Le sfide nella produzione di AI? Non è il modello, sono i dati

Una notizia importante fa rumore nell’ecosistema blockchain. Solo il 32% delle organizzazioni ha oggi un sistema di AI agentiva effettivamente in produzione. Non in fase di test, non in un ambiente controllato: in produzione vera. È il dato più scomodo del 2026 Data Streaming Report di Confluent, e racconta una storia che molti team di sviluppo conoscono bene: il prototipo funziona, gli stakeholder applaudono, poi il progetto si inceppa.

Punti chiave Solo il 32% delle organizzazioni ha AI agentiva in produzione (Confluent, 2026). Due terzi delle aziende citano infrastruttura dati e qualità dei dati come principali ostacoli al deployment. Il 71% dei responsabili IT segnala una carenza di competenze rilevanti come barriera all’adozione dell’AI.

Dinamiche di mercato

L’88% dei leader IT ritiene che le piattaforme di streaming dati aiutino a superare questi ostacoli. Per la prima volta, gli investimenti in data streaming superano quelli in AI/ML: 88% contro 82%. Il divario tra demo e produzione: perché è così largo Il problema non è costruire una demo convincente.

Quasi ogni team di ingegneria riesce a farlo. Il problema è quello che succede dopo: quando il sistema deve girare su dati reali, in tempo reale, con volumi e variabilità che nessun ambiente di test replica davvero. Secondo il report di Confluent, due terzi delle organizzazioni indicano l’infrastruttura dati e la qualità dei dati come i principali freni al successo dell’AI agentiva.

Non la potenza computazionale. I dati che alimentano il modello. È un ribaltamento rispetto alla narrativa dominante degli ultimi anni, che ha messo al centro la corsa ai parametri e all’architettura dei modelli.

Impatto sui mercati

Le sfide nella produzione di AI, emerge chiaramente dalla ricerca, hanno radici più profonde e meno spettacolari: pipeline costruite per la batch processing, silos di dati non progettati per il consumo continuo, assenza di contratti formali sugli schemi. Il limite strutturale dei pipeline batch I pipeline batch introducono quasi sempre latenza. Operano su snapshot parziali e spesso obsoleti della realtà aziendale.

Mancano di tracciabilità della lineage e rendono opaca l’origine dei dati. Un sistema di AI che lavora su questi input non sta ragionando su ciò che accade adesso: sta ragionando su ciò che accadeva ore o giorni fa. Per un’applicazione in produzione, questa differenza è critica.

Un agente AI che prende decisioni su dati non aggiornati non è un agente AI affidabile. È un sistema che funziona in laboratorio e fallisce nel mondo reale. La carenza di competenze: il moltiplicatore del problema Se l’infrastruttura dati è il primo ostacolo, il secondo è ancora più difficile da risolvere in fretta.

I mercati delle criptovalute seguono da vicino questo sviluppo, mentre gli investitori valutano il potenziale impatto sui prezzi.