C’è un momento in cui molti progetti basati su intelligenza artificiale iniziano a non funzionare come previsto. Non in fase di test, ma quando entrano in produzione. È lì che le prestazioni iniziano a discostarsi da quelle promesse. E, in buona parte dei casi, il problema non è il modello. È che stiamo inserendo carichi completamente nuovi su infrastrutture che non sono state progettate per reggerli.
Nei data center e negli ambienti hyperscale questi aspetti sono già considerati. Il tema sta emergendo in contesti molto più diffusi: videosorveglianza, retail, ambienti corporate, infrastrutture distribuite. Chi lavora sul campo lo vede in modo chiaro: la rete continua a funzionare, ma inizia a perdere stabilità.
Il problema è il tipo di carico
Le infrastrutture attuali erano state pensate per servizi digitali che supportano un traffico intermittente. Con l’introduzione di piattaforme basate su AI, queste condizioni cambiano. I flussi diventano continui, aumentano le sincronizzazioni tra sistemi anche distanti tra loro e cresce il traffico interno alla rete. Questo richiede uplink con maggiore capacità e rende più critici parametri come la latenza. Componenti che prima lavoravano con ampio margine (collegamenti di dorsale, porte uplink, cablaggio) iniziano a operare più vicini ai limiti di progetto. Questo cambiamento si vede subito quando i sistemi iniziano a lavorare in modo continuativo.
Quando entra l’AI, cambia anche l’hardware
Con l’introduzione dell’AI, non basta più ottimizzare quello che c’è. In diversi casi serve aumentare la capacità dell’infrastruttura, a partire dall’hardware. I carichi legati all’AI non riguardano solo il traffico di rete. Richiedono anche potenza di calcolo locale o distribuita, storage più veloce e sistemi in grado di lavorare in modo continuo.
Questo deve tradursi in interventi concreti, tra cui l’inserimento di nuovi server o appliance dedicate all’elaborazione, maggiore densità di apparati per singolo armadio rack, incremento del fabbisogno energetico (più PDU, maggiore distribuzione del carico), gestione più attenta della dissipazione termica. In parallelo, anche la rete deve adeguarsi con il passaggio da collegamenti 1G a 10G o superiori sulle dorsali, uplink dimensionati per traffico continuo e maggiore attenzione alla scalabilità dell’infrastruttura.
Non è un aggiornamento puntuale. È una verifica: capire se l’infrastruttura è in grado di sostenere un carico stabile, crescente e distribuito.
Dove emergono i primi limiti
Quando qualcosa non funziona, si tende a guardare prima al software o ai modelli. In molti casi, però, i primissimi segnali arrivano dalla rete, perché si trova a gestire carichi diversi da quelli per cui era stata dimensionata. I collegamenti tra switch, rack o livelli di rete possono andare in saturazione più facilmente quando i flussi diventano costanti. Il risultato è una degradazione progressiva: code sugli uplink, aumento della latenza, prestazioni meno prevedibili.
Negli impianti di videosorveglianza con IA, ad esempio, quando più stream convergono sugli stessi collegamenti iniziano a manifestarsi problemi operativi: ritardi nella trasmissione, perdita di frame e analisi che arrivano in ritardo rispetto agli eventi. Lo stesso succede in ambienti retail o corporate, dove sistemi di digital signage, analytics e piattaforme dati condividono la stessa infrastruttura di rete.
Ma non è solo una questione di capacità o di saturazione. Quando il carico aumenta, entra in gioco anche la qualità della trasmissione.
Il cablaggio incide più di quanto sembri
Un altro aspetto che spesso viene sottovalutato è, infatti, il cablaggio. Non è necessariamente un problema di qualità, ma di eterogeneità: patch cord non uniformi, componenti installati in momenti diversi. Quando il traffico aumenta, si vedono errori CRC sulle porte, si verificano ritrasmissioni e il throughput cala senza una causa evidente. In alcuni casi i link restano attivi, ma lavorano al limite delle specifiche. La rete continua a funzionare, ma con prestazioni che oscillano. La soluzione non è rifare tutto, ma riportare coerenza: uniformare le categorie di cablaggio, utilizzare componenti certificati e compatibili e verificare le tratte più critiche. Sono attività mirate, ma spesso sufficienti per recuperare stabilità senza dover intervenire sull’intera infrastruttura IT.
Anche la parte fisica ha un impatto
C’è poi un livello ancora meno visibile: la gestione fisica degli apparati. Negli anni la densità è aumentata, così come i consumi e la produzione di calore. In molti contesti, però, rack e spazi tecnici non sono stati adeguati di conseguenza. Quando questo succede, gli effetti non sono immediati ma progressivi: la temperatura all’interno del rack aumenta, le ventole degli apparati lavorano costantemente al massimo e, nei casi più complessi, si verificano fenomeni di thermal throttling o riduzione delle prestazioni. Anche la gestione del cablaggio incide: cavi non organizzati o troppo compressi ostacolano il flusso d’aria e rendono più complessi gli interventi. Il risultato è che operazioni semplici, come sostituire un cavo patch o aggiungere un collegamento, richiedono più tempo e aumentano il rischio di errori. In questi casi, anche interventi mirati sulla parte fisica (ad esempio la gestione dei flussi d’aria, l’organizzazione del cablaggio, la scelta di rack e accessori compatibili) possono migliorare affidabilità e facilità di manutenzione della rete.
Il punto non è aggiornare tutto, ma capire dove intervenire
Nella maggior parte dei casi non è necessario riprogettare completamente la rete, ma capire dove sta andando sotto pressione. Intervenire su questi punti permette di recuperare stabilità senza stravolgere l’intero sistema.
L’intelligenza artificiale non introduce problemi completamente nuovi, rende più evidenti limiti che prima restavano nascosti. Per questo, sempre più spesso, il lavoro si sposta su un livello meno visibile ma fondamentale: quello dell’infrastruttura fisica, dove contano stabilità, margine e capacità di crescita. L’AI funziona. È l’infrastruttura che decide fin dove può arrivare.
