica garantita: valore minimo assicurato in entrambe le direzioni, non capacità nominale di picco
• Soglie di latenza e jitter: valori massimi per coppia di siti, con metodo di misura dichiarato
• Percorso dei dati: tracciato dei collegamenti e punti di interconnessione, decisivo per i requisiti di trattamento
• Scalabilità contrattuale: tempi e condizioni per raddoppiare la capacità, da fissare prima della firma
• Interfacce di automazione: interfacce programmabili aperte per l'integrazione con i sistemi di gestione interni
• Condizioni di recesso: recesso per mancato rispetto delle soglie e assenza di vincoli che blocchino la migrazione

Secondo Gartner, la quota di imprese che automatizza oltre metà delle attività di rete è destinata a triplicare rispetto a meno del 10% di metà 2023, fino a raggiungere il 30%. Il criterio delle interfacce di automazione non è quindi accessorio. Un fornitore che non le espone vincola l'organizzazione a processi manuali. E li vincola proprio mentre il traffico diventa più variabile.

Perché il percorso dei dati è una questione di politica industriale?

Il criterio del percorso dei dati ha assunto anche una dimensione di politica industriale. Il 3 giugno 2026 la Commissione Europea ha adottato un pacchetto per l'autonomia digitale che comprende il Cloud and AI Development Act e il Chips Act 2.0. A luglio 2026 l'iniziativa AI Gigafactories ha sbloccato oltre 30 miliardi di euro per l'accesso alle risorse di calcolo. È in corso anche il Digital Networks Act sulle regole europee per reti fisse e 5G.

Secondo la Commissione Europea (EU Tech Sovereignty), l'Unione dipende da Paesi terzi per oltre l'80% dei prodotti, servizi e infrastrutture digitali considerati chiave. Per chi redige un capitolato il dato ha un effetto pratico. Sapere dove transitano i dati e chi controlla i collegamenti non è un adempimento formale, ma una scelta di riduzione della dipendenza.

Traduci ogni requisito prestazionale in una soglia numerica con metodo di misura dichiarato: è l'unico modo per rendere gli SLA esigibili.

TCO (Total Cost of Ownership) e continuità del servizio

Sul costo triennale di una rete per l'AI incidono quattro voci. I canoni dei collegamenti dedicati, i costi di trasferimento dati verso il cloud, gli adeguamenti nei siti e il costo delle interruzioni.

Il TCO di una rete per l'AI raramente coincide con la somma dei canoni. Tre voci spostano il risultato dell'analisi triennale e compaiono tutte dopo la firma. La prima è il costo di trasferimento dati verso il cloud, che cresce con i volumi elaborati. La seconda è l'adeguamento dei siti, quando la potenza disponibile non regge la densità richiesta. La terza è il costo delle interruzioni, che nei processi alimentati da inferenza comprende anche il riallineamento dei dati.

Secondo Uptime Institute (Global Data Center Survey 2026, oltre 800 rispondenti), un'interruzione su dieci viene classificata come seria o grave e le conseguenze economiche continuano a crescere. Crescono rapidamente anche le installazioni con picchi di densità da 30 kW e oltre, per effetto dei carichi AI. Nell'analisi triennale la voce continuità va quindi quantificata sul costo del processo fermo, non sul canone.

Sul fronte dell'offerta il mercato italiano si sta attrezzando. All'incontro "Telco per l'Italia" del dicembre 2025 l'amministratore delegato di Retelit, Jorge Alvarez, ha annunciato un piano pluriennale dedicato all'espansione della rete in fibra. Il piano comprende architetture integrate a supporto dei carichi di intelligenza artificiale. Alvarez ha indicato la prossimità alle imprese come asset strategico per un Paese dalla filiera industriale articolata.

Come si valuta il costo di una rete AI-ready su 36 mesi?

Il calcolo somma quattro voci su tutta la durata del contratto. La prima è il canone dei collegamenti, l'unica nota fin dall'inizio. La seconda è il costo di trasferimento dati verso le piattaforme cloud, che varia con i volumi elaborati e cresce insieme all'adozione interna. La terza è la spesa una tantum per adeguare i siti, dagli impianti elettrici agli apparati. La quarta è il costo atteso dei fermi, che si ottiene moltiplicando le ore di interruzione ammesse dallo SLA per quanto vale un'ora di quel processo. Confrontare i fornitori sul solo canone mensile produce una classifica destinata a cambiare, perché le altre tre voci pesano sul triennio e non sul primo mese.

Quando la rete impara da sola: l'AI applicata all'infrastruttura

L'AI applicata all'infrastruttura di rete analizza la telemetria dei collegamenti per anticipare i degradi, adattare l'instradamento alle prestazioni misurate e rilevare le anomalie prima dell'impatto sul servizio.

Esiste un secondo rapporto tra rete e intelligenza artificiale, opposto al primo. Nel primo la rete trasporta i carichi AI. Nel secondo l'AI governa la rete. I due percorsi convergono nello stesso progetto ma nascono da esigenze diverse. Il secondo risponde a un problema di scala. Una rete con decine di sedi, politiche per classe applicativa e traffico variabile supera la soglia oltre la quale la configurazione manuale non regge. La telemetria degli apparati diventa allora il dato di ingresso per l'ottimizzazione automatica. Gli ambiti in cui questo approccio produce risultati misurabili sono quattro.

• Manutenzione predittiva: l'analisi storica degli errori sui collegamenti anticipa il degrado ottico prima dell'interruzione
• Instradamento adattivo: la selezione del percorso segue le prestazioni misurate, non una tabella statica
• Rilevamento anomalie: gli scostamenti dal profilo di traffico atteso emergono come segnale prima di diventare incidente
• Dimensionamento assistito: i modelli di consumo storico indicano quando una tratta sta per saturare

Secondo Gartner (Top AI Trends in Infrastructure and IT Operations for 2027, ottobre 2026), entro il 2030 il 50% delle organizzazioni gestirà le operazioni IT con agenti AI e un intervento umano minimo, contro una quota prossima allo zero nel 2026. La direzione è quindi tracciata, ma i tempi restano lunghi: oggi il valore sta nell'automazione assistita, non nella rete che si governa da sola.

Che vantaggio porta l'AI applicata alla gestione della rete aziendale?

Il vantaggio misurabile è la riduzione del tempo tra l'insorgere di un degrado e la sua correzione. Su una rete con inferenza distribuita quel tempo incide direttamente sul processo produttivo. Il prerequisito però resta contrattuale, non tecnologico. Senza interfacce programmabili aperte e senza telemetria accessibile nessuna piattaforma di analisi può operare sui collegamenti. È il criterio delle interfacce di automazione visto sopra, osservato dal lato del beneficio.

Chiedi al fornitore l'accesso alla telemetria dei collegamenti in formato aperto: è il presupposto di qualsiasi automazione successiva.

Domande frequenti sull'infrastruttura di rete per l'AI nelle organizzazioni enterprise

Con il contributo di Francesco Donadio, Head of Strategic Alliances & Business Development, Retelit