La tua infrastruttura è realmente pronta per l’AI?

Ormai, tutti hanno una strategia per l’AI. Ma poche organizzazioni hanno l’infrastruttura per supportarla realmente.

Nell’ultimo anno, ho parlato con decine di leader IT che sono sotto una forte pressione per offrire esperienze basate sull’AI. Sono tenuti a fornire strumenti di produttività più veloci, automazione intelligente e gestione degli endpoint più intelligente. E questa pressione si estende oltre i lavoratori umani: le organizzazioni sono ora chiamate a fornire e gestire agenti AI che richiedono il proprio calcolo, il proprio ambiente desktop e il proprio modello di governance.

Dopo aver trascorso anni a contribuire alla costruzione di Windows 365 e Azure Virtual Desktop in Microsoft, ho sviluppato una chiara comprensione di ciò che separa le organizzazioni che implementano con successo l’AI da quelle che si bloccano. Quasi sempre si riduce a tre cose: utilizzo del cloud, qualità dei dati e disciplina dei costi.

Stai utilizzando ciò che già hai?

La prima domanda che faccio a qualsiasi leader IT è: quanto bene stai sfruttando le capacità cloud che già paghi?

La maggior parte delle organizzazioni, se sono oneste, sottoutilizza notevolmente i propri ambienti cloud. Hanno migrato i carichi di lavoro, ma la mentalità di sollevamento e spostamento significa che stanno eseguendo modelli legacy in un ambiente moderno e perdendo le funzionalità di ottimizzazione integrate nella piattaforma del fornitore cloud.

Questo è enormemente importante per l’AI. Questi carichi di lavoro sono intensivi in termini di risorse e dinamici. Si verificano picchi, si scalano e richiedono elasticità. Un ambiente che non è stato ottimizzato per l’esecuzione cloud-native collasserà sotto tale domanda o ti costerà molto più del necessario quando non lo fa.

Prima di investire in nuove capacità AI, prendi uno sguardo approfondito al tuo ambiente attuale e chiediti queste domande:

• Le tue macchine virtuali sono dimensionate correttamente o stai eseguendo istanze sovradimensionate?
• Le politiche di autoscaling sono effettivamente regolate sui modelli di carico di lavoro o sono state impostate e dimenticate?
• Stai utilizzando istanze riservate e piani di risparmio o stai utilizzando prezzi on-demand in tutta la gamma?

I fornitori cloud hanno investito in strumenti di ottimizzazione. Utilizzali. E se il tuo livello di gestione non fornisce queste informazioni, è una lacuna che vale la pena colmare prima di proseguire.

I dati sono la base e la maggior parte dei dati delle organizzazioni è rotta

Il secondo, e francamente più critico, fattore di prontezza è la qualità dei dati. Non la strategia dei dati in astratto. Lo stato reale dei tuoi dati oggi.

I sistemi AI sono solo buoni quanto i dati su cui vengono addestrati o contro cui operano. Non è una nuova intuizione, ma le implicazioni pratiche sono ancora sottovalutate nella maggior parte delle organizzazioni IT. Quando parlo di prontezza dei dati per l’AI, intendo tre dimensioni specifiche: pulizia, completezza e tempestività.

La pulizia significa che i tuoi dati non hanno duplicati, incongruenze o errori che potrebbero corrompere gli output. Per la gestione degli endpoint, potrebbe significare record utente con attributi obsoleti, profili dispositivo che non sono stati aggiornati da mesi o assegnazioni di criteri che non riflettono la struttura organizzativa attuale.

La completezza significa che hai l’ampiezza dei segnali che l’AI necessita per trarre inferenze significative. Un motore di raccomandazione per la consegna di applicazioni non è utile se la maggior parte della telemetria del dispositivo è mancante. Un sistema di rilevamento delle anomalie non può stabilire un livello di base se la registrazione ha lacune. Prima di distribuire funzionalità basate sull’AI, mappa i dati che hai rispetto a quelli richiesti da una determinata funzionalità.

La tempestività è la dimensione che le organizzazioni sottovalutano di più. Si tratta di intelligenza in tempo reale o quasi in tempo reale. I dati obsoleti producono intuizioni obsolete e le intuizioni obsolete possono essere peggiori dell’assenza di intuizioni. Se i tuoi pipeline di dati sono batch overnight ciò che dovrebbe fluire in continuo, è un problema strutturale che l’AI non risolverà.

L’igiene dei dati, la modernizzazione dei pipeline e la strumentazione della telemetria non fanno presentazioni di board emozionanti. Ma sono la differenza tra funzionalità AI che funzionano e funzionalità AI che vengono abbandonate tre mesi dopo il lancio.

Il controllo dei costi non è un ripensamento

La terza dimensione della prontezza per l’AI è finanziaria e merita più attenzione di quanta ne riceva nella fase di pianificazione.

I carichi di lavoro AI sono costosi da eseguire, sono difficili da prevedere e spesso si scalano più velocemente di quanto i budget possano seguire. Ho visto organizzazioni ottenere un valore significativo da piloti AI iniziali e poi guardare i costi aumentare quando quei piloti si sono spostati in produzione, perché nessuno aveva progettato un modello di governance dei costi per accompagnarli.

Questo è particolarmente vero negli ambienti di desktop virtuale e gestione degli endpoint, dove le funzionalità AI come l’intelligenza della sessione, la scalabilità predittiva e la risoluzione automatizzata possono generare una notevole domanda di calcolo su migliaia di sessioni contemporaneamente.

Le organizzazioni che gestiscono bene questo condividono alcune caratteristiche:

Trattano l’efficienza dell’infrastruttura come una condizione preliminare, non un’ottimizzazione da fare in seguito. Hanno già fatto il lavoro di ridimensionamento, eliminazione degli sprechi e stabilimento di baseline di costo prima dell’arrivo dei carichi di lavoro AI.

Costruiscono la visibilità dei costi nelle operazioni. Sanno quali sono i costi per utente, per sessione e per carico di lavoro, il che significa che possono rilevare quando le funzionalità AI stanno guidando spese inattese abbastanza presto da correggere il percorso.

E, cosa importante, hanno scelto un livello di gestione che fornisce segnali di costo in modo proattivo, in modo che non scoprono gli eccessi di costo nella bolletta cloud mensile, ma attraverso dashboard in tempo reale che consentono decisioni più rapide.

La lacuna è colmabile, ma richiede onestà per prima

Le organizzazioni di cui sono più ottimista sono quelle disposte a prendere uno sguardo onesto a dove si trovano.

La lacuna tra l’ambizione AI e l’esecuzione è reale, ma non è permanente. E la prossima frontiera è già visibile: man mano che l’AI agente si sposta dal pilotaggio alla produzione, la questione della prontezza dell’infrastruttura si estende oltre gli utenti umani per includere gli agenti stessi.

Ciò significa effettuare un’audit dell’utilizzo del cloud prima di espanderlo e investire nella qualità dei dati prima di sovrapporre l’AI. Ciò significa anche trattare la governance dei costi come una preoccupazione architettonica, non un problema del team finanziario.

La lacuna tra l’ambizione AI e l’esecuzione è reale, ma non è permanente. È un problema di ingegneria e operativo, e sono esattamente i problemi che la nostra comunità IT risolve meglio.