L’integrazione dell’intelligenza artificiale nelle reti e nei servizi di telecomunicazione, conosciuta come il modelloTelco AI, è ormai una priorità strategica per il settore. Tuttavia, non si traduce ancora in un’implementazione operativa su vasta scala. Molti operatori si trovano in una fase intermedia tra sperimentazione e adozione, dove tecnologie e dati avanzati non riescono a diventare soluzioni commercialmente sostenibili.

La distanza tra ambizione e capacità

Il Teleco AI Readiness Index 2026, condotto da Analysys Mason in collaborazione con Dell Technologies, offre un quadro dettagliato di questo stato di transizione. L’indagine, che coinvolge 50 operatori di primo livello in paesi industrializzati e in via di sviluppo, ha evidenziato un divario significativo tra gli operatori più avanzati e quelli in ritardo.

Ai vertici si colloca solo il 10% degli operatori, vicino al cosiddetto modello AI-native, dove l’IA non solo viene utilizzata occasionale ma è integrata completamente nei flussi operativi. Altri otto punti percentuali mostrano una “forte maturità”, segni di avanzamento significativo, mentre il 24% rientra in una fascia intermedia. Il restante 50%, però, si trova in ritardo, sperimentando ancora, senza visione sufficientemente chiara da parte degli alti livelli né fondamenta dati robuste.

Le criticità che frenano l'evoluzione

Il problema non è tanto l’importanza dell’intelligenza artificiale — l’indagine sottolinea che il settore ne è pienamente consapevole — quanto la difficile applicazione concreta. Solo il 20% degli operatori ha sviluppato servizi commerciali basati sull’AI, mentre il 24% le usa nella progettazione di rete e il 29% in ambiti come la gestione energetica.

Nonostante l’elevata percentuale di progetti, spesso si tratta di sperimentazioni e proof of concept. Il motivo principale non è una singola carenza tecnologica, bensì la combinazione di infrastrutture insufficienti, strumenti dispersi, divisioni interne che lavorano su obiettivi separati e mancanza di un chiaro scenario commerciale.

La preparazione attuale non rispecchia gli obiettivi futuri

Gli operatori puntano a estendere l’AI a nuovi settori come la sicurezza, la manutenzione predittiva, la gestione energetica e nuovi servizi per aziende e consumatori. Tuttavia, la maturità corrente non sembra ancora all’altezza delle aspettative. Oltre la metà del campione prevede un’estensione in diversi settori operativi negli anni a venire, ma non sembra disposta a investire con decisione.

Questa divisione genera un circolo vizioso. Senza strumenti, competenze e un coordinamento interno, le aziende non riescono a generare un ritorno economico concreto. Senza risultati misurabili, diventa difficile giustificare nuovi investimenti.

Le sperimentazioni non diventano scala

Molte aziende hanno sperimentato progetti pilota e modelli specifici. Tuttavia, questi rimangono isolati — raramente sono integrati in processi operativi completi. In molti casi, gli strumenti vengono applicati solo a una singola unità, senza estendere la funzionalità a livello aziendale.

Questo stato di isolamento non può dipendere da una singola carenza tecnologica, ma da un insieme di fattori: infrastrutture non ottimizzate, divisioni organizzative non allineate, modelli di dati non collaborativi e una mancanza di visione chiara su come monetizzare il potenziale.

Il ruolo del management e delle competenze

Anche i vertici aziendali riconoscono il valore dell’intelligenza artificiale, e la maggior parte sostiene investimenti. Gli standard di governance sui dati e la conformità normativa mostrano livelli di maturità abbastanza elevati. Tuttavia, questa comprensione strategica non si traduce in un’implementazione reale.

Le aziende spesso non dispongono di strumenti dedicati per il dominio delle reti né hanno completato il passaggio alla cloud-native. Le competenze mancano in diversi settori, con il settore IT che spesso è separato da quello delle reti o dei venditori.

Divide interne frenano il progresso

Nel panorama Telco, la separazione tra i settori network, IT e business rende più difficile la collaborazione. Tuttavia, questo divario organizzativo non si limita a un problema operativo. Spesso, le strutture non sono disposte a condividere dati, risorse né obiettivi comuni. Questo isolamento riduce l’efficacia dei progetti AI e rende difficile creare un'offerta competitiva globale.

I dati come fondamento cruciale

Gli operatori possiedono un’importante quantità di informazioni sul traffico rete, sugli utenti e sulle infrastrutture. Tuttavia, il problema principale non è la disponibilità dei dati, ma la loro qualità, la strutturazione e il loro accesso a livello operativo.

Più del 50% degli operatori in ritardo mostra una capacità limitata nel preparare i dataset in modo da renderli utilizzabili. Tra i leader di AI, invece, tutti hanno una maturità sufficiente per addestrare modelli e sviluppare sistemi operativi. Questa discrepanza suggerisce che uno sforzo specifico di trasformazione dei dati sia necessario per ottenere progressi reali.

L'AI-richiede nuove infrastrutture

Per integrare le tecnologie AI-native, gli operatori dovrebbero sviluppare nuovi set di strumenti, modelli comuni e ambiente di elaborazione condivisi. L’AI generativa richiede una preparazione specifica non soltanto in termini di dati, ma anche di infrastrutura per l'inferenza.

Il Telco AI Readiness Index sottolinea la correlazione tra l’adozione di rete open e il successo nell’applicazione dell’intelligenza artificiale. I leader di AI mostrano una maturità organizzativa nel settore Open Network intorno all’80%, rispetto al 46% del gruppo in ritardo.

Indice Open Network e Telco AI

Criticità e nuove strategie

Sebbene investire in data lake o piattaforme analitiche abbia migliorato l’accessibilità, non ha risolto completamente i problemi. Gli strumenti attuali mostrano un’alta capacità di sicurezza e governance, ma non riescono a supportare nuove tecnologie come le IA generative.

Il ruolo dei Centers of Excellence

Analysys Mason propone la creazione