Un’infrastruttura di rete per l’AI garantisce banda simmetrica, latenza contenuta e percorso dati controllato tra sedi, ambienti di calcolo e piattaforme cloud.<\/p>\n\n\n\n
I punti chiave in sintesi:<\/p>\n\n\n\n
<\/p>\n\n\n\n
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 capacit\u00e0 di calcolo e competenze. La rete che collega quei modelli ai dati aziendali resta per\u00f2 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.<\/p>\n\n\n\n
Un’infrastruttura di rete per l’AI \u00e8 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.<\/p>\n\n\n\n
AI (Artificial Intelligence, intelligenza artificiale)<\/strong>: tecniche software che elaborano grandi volumi di dati per produrre previsioni, classificazioni o contenuti. Le fasi operative sono due, addestramento e inferenza.<\/p>\n\n\n\n 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 pi\u00f9 domini di rete. La differenza \u00e8 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:<\/p>\n\n\n\n <\/p>\n\n\n\n I domini sono tre, e per dominio si intende una porzione di rete con tecnologie, confini e metriche proprie. Il primo \u00e8 il fabric interno all’ambiente di calcolo, dove contano il throughput aggregato e i protocolli a bassa latenza. Il secondo \u00e8 l’interconnessione tra siti di elaborazione, dove contano capacit\u00e0 e stabilit\u00e0 del ritardo. Il terzo \u00e8 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.<\/p>\n\n\n\n Secondo l’Ultra Ethernet Consortium<\/a>, nei carichi paralleli un singolo collegamento sottoperformante rallenta l’intero gruppo di nodi<\/strong>. \u00c8 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.<\/p>\n\n\n\n DCI (Data Center Interconnect)<\/strong>: collegamento ad alta capacit\u00e0 tra due o pi\u00f9 siti di elaborazione. Trasporta repliche, backup e sincronizzazioni su fibra dedicata, senza transitare dalla rete pubblica.<\/p>\n\n\n\n Il terzo dominio porta i dati dalle sedi operative, dagli impianti e dai punti vendita verso l’ambiente di elaborazione. \u00c8 il pi\u00f9 trascurato nei progetti AI, e quello dove il divario tra requisito e dotazione emerge per primo.<\/p>\n\n\n\n I carichi AI introducono volumi simmetrici concentrati, sensibilit\u00e0 al jitter e vincoli sul percorso dei dati. Le connessioni best-effort dimensionate sul traffico applicativo non rispettano questi requisiti.<\/p>\n\n\n\n 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.<\/p>\n\n\n\n\n Secondo IDC (Worldwide Quarterly AI Infrastructure Tracker, novembre 2026)<\/a>, la spesa mondiale in infrastrutture per l’AI raggiunger\u00e0 521 miliardi di dollari nel 2026, in crescita di circa il 63% su base annua<\/strong>. Per chi pianifica il triennio la conseguenza \u00e8 diretta. La capacit\u00e0 di rete va dimensionata sulla traiettoria di adozione interna, non sul consumo attuale.<\/p>\n\n\n\n\n Jitter<\/strong>: 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.<\/p>\n\n\n\n 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 \u00e8 il volume diviso per la finestra ammessa. Va aggiunto un margine del 30% per contemporaneit\u00e0 e ritrasmissioni.<\/p>\n\n\n\n\n\n\n
Quali sono i tre domini di rete che i carichi AI mettono sotto pressione?<\/h3>\n\n\n\n
Perch\u00e9 i carichi AI cambiano i requisiti della rete aziendale<\/h2>\n\n\n\n
Quanta banda serve per sostenere i carichi AI?<\/h3>\n\n\n\n