Riflessioni sul Gartner Data & Analytics Summit: i punti chiave emersi

Come abbiamo accennato nel nostro riepilogo post-spettacolo, il team Rocket è uscito dal Summit Gartner sui dati e l'analisi (D&A) a Orlando, con spunti e idee di grande valore emersi dalle numerose sessioni e discussioni. Per chi non ha potuto partecipare, il Summit ha riunito aziende IT e leader dei dati provenienti da diversi settori per discutere, apprendere e condividere approfondimenti su intelligenza artificiale (IA), gestione dei dati, architettura, governance e altro ancora. Le principali preoccupazioni dei partecipanti includevano come utilizzare l'IA al massimo delle sue potenzialità, come l'architettura dei dati può essere d'aiuto e cosa dovrebbero fare i professionisti dei dati per prepararsi al futuro. 

Dopo aver vissuto l'evento da diverse prospettive, il team si è riunito e ha condiviso le proprie riflessioni. Alla fine, i temi principali sono stati due: il futuro dell'intelligenza artificiale e l'architettura dei dati. Per aiutarvi ad affrontare questi importanti argomenti, vorrei condividere con voi le nostre riflessioni e il loro significato per i vostri ruoli, ora e in futuro. 

AI: l'acronimo più utilizzato (e ancora il più confuso) del 2025

In conclusione, le aziende stanno ancora cercando di capire quali dovrebbero essere le loro iniziative di intelligenza artificiale. La tecnologia si sta evolvendo così rapidamente che è difficile puntare su un'iniziativa concreta (secondo uno studio recente). L’intelligenza artificiale può diventare “ansiosa””. Aspetta, COSA?) Ma è chiaro che l'IA è il futuro della gestione dei dati e della conoscenza aziendale. La chiave è definire appieno cosa si desidera dall'applicazione dell'IA alle iniziative di raccolta e interpretazione dei dati prima di iniziare.  

Ecco cosa ne pensiamo: 

• Il livello di investimenti nel settore dei dati, ora guidato dall'intelligenza artificiale, continua ad accelerare. Tuttavia, i business case e i risultati delle iniziative di intelligenza artificiale sono ancora in evoluzione. Sebbene sia fondamentale collegare i risultati aziendali agli investimenti in intelligenza artificiale, i dati inutilizzati e intrappolati nei mainframe rimangono un ostacolo importante alla creazione di un business case solido.
• In una delle sessioni è stato sollevato un punto interessante: " Solo un'organizzazione su cinque è riuscita a utilizzare i propri dati in modo efficace per casi d'uso di intelligenza artificiale ". Con la predominanza di slogan incentrati sull'intelligenza artificiale e le aziende che affermano di avere una buona padronanza di tutto ciò che la riguarda, questa citazione ha colpito nel segno. Non è del tutto in linea, e non potremmo essere più d'accordo! Il boom dell'intelligenza artificiale non è così semplice come alcuni potrebbero pensare. Ad esempio, sappiamo che la stragrande maggioranza dei dati mainframe non viene ancora sfruttata (il 72% secondo la nostra ricerca). Escludere questi dati critici dalle iniziative di analisi e intelligenza artificiale significa che le aziende prendono decisioni sul loro futuro sulla base di dati incompleti o addirittura inaccurati.
• La gestione dei dati, la governance e la gestione del cambiamento sono essenziali. Dovrebbero essere parte integrante della valutazione dei costi di ogni progetto di intelligenza artificiale. Tuttavia, le aziende dovrebbero investire prima nelle fondamenta per acquisire la padronanza della gestione e dell'integrazione dei propri dati. La governance dell'intelligenza artificiale dovrebbe rispecchiare il framework di governance dei dati esistente, non concentrarsi solo su pratiche superficiali e porsi la domanda: "Cosa potrebbe andare storto?". I metadati sono la chiave. Sono l'unico componente che abbraccia tutti i tipi e formati di dati. Ma per funzionare, i metadati di base devono essere puliti e accurati, ben organizzati e facili da usare per chiunque all'interno dell'organizzazione.
• L'intelligenza artificiale è ovunque . È stata menzionata in quasi tutti gli stand degli espositori e in quasi tutte le sessioni. Sebbene alcuni casi d'uso dell'intelligenza artificiale siano più chiari rispetto a un anno fa, i benefici esatti rimangono ambigui. Non abbiamo sentito nessuno dire "risparmio di 10 volte con l'intelligenza artificiale per il caso d'uso xyz". I partecipanti cercavano risposte concrete ai loro problemi specifici. Il messaggio "Prepara i tuoi dati per l'intelligenza artificiale" era ovunque. Ma cosa significa? Le risposte erano quasi sempre specifiche per ogni fornitore. Sono necessarie una definizione generale e una leadership di pensiero per aiutare le aziende a comprenderne il significato per loro.
• La sicurezza dei dati e l'utilizzo sicuro dei contenuti aziendali con GenAI sono state tra le principali preoccupazioni dei partecipanti. Le indicazioni su come garantire tale sicurezza hanno trovato riscontro, soprattutto per quanto riguarda i dati mainframe. I professionisti dei dati e dell'IT sanno che i mainframe contengono enormi quantità di dati mission-critical e che sfruttarli rappresenta troppo spesso un ostacolo che non sanno come superare. Molti non sanno nemmeno se... Potere superarlo.  
   

DATA MESH vs FABRIC vs WAREHOUSE vs DATALAKE vs … 

L'architettura dei dati è stata un'altra importante area di interesse, e per una buona ragione. Ci sono così tante opzioni e la risposta più comune alla domanda "Quale dovrei usare?" è stata: "Dipende". Siamo d'accordo su questo punto. Non esiste una risposta perfetta. Quindi, collaborare con partner solidi che comprendano tutte le opzioni e le possibili combinazioni, e siano disposti a comprendere a fondo la vostra situazione e i vostri obiettivi, è il modo più efficiente ed efficace per procedere. L'alternativa, un approccio "guadagna mentre impari", è semplicemente insostenibile.  

Ecco cosa abbiamo imparato:  

• È interessante notare come il data fabric sia passato da un concetto piuttosto vago lo scorso anno a una strategia concreta implementata nelle grandi aziende. L'aspetto interessante delle sessioni su questo argomento è che non ci saranno mai due strategie uguali. Ci saranno amalgama di lakehouse, mesh, fabric, warehouse e altro ancora, a seconda della situazione e delle esigenze. E non è qualcosa che le organizzazioni possono semplicemente implementare. Devono costruire e adattare man mano che procedono, quindi i risultati potrebbero avere una forma completamente diversa da quella prevista. Tutto ciò sottolinea l'importanza di metadati di qualità in tutta l'organizzazione. L'integrazione basata sui metadati è l'unico approccio di integrazione aziendale in grado di supportare tutte queste varianti.
• I concetti di data mesh e data fabric sono noti da qualche anno. Gartner è stata chiara su come si differenziano: il data mesh decentralizza i dati e il data fabric li controlla centralmente. Eppure, i partecipanti li usavano ancora in modo intercambiabile. Forse la confusione deriva dal fatto che nessuno dei due è un "prodotto" che le aziende possono acquistare. E, per quanto riguarda il punto precedente, la loro applicazione è altamente variabile e specifica per ogni situazione. Il fabric sta sicuramente guadagnando terreno, ma i partecipanti volevano sapere cosa fosse meglio per le loro aziende nei loro specifici settori. "Se lavoro nel settore XYZ e utilizzo Databricks, quale strategia di data fabric dovrei usare?". Non è così scontato.
• Le lakehouse continuano a essere un trend in crescita. Combinano i vantaggi dei data lake (archiviazione economica dei dati grezzi) e dei data warehouse (gestione e governance dei dati strutturati) in un'unica piattaforma. Poiché sia i dati strutturati che quelli non strutturati supportano l'analisi, le lakehouse che combinano i due offrono il meglio di entrambi i mondi.
• E, naturalmente, attingere efficacemente ai dati del mainframe è ancora un problema . La mia sessione su Sfruttare i dati del mainframe per analisi Enterprise basate sull'intelligenza artificiale Sembrava che lo stand Rocket avesse attirato molto traffico. Era molto frequentato, ha avuto un grande riscontro tra il pubblico e, in seguito, abbiamo parlato con diverse persone dei dati inesplorati intrappolati nei mainframe che i decisori non sfruttano. Questa rivelazione ha sicuramente catturato l'attenzione degli esperti di dati, analisi e BI. È stato sorprendente quanto pochi partecipanti sapessero che fosse possibile! Come abbiamo detto, i mainframe contengono enormi quantità di dati mission-critical e i proprietari di questi sistemi li proteggono con zelo. Considerare questi dati da una prospettiva di valore aziendale è fondamentale. I professionisti dei dati, dell'intelligenza artificiale e dell'analisi devono costruire il business case partendo dagli obiettivi finali per ottimizzare l'enorme impatto dei dati sulla strategia aziendale, sulla direzione e sui risultati – in altre parole, il loro enorme impatto sui profitti e sul futuro della vostra azienda. 

Una nota finale

In qualità di professionisti dei dati e dell'analisi, il futuro della vostra azienda è letteralmente nelle vostre mani. Fornire alla dirigenza dati completi e affidabili consentirà di prendere le migliori decisioni strategiche. Man mano che portate avanti le vostre iniziative, è importante comprendere appieno dove vi trovate oggi, dove volete arrivare e definire una strategia gestibile per arrivarci. Ciò significa avere obiettivi chiaramente definiti, roadmap di gestione e architettura dei dati e i partner strategici di cui avete bisogno per avere successo. Potere progetta il tuo futuro con certezza. 

Saperne di più su come sfruttare l'intelligenza artificiale e ottimizzare l'intero ambiente dati per il futuro.