La GSMA accende i riflettori su uno dei nervi scoperti della trasformazione digitale delle reti: l’intelligenza artificiale è diventata più potente, più accessibile, più pervasiva, ma non è ancora davvero pronta a lavorare “di mestiere” nelle telecomunicazioni. Con il lancio di Open Telco AI, presentata come iniziativa globale di settore, l’associazione vuole accelerare lo sviluppo di un’AI “telco-grade” attraverso una collaborazione aperta che coinvolge operatori, vendor, sviluppatori e mondo accademico. Il cuore operativo dell’annuncio è la nascita di un nuovo portale – accessibile via GSMA.com/open-telco-ai – concepito come punto di raccolta e di scambio per modelli open, dati, capacità di calcolo e strumenti utili a sviluppare e valutare modelli focalizzati sui casi d’uso telco.
La premessa è diretta e, per certi versi, controintuitiva se si guarda all’onda lunga dell’hype: i modelli “general purpose” e quelli di frontiera hanno compiuto un balzo in avanti rapidissimo, ma continuano a sottoperformare sui compiti tipici delle reti. Il comunicato parla di difficoltà ricorrenti: interpretazione dei dati di rete, comprensione dei documenti di standardizzazione, automazione delle operations con un livello di accuratezza sufficiente. È un limite che non resta confinato ai laboratori, perché incide sul punto in cui l’AI promette maggior valore industriale: l’esercizio quotidiano delle reti.
Non a caso, l’annuncio mette in evidenza un dato che fotografa lo scarto tra sperimentazione e produzione: solo il 16% dei deployment GenAI nel settore è stato applicato alle network operations. È una percentuale che pesa, perché spiega perché tante iniziative restino “dimostrazioni riuscite” e non diventino routine operativa. In un ambiente dove resilienza, sicurezza e continuità del servizio sono requisiti, l’AI non può permettersi risposte approssimative: deve essere affidabile, ripetibile, verificabile.
Ed è proprio su questo che Louis Powell, Director of AI Initiatives di GSMA, costruisce il messaggio chiave del lancio, traducendo in termini industriali ciò che finora è stato spesso trattato come un problema “di adattamento” dei modelli. “I modelli di AI di oggi sono ancora al di sotto della complessità, precisione e affidabilità che l’industria delle telecomunicazioni richiede. In parole semplici, l’AI non parla ancora ‘telco’ e gli operatori spesso stanno adottando tecnologie che non possono garantire i livelli necessari di accuratezza, sicurezza o efficienza. È essenziale definire benchmark chiari e collaborare a livello di settore su dataset, modelli e sistemi agentici. Open Telco AI offre una base condivisa pensata per colmare questo divario, un approccio che possono seguire anche altri settori regolati come finanza e sanità.”
Dentro questa dichiarazione c’è una diagnosi e, insieme, una ricetta. La diagnosi è che l’AI, oggi, non padroneggia davvero il linguaggio delle telecomunicazioni. La ricetta è che quel linguaggio va insegnato in modo sistematico, con strumenti comuni e con misure comparabili, invece di procedere a colpi di progetti isolati.
Indice degli argomenti
Powell: “L’AI non parla ancora ‘telco’: serve una base condivisa e misurabile”
Open Telco AI nasce quindi come risposta a un problema di “competenza di dominio” e di “messa a terra” industriale. Il comunicato chiarisce che l’iniziativa intende unire partner industriali e accademici per costruire le fondamenta dell’AI telco-grade: modelli, dati, capacità di calcolo, benchmark e comunità. Il punto non è soltanto mettere più risorse sul tavolo, ma organizzarle in modo che ogni contributo possa essere riutilizzato e confrontato.
Per rendere visibile e tracciabile l’avanzamento, la GSMA introduce il Telco Capability Index, un indicatore che misura le prestazioni dei modelli su un insieme crescente di compiti specifici delle telecomunicazioni. È un passaggio importante perché sposta la discussione dalla promessa al riscontro: se l’obiettivo è “telco-grade”, allora deve esserci un modo condiviso per capire quando e quanto ci si avvicina a quella soglia. In sostanza, Open Telco AI prova a mettere ordine in un contesto in cui la varietà dei casi d’uso – troubleshooting, gestione degli allarmi, interpretazione degli standard, automazione delle procedure – rischia di frammentare anche le metriche.
L’idea del portale, in questa logica, è quella di accelerare sia lo sviluppo sia la valutazione. Non basta avere un modello: serve capire come si comporta su task telco-specifici, con strumenti che rendano la misurazione più rapida e meno “artigianale”. La promessa è un ambiente dove modelli, dataset e strumenti di testing dialogano, così da creare una traiettoria di miglioramento continua, non episodica.
In filigrana, emerge anche un messaggio più ampio: nei settori regolati non vince solo chi innova più in fretta, ma chi sa innovare con controllo. La GSMA, attraverso Powell, suggerisce che l’approccio “open e benchmark-driven” non è un’opzione ideologica, ma un modo pragmatico per costruire fiducia e ridurre i rischi di adozione in ambienti che non possono tollerare errori sistemici.
Markus: “Servono modelli che capiscano la realtà delle reti, non adattamenti generici”
Tra i sostenitori fondatori, AT&T e AMD vengono indicate come colonne portanti dei primi contributi. AT&T annuncia il rilascio di una famiglia di modelli telco aperti, sviluppati e addestrati su dati aperti e pubblicamente disponibili, con una caratteristica che nel mondo telco è quasi un requisito di sopravvivenza: essere agnostici rispetto ad hardware e cloud. L’obiettivo dichiarato è dimostrare che l’AI può creare valore su progetti di qualsiasi dimensione e con livelli di compute variabili, evitando che il tema dell’AI diventi un gioco riservato a chi può permettersi infrastrutture illimitate.
Andy Markus, Chief Data and AI Officer di AT&T, lega la scelta a una considerazione di fondo che nel settore si sente spesso, ma raramente viene messa nero su bianco in modo così esplicito: i modelli generalisti non basta “riusarli”, perché la rete è un mondo a sé, con dati e logiche proprie. “L’industria delle telecomunicazioni ha bisogno di un’AI che comprenda le realtà delle reti, non solo di modelli generici riadattati per compiti telco. Attraverso Open Telco AI, AT&T sta contribuendo a costruire dataset, modelli e framework di valutazione che rendono possibile l’AI telco-grade su larga scala. Condividendo la nostra esperienza e modellando ambienti di test realistici, stiamo dimostrando come l’AI generativa e quella agentica possano migliorare la customer experience, ridurre gli attriti operativi e, in ultima analisi, creare nuovo valore. Questa collaborazione con la GSMA sta accelerando il percorso dell’industria verso reti intelligenti e automatizzate.”
Ci sono due parole che, qui, fanno da bussola: “realtà” e “realistici”. La rete reale è un sistema complesso e dinamico, dove un’anomalia può avere molte cause e dove la stessa causa può manifestarsi con sintomi diversi. Un modello che funziona in condizioni pulite, o su dataset “da demo”, rischia di fallire quando si trova davanti a log incompleti, segnali rumorosi, eventi concorrenti, cambiamenti di configurazione e vincoli regolatori.
È in questo senso che Markus insiste su dataset, modelli e framework di valutazione: l’AI telco-grade non nasce solo dall’addestramento, ma dalla combinazione tra addestramento e verifica. E la verifica – soprattutto quando si parla di automazione e di agenti capaci di agire – deve avvenire su ambienti di prova credibili, non su casi troppo semplificati. Il salto verso “reti intelligenti e automatizzate” evocato nel comunicato, infatti, non è un salto di marketing: è un salto di responsabilità.
Guido: “Dalle demo alla produzione: servono dati, workload e compute aperti”
Se AT&T porta sul tavolo la dimensione di dominio e la spinta sui modelli, AMD viene chiamata a coprire l’altra metà dell’equazione: la potenza di calcolo e la catena di strumenti necessaria a far vivere quei modelli, dalla fase di training alla fase di valutazione, passando per fine-tuning e inferenza. Nel comunicato, AMD dichiara che metterà a disposizione capacità di compute attraverso le proprie piattaforme GPU, il partner cloud TensorWave e toolchain aperte.
Philip Guido, executive vice president e chief commercial officer di AMD, colloca il tema nel contesto più ampio delle telco come ambiente “difficile” e regolato, in cui le scorciatoie non funzionano. “Le reti di telecomunicazione sono tra gli ambienti più esigenti e regolati per l’AI e passare da demo promettenti a prestazioni telco-grade richiede una base aperta per dati, workload e capacità di calcolo. Attraverso Open Telco AI, insieme a GSMA e AT&T, AMD mette a disposizione il compute enterprise e AI necessario per addestrare, fare fine-tuning ed eseguire modelli aperti telco-grade in modo efficiente dal core all’edge.”
La citazione tocca un punto che spesso, nel dibattito sull’AI, resta implicito: l’industrializzazione non dipende solo dall’accuratezza, ma anche dall’efficienza e dalla trasferibilità. Nel mondo telco “dal core all’edge” non è un vezzo retorico: significa convivere con infrastrutture distribuite, esigenze di latenza, vincoli di sicurezza, e un mosaico di asset con cicli di vita lunghi. In questa prospettiva, l’idea di una base aperta per workload e compute prova a rendere replicabile il percorso, non solo il risultato finale.
Di fatto, Open Telco AI si posiziona come un tentativo di allineare tre dimensioni che spesso avanzano a velocità diverse: la maturazione dei modelli, l’accesso a dati adatti e la disponibilità di capacità computazionale per addestrare e valutare in modo continuo. E nel momento in cui il comunicato parla di addestramento, fine-tuning, inferenza ed evaluation, segnala che l’obiettivo non è un “rilascio una tantum”, ma una pipeline di miglioramento.
Powell: “Benchmark chiari e sistemi agentici: così si chiude il divario nelle operations”
Una parte centrale dell’annuncio riguarda ciò che il portale abilita. Open Telco AI, secondo il comunicato, sostiene la co-creazione dei blocchi essenziali: modelli telco open weight ad alte prestazioni, una libreria di dati aperti, accesso a compute e toolchain, benchmark con leaderboard e una comunità attiva di sviluppatori e ricercatori.
L’elemento di novità non è la presenza di singoli ingredienti – modelli, dati, compute – ma la loro orchestrazione in un percorso condiviso e misurabile. I modelli citati, ad esempio, coprono approcci diversi: da una famiglia di modelli di AT&T a un radio-frequency language model di Khalifa University, chiamato RFGPT, fino a un Large Telco Model (LTM) di AdaptKey AI costruito su NVIDIA Nemotron. È un mosaico che suggerisce una consapevolezza: la specializzazione telco non è monolitica. C’è la dimensione radio, c’è l’interpretazione degli standard, c’è l’operatività di rete, c’è la capacità di correlare eventi e individuare cause.
Anche sul fronte dei dati, il comunicato parla di una libreria di knowledge graph, embeddings e dataset di fine-tuning che includono testi, log e materiali standard “curati”, con contributi che arrivano dalla GSMA e da una rete di partner tra università e aziende. E viene citata la possibilità di generare dati sintetici tramite pipeline da NVIDIA, un dettaglio che punta a un problema molto concreto del settore: l’accesso ai dati reali è spesso limitato da vincoli di privacy, riservatezza e sicurezza, e l’uso di sintetico – se governato correttamente – può aiutare a creare scenari di addestramento e test più ricchi.
La parte forse più “operativa” è quella sui benchmark: una leaderboard che valuta i modelli su sette benchmark telecom-specifici, con strumenti per valutare e inviare modelli anche da ambienti locali. Qui la GSMA, coerentemente con quanto affermato da Powell, prova a trasformare la misurazione in un fatto pubblico e ripetibile. Se l’AI deve entrare nelle operations, deve prima dimostrare di saperci stare, e i benchmark diventano il linguaggio comune con cui confrontare i progressi.
Il comunicato lega tutto questo anche alla dimensione agentica, citata più volte come area di lavoro: non solo modelli che rispondono, ma sistemi che possono agire in modo controllato su compiti telco, nel rispetto di regole e vincoli. È un’area in cui la distanza tra “promessa” e “produzione” è ancora più delicata, proprio perché azione significa impatto diretto sul funzionamento della rete.
Markus: “Troubleshooting e community: quando l’AI si misura sul campo”
Per alimentare la collaborazione e trasformarla in risultati, l’iniziativa viene sostenuta da programmi di community che mettono insieme sviluppatori, ricercatori e operatori su problemi reali. Il comunicato cita in particolare competizioni come l’AI Telco Troubleshooting Challenge, che ha attratto oltre 1.000 registrazioni e annuncerà i vincitori al MWC26 di Barcellona.
La scelta del troubleshooting come terreno di competizione è significativa: è un caso d’uso dove la conoscenza “telco” non può essere generica. Capire un guasto, correlare sintomi, distinguere rumore e segnale, suggerire azioni senza introdurre rischi: sono tutte attività che richiedono precisione e contesto. È anche il motivo per cui, nel comunicato, la percentuale del 16% delle applicazioni GenAI nelle operations suona come una chiamata alle armi: se l’AI deve fare il salto, deve farlo proprio qui, dove oggi la sua adozione è più bassa ma il valore potenziale è più alto.
Accanto al troubleshooting, viene menzionata anche una Agentic Challenge, a conferma della traiettoria verso sistemi più autonomi. La community, in questa impostazione, non è un “contorno”: è un meccanismo di accelerazione, perché consente di far emergere soluzioni, approcci e miglioramenti in un ciclo competitivo e collaborativo insieme.
Infine, il comunicato elenca un ampio insieme di partner contributori e partecipanti, tra operatori, vendor, università e provider tecnologici. È un dettaglio che rafforza l’idea di Open Telco AI come infrastruttura di settore: per “insegnare” all’AI a parlare telco, serve una massa critica di dati, casi d’uso e competenze che nessun attore, da solo, può realisticamente coprire.
Powell: “Un modello per altri settori regolati: finanza e sanità guardano alle telco”
Nella visione della GSMA, Open Telco AI non è solo un progetto tecnico, ma anche un esperimento di governance industriale dell’AI in un settore regolato. Quando Powell afferma che l’approccio può essere seguito da finanza e sanità, indica un punto di convergenza: nei contesti critici conta tanto la capacità di innovare quanto quella di rendere l’innovazione auditabile e misurabile.
L’industria telco, abituata a standard, compliance e responsabilità operative, prova così a portare la disciplina della rete dentro l’AI: benchmark chiari, dataset condivisi, modelli open weight orientati ai task, risorse di compute accessibili, e una comunità che costruisce e verifica. È una scommessa ambiziosa, soprattutto perché richiede collaborazione tra attori che competono. Ma il comunicato mette in fila l’argomento decisivo: se oggi “l’AI non parla telco”, allora la risposta non è aspettare che impari da sola, bensì costruire – insieme – grammatica, vocabolario e prove d’esame.
E proprio la metafora dell’esame torna, in controluce, al dato iniziale: solo il 16% dei deployment GenAI è arrivato nelle operations. Open Telco AI nasce per aumentare quella quota, spostando l’AI dalla periferia delle sperimentazioni al centro delle reti. Non con una promessa generica, ma con un metodo: fondazioni aperte, misure comuni, collaborazione strutturata.
