L’intelligenza artificiale potrebbe offrire agli operatori di telecomunicazioni una seconda occasione per trasformare l’edge computing in un mercato concreto. Questa volta, però, il punto di partenza è molto diverso rispetto alla stagione del Multi-access Edge Computing (MEC). A cambiare è anzitutto la natura della domanda: mentre il MEC puntava sulla promessa di applicazioni sensibili alla latenza che avrebbero dovuto giustificare la costruzione di infrastrutture distribuite, la diffusione dell’AI sta già spostando una parte crescente delle esigenze di calcolo dal training verso l’inferenza, cioè l’esecuzione operativa dei modelli.
È su questo passaggio che si concentra l’analisi di Analysys Mason dedicata all’edge AI e alle opportunità per le telecomunicazioni. Secondo la società di ricerca, proprio l’inferenza distribuita può diventare un nuovo livello dell’infrastruttura AI, collocato nel punto in cui convergono capacità di calcolo locale e connettività critica. Un terreno sul quale gli operatori dispongono di asset difficili da replicare: reti, siti, fibra, presenza territoriale e rapporti con imprese e pubbliche amministrazioni.
Il precedente del MEC invita comunque alla cautela. Il vantaggio infrastrutturale, da solo, non basta a generare un business sostenibile. Analysys Mason sottolinea infatti che le condizioni di mercato sono oggi più favorevoli, ma la capacità di monetizzarle dipenderà dalle scelte sui casi d’uso, dal posizionamento nella catena del valore e dalla disciplina negli investimenti.
Indice degli argomenti
Dal MEC all’inferenza distribuita, cosa cambia per le telecomunicazioni
Il confronto con il MEC è centrale per comprendere il cambio di scenario. Il modello sviluppato negli anni scorsi puntava a trasformare i siti distribuiti della rete in piattaforme di calcolo vicine agli utenti, sulle quali imprese e sviluppatori avrebbero potuto eseguire applicazioni in grado di sfruttare tempi di risposta molto ridotti. La definizione elaborata dall’ETSI identifica infatti il MEC come un ambiente IT con capacità cloud collocato ai margini della rete di accesso e vicino agli utilizzatori.
La debolezza di quel modello, secondo Analysys Mason, stava soprattutto nella sequenza con cui si cercò di costruire il mercato: prima l’infrastruttura e poi la domanda. Molti casi d’uso erano progettati sulla base di ciò che la tecnologia avrebbe teoricamente consentito, mentre risultava più difficile individuare clienti realmente disposti a pagare per quelle prestazioni. La riduzione della latenza, presa da sola, si è dimostrata complicata da monetizzare.
Con l’intelligenza artificiale la dinamica cambia. La necessità di distribuire capacità computazionale nasce sempre più spesso dall’architettura stessa delle applicazioni. I modelli devono elaborare dati vicino al luogo nel quale vengono prodotti, fornire risposte in tempi prevedibili, sostenere un numero elevato di richieste contemporanee e, in molti casi, rispettare vincoli sulla localizzazione delle informazioni.
Analysys Mason individua quindi una differenza sostanziale: l’infrastruttura AI distribuita sta diventando un requisito tecnico per alcuni servizi, anziché una piattaforma costruita in anticipo nella speranza che emerga successivamente una domanda. L’adozione dell’intelligenza artificiale da parte delle imprese, della pubblica amministrazione e dei settori regolamentati alimenta inoltre l’esigenza di capacità di inferenza locale e sovrana.
Dai video analytics agli agenti AI, il valore si sposta sull’applicazione
Anche il valore dei casi d’uso si amplia. Il MEC era associato principalmente a scenari nei quali pochi millisecondi di latenza potevano rappresentare un vantaggio operativo. L’edge AI parte da alcune delle stesse applicazioni, come la video analytics, le infrastrutture pubbliche intelligenti e la personalizzazione dei servizi, ma aggiunge capacità di interpretazione, correlazione e automazione rese possibili dai modelli di intelligenza artificiale.
Accanto alle applicazioni già note si aprono inoltre spazi per agenti AI e servizi vocali intelligenti, che possono richiedere elaborazione distribuita quando prestazioni, riservatezza dei dati o continuità del servizio rendono meno adatto il ricorso esclusivo a grandi data center centralizzati.
Questo non significa che il cloud centrale perda il proprio ruolo. Training, personalizzazione dei modelli e grandi carichi GPU continueranno a concentrarsi nei data center, mentre una parte dell’inferenza potrà essere avvicinata all’utente e alle sorgenti dei dati. La nuova architettura tende quindi ad articolarsi su più livelli, con capacità centralizzata, interconnessione, nodi metropolitani e risorse collocate ancora più vicino alla rete di accesso.
È proprio in questa articolazione che gli operatori possono cercare un posizionamento più riconoscibile rispetto alla fase del MEC. Il valore non deriva semplicemente dalla disponibilità di server distribuiti, ma dalla possibilità di integrare connettività, capacità computazionale e requisiti di sovranità all’interno della stessa offerta. Nei settori regolamentati questa combinazione può assumere particolare rilevanza, soprattutto quando i dati devono restare entro determinati confini geografici o giuridici.
La rete diventa parte della prestazione dell’intelligenza artificiale
Il passaggio più interessante riguarda il rapporto tra rete e capacità di calcolo. Nei servizi di edge AI la latenza resta importante, ma rappresenta soltanto una componente della qualità complessiva. Le applicazioni possono richiedere prestazioni costanti anche quando l’utente è in movimento, migliaia di sessioni simultanee, elaborazione di dati provenienti da punti differenti e garanzie sulla localizzazione delle informazioni.
Per Analysys Mason, gli operatori possono intervenire proprio su questo “involucro prestazionale”, sfruttando la possibilità di governare la connettività a livello di rete.
Uno degli esempi indicati riguarda le body camera utilizzate dai servizi di emergenza. Un dispositivo può generare un flusso video sul quale effettuare in tempo reale il riconoscimento di volti o targhe. Il modello necessario per questa attività può essere troppo grande per essere eseguito direttamente sulla telecamera, mentre in mobilità manca un sito fisso al quale trasferire il carico. Allo stesso tempo, la connessione verso il punto di elaborazione deve garantire continuità e il materiale raccolto può essere soggetto a vincoli che impediscono di trasferirlo fuori dalla giurisdizione competente.
Un secondo scenario è quello delle smart city. Il singolo incrocio può rilevare eventi e condizioni del traffico, ma per correlare ciò che accade in un’area urbana più ampia occorre aggregare i dati provenienti da più punti. Spostare continuamente questa elaborazione verso una regione cloud può aumentare tempi e costi. La rete metropolitana può invece diventare il livello intermedio nel quale raccogliere le informazioni e restituire rapidamente il risultato ai sistemi sul territorio.
Un ulteriore esempio riguarda l’inserimento pubblicitario personalizzato in tempo reale nei flussi video. In questo caso la difficoltà deriva anche dalla concorrenza di migliaia di sessioni simultanee: ciascuna deve ricevere contenuti elaborati individualmente entro una finestra temporale molto limitata. La qualità della connessione entra così direttamente nella qualità del servizio AI, creando un legame più stretto fra capacità computazionale e gestione della rete.
Metro edge e far edge, due modelli con economie diverse
Per sostenere questi scenari gli operatori dispongono, secondo lo studio, di due principali opzioni infrastrutturali: metro edge e far edge. Il secondo è oggi particolarmente visibile nel dibattito sull’AI-RAN, che punta a portare capacità di elaborazione sempre più vicino ai siti radio. Analysys Mason considera però il metro edge il punto di partenza più pragmatico per gran parte del mercato.
Il metro edge comprende centrali, siti di aggregazione, hub regionali e altre strutture intermedie. È abbastanza vicino agli utenti da mantenere elevate le prestazioni, ma sufficientemente centralizzato da aggregare dati e carichi provenienti da numerose celle o sedi. La maggiore concentrazione dei siti rende inoltre più semplice gestire alcune condizioni essenziali per l’AI, a partire dalla disponibilità di energia, spazio, fibra e sicurezza fisica.
Il diagramma pubblicato a pagina 3 del documento descrive un’architettura a più livelli. Sopra rimangono i data center centrali, destinati soprattutto al training e alla personalizzazione dei modelli; più in basso si trovano l’interconnect edge, il metro edge e il far edge. Per il livello metropolitano Analysys Mason associa funzioni quali inferenza deterministica e applicazioni personalizzate o sensibili alla posizione, mentre il far edge è legato soprattutto a bassissima latenza, programmabilità della rete radio e funzioni di sensing e localizzazione 6G.
La differenza è importante anche sul piano industriale. Distribuire capacità AI presso un numero molto elevato di siti radio significa affrontare costi, consumi energetici e complessità operative superiori rispetto alla concentrazione delle risorse in un numero più limitato di nodi metropolitani. Il far edge potrà quindi acquistare maggiore peso con la maturazione dell’AI-RAN, mentre nel breve periodo la densità e l’economia del metro edge possono renderlo più accessibile.
Un investimento da almeno 2-8 milioni di dollari per sito
L’opportunità richiede comunque capitali significativi. Analysys Mason stima che la realizzazione di un sito metro edge equipaggiato per l’intelligenza artificiale possa comportare un investimento indicativo compreso fra 2 e 8 milioni di dollari, o anche superiore.
Il mercato potenziale si restringe quindi agli operatori che dispongono di una presenza metropolitana sufficientemente estesa, di relazioni commerciali con imprese appartenenti ai verticali interessati e della capacità finanziaria necessaria ad affrontare il progetto.
Il modello, tuttavia, non obbliga necessariamente a finanziare ogni infrastruttura in proprio. Lo studio indica la possibilità di ricorrere a partnership finanziarie, co-investimenti oppure all’affitto di spazi di co-location realizzati anche attraverso la riconversione di immobili esistenti. Una strada che potrebbe consentire di aumentare la copertura senza replicare integralmente il capitale necessario per ogni nodo.
Questo elemento incide sulla struttura competitiva. Non tutti gli operatori avranno convenienza a diventare direttamente fornitori di capacità computazionale distribuita. Per alcuni potrà essere più efficace valorizzare connettività, immobili o relazioni enterprise all’interno di partnership; altri potranno invece puntare a un ruolo più esteso nella gestione dell’infrastruttura AI.
Il ritorno dell’edge computing, quindi, non implica un modello uniforme. Analysys Mason lega la sostenibilità dell’investimento alla presenza contemporanea di asset, domanda locale e capacità operative. Il rischio sarebbe replicare uno degli errori della precedente fase MEC, costruendo una presenza distribuita più ampia di quanto il mercato riesca effettivamente ad assorbire.
5G core distribuito e AI-RAN spingono la convergenza
A rafforzare il ruolo del livello metropolitano contribuisce anche l’evoluzione delle reti mobili. Con la disaggregazione del 5G core, alcune funzioni possono essere progressivamente distribuite verso la periferia della rete. È il caso della User Plane Function, la UPF, che gestisce il traffico dati degli utenti e può essere collocata più vicino ai punti nei quali vengono utilizzate le applicazioni.
La conseguenza è una progressiva convergenza fisica tra funzioni di rete e capacità di calcolo. Connettività e compute possono quindi essere ospitati negli stessi siti, condividendo in parte infrastrutture e investimenti.
Il processo potrebbe accelerare con il 6G. Analysys Mason richiama lo sviluppo dell’in-network computing, un paradigma nel quale alcune elaborazioni vengono integrate direttamente nel percorso seguito dai dati attraverso la rete. L’inferenza può così avvicinarsi ulteriormente al traffico che deve analizzare, riducendo la distanza fra infrastruttura telecom e infrastruttura AI.
Anche l’AI-RAN entra in questa traiettoria. Nel breve periodo l’uso dell’intelligenza artificiale nella rete radio può essere legato soprattutto all’ottimizzazione interna, ma nel medio-lungo termine alcuni operatori potrebbero utilizzare le stesse piattaforme anche per eseguire carichi applicativi destinati ai clienti. Per Analysys Mason questa prospettiva rimane più selettiva rispetto al metro edge e riguarda soprattutto i gruppi dotati di asset, capacità tecniche e condizioni di mercato adeguate.
Network slicing e Api, l’AI può creare nuova domanda
L’edge AI potrebbe avere un secondo effetto sul business degli operatori: aumentare la domanda di strumenti avanzati per programmare e monetizzare la rete. Fra questi lo studio indica il network slicing e le Api che permettono di richiedere specifici livelli di qualità del servizio.
Finora una delle difficoltà delle network Api è stata individuare applicazioni capaci di generare volumi e disponibilità a pagare sufficienti. I servizi AI distribuiti potrebbero offrire un terreno più favorevole, perché alcune applicazioni hanno bisogno di prestazioni prevedibili e non soltanto di capacità trasmissiva.
Una sessione di inferenza critica può richiedere una determinata qualità della connessione durante uno specifico intervallo temporale. Un’applicazione industriale può avere esigenze differenti da un servizio consumer. Una piattaforma video personalizzata può dover gestire improvvisi picchi di concorrenza. Il valore commerciale si sposterebbe così dalla semplice disponibilità di banda alla possibilità di garantire determinate caratteristiche della rete in funzione del carico AI.
Analysys Mason collega esplicitamente questa evoluzione alla possibile crescita della domanda di network slicing e di Api avanzate, come quelle per il quality on demand, strumenti attraverso i quali fornire e monetizzare la connettività deterministica richiesta dalle nuove applicazioni.
L’ecosistema dei chip cambia il quadro rispetto al MEC
C’è poi un altro elemento che distingue questa fase dalla precedente: l’ecosistema tecnologico. Nell’era del MEC gli standard hanno avuto un’adozione limitata e gli operatori hanno spesso dovuto appoggiarsi a soggetti che, nello stesso tempo, potevano competere con loro sul mercato cloud.
Con l’intelligenza artificiale il quadro industriale appare diverso. Analysys Mason richiama il ruolo dell’ecosistema Nvidia, che ha costruito una base di sviluppatori trasversale ai diversi settori economici e ha un interesse diretto nell’estensione dell’inferenza oltre i grandi data center centralizzati. Parallelamente, altri produttori di semiconduttori stanno sviluppando piattaforme concorrenti, ampliando le opzioni disponibili per la costruzione di infrastrutture distribuite.
Anche gli strumenti di orchestrazione sono più maturi. Gestire una rete di nodi AI significa decidere dove collocare i workload, distribuire le risorse tra infrastrutture eterogenee, automatizzare i processi e governare GPU installate in siti differenti. Durante la prima stagione del MEC queste capacità erano ancora poco sviluppate; oggi framework aperti e investimenti dei vendor stanno rendendo più praticabile la gestione dell’edge su larga scala.
Una seconda occasione che richiede selettività
Per gli operatori la nuova stagione dell’edge computing parte quindi da fondamenta più solide, ma resta legata a precise condizioni industriali. La domanda di inferenza distribuita deve essere sufficiente a sostenere infrastrutture costose; i siti devono essere collocati nei punti giusti della rete; le offerte devono integrare compute e connettività in modo difficilmente replicabile da hyperscaler, data center provider e altri attori dell’ecosistema.
La sovranità dei dati può costituire un ulteriore fattore di differenziazione, soprattutto nei mercati regolamentati e nella pubblica amministrazione. Anche in questo caso il valore dipende però dalla capacità di trasformare un requisito normativo o operativo in un servizio concreto, con livelli di prestazione e responsabilità chiaramente definiti.
La conclusione di Analysys Mason è che domanda, ecosistema tecnologico e asset degli operatori risultano oggi più allineati di quanto non fossero durante la stagione del MEC. L’opportunità resta nelle fasi iniziali e premierà soprattutto le aziende capaci di scegliere con attenzione dove investire e quali applicazioni servire.
La partita, quindi, non riguarda un semplice ritorno dell’edge computing. Il cambiamento più profondo sta nel ruolo che la rete può assumere nell’architettura dell’intelligenza artificiale: da canale utilizzato per raggiungere il cloud a componente della stessa infrastruttura di elaborazione. Se questa convergenza troverà una domanda sufficiente, il metro edge potrebbe diventare uno dei punti nei quali gli operatori riusciranno a conquistare una posizione più rilevante nella nuova catena del valore dell’AI.
Partecipa alla community