Le prime dieci previsioni di Jitterbit su IA e automazione per il 2026

Di Bill Conner, Presidente e CEO di Jitterbit

Le tecnologie di IA esistenti ed emergenti hanno continuato a essere un obiettivo primario per noi nel corso del 2025, portando al lancio di diversi nuovi assistenti IA e di una suite di nuovi e potenti agenti IA per migliorare l'automazione, l'integrazione e l'orchestrazione.

Quest'anno continuiamo il nostro impegno nell'aiutare i clienti a sfruttare gli ultimi sviluppi dell'intelligenza artificiale e a superare le nuove difficoltà. Ecco i dieci principali trend e cambiamenti che prevediamo potrebbero arrivare nel 2026:

1. L'integrazione diventa la base dello stack di IA aziendale

Con la proliferazione degli agenti di intelligenza artificiale, il principale ostacolo all'adozione aziendale non sarà più la qualità del modello, ma la connettività. I sistemi di IA creano valore solo quando possono leggere, scrivere, aggiornare e attivare azioni attraverso le applicazioni aziendali. In altre parole, l'IA senza integrazione produce intuizioni; l'IA con l'integrazione produce risultati.

Di conseguenza, l'integrazione diventerà lo strato fondamentale dell'era dell'IA, proprio come l'infrastruttura cloud è stata negli anni 2010.

Le aziende richiederanno piattaforme che offrano:

• Proteggere l'accesso ai sistemi tramite API, eventi e flussi di dati
• Autenticazione e autorizzazione coerenti tra gli agenti
• Governance e osservabilità complete per le azioni guidate dall'intelligenza artificiale
• La capacità di orchestrare processi in più fasi end-to-end

Nell'impresa guidata dall'intelligenza artificiale, il middleware non è più solo un impianto idraulico, ma è diventato il nucleo del modello operativo.

2. Il linguaggio naturale diventa l'interfaccia principale per la creazione di semplici agenti IA

Nel 2026, l'elaborazione del linguaggio naturale (NLP) si affiancherà ai tradizionali strumenti low-code per l'automazione quotidiana e la creazione di agenti. Invece di trascinare caselle o scrivere logiche in stile script, gli utenti aziendali si limiteranno a descrivere i risultati: “Quando arriva un nuovo lead, qualificalo, arricchiscilo e avvisa il commerciale.”

Gli agenti di intelligenza artificiale interpreteranno l'intento, assembleranno flussi di lavoro e si adatteranno automaticamente al mutare dei sistemi. Il low-code continuerà a guidare l'orchestrazione complessa, ma il linguaggio naturale diventerà l'interfaccia predefinita per le attività di routine.

È lo stesso cambiamento che abbiamo visto quando la ricerca ha superato le directory e il touch ha sostituito i pulsanti fisici: l'NLP sta diventando il nuovo livello di astrazione per l'automazione.

3. Il valore di mercato dei semplici “bot per attività’ crolla quasi a zero

La semplice automazione, come lo spostamento di file, l'invio di notifiche o la sincronizzazione di righe tra app, non giustificherà più una propria categoria di mercato. I bot semplici svaniranno silenziosamente sullo sfondo.

Tutte le principali piattaforme, da Microsoft e Google a Salesforce, ServiceNow e Slack, integreranno queste attività basate sull’intelligenza artificiale direttamente nei propri prodotti principali. Di conseguenza, i ‘microbot’ diventeranno un bene di largo consumo e i fornitori che si basano sull’automazione di base dei flussi di lavoro perderanno il proprio potere di determinazione dei prezzi.

I veri vincitori saranno le piattaforme che offrono una ricca orchestrazione anziché bot a compito singolo, garantiscono governance e osservabilità di livello aziendale e si integrano profondamente nei sistemi di business anziché limitarsi a incollare tra loro le applicazioni.

Questo cambiamento riflette l'evoluzione dell'hosting delle e-mail da servizio a pagamento a funzionalità ormai data per scontata. Gartner conferma questa tendenza con la sua previsione secondo cui, entro il 2026, l'80% dell'automazione dei flussi di lavoro di base sarà costituita da funzionalità integrate, non da prodotti a sé stanti.

4. La competenza hardware riemerge come vantaggio strategico

Stiamo entrando in una nuova era in cui l'hardware conta di nuovo. Negli anni ’90, il vantaggio competitivo derivava da scoperte nelle CPU, nell'archiviazione e nelle reti. Negli anni 2000 e 2010, il baricentro si è spostato verso il software, come SaaS, cloud, API e mobile. Ora l'intelligenza artificiale sta spingendo nuovamente l'industria verso la dominanza dell'hardware.

I paesi fanno a gara per assicurarsi GPU come se fossero asset strategici. Le imprese hanno bisogno di chip specializzati per l'inferenza e il fine-tuning. Acceleratori personalizzati come NPU, TPU e ASIC stanno diventando veri e propri elementi di differenziazione.

Anche la resilienza della catena di approvvigionamento è ormai una questione di cui si occupa il consiglio di amministrazione. I governi stanno investendo miliardi in questa transizione: $52 miliardi attraverso il CHIPS Act statunitense, $47 miliardi attraverso il Chips Act dell’UE e oltre $140 miliardi in sussidi per i semiconduttori in Cina. L'addestramento e l'esecuzione di modelli di IA su larga scala richiedono un consumo energetico e di raffreddamento straordinario, e l'espansione dei data center sta raggiungendo i limiti geografici, normativi e di disponibilità energetica.

L'energia elettrica sta diventando un fattore determinante per le capacità dell'IA, e le regioni con un surplus di energia rinnovabile si stanno affermando come poli nevralgici dell'IA. Gli operatori dei data center sono ora in competizione per l'accesso a una capacità limitata dei trasformatori e della rete elettrica, e le aziende stanno iniziando a ottimizzare l'IA usage sulla base di una pianificazione attenta ai costi, non solo alle prestazioni.

Nel corso del 2026, i vincoli sui semiconduttori potrebbero continuare a limitare la disponibilità e la svalutazione dell'hardware per l'IA, ma il vero divario tra leader e ritardatari sarà definito dalla connettività anziché dalla pura potenza di calcolo. Le organizzazioni che sapranno trasformare il potenziale dell'IA in tangibile valore di business attraverso un'integrazione senza interruzioni, API e automazione supereranno quelle che fanno affidamento unicamente sulla capacità di elaborazione.

Poiché è probabile che i colli di bottiglia della produzione persistano, sarà essenziale dare priorità a soluzioni pratiche e scalabili rispetto alle mode del momento. Anche i modelli di intelligenza artificiale più avanzati saranno limitati dai sistemi che li alimentano, rendendo l'architettura, la connettività e i flussi di lavoro integrati i fattori critici che determinano quali aziende otterranno una trasformazione duratura e un vantaggio competitivo.

I carichi di lavoro dell'intelligenza artificiale crescono di 10 volte ogni 18 mesi, superando di gran lunga la legge di Moore: possedere o accedere alla potenza di calcolo giusta, nel momento giusto, sarà tanto critico quanto possedere la proprietà intellettuale. La capacità hardware diventa il nuovo fattore di lock-in del cloud, e ogni grande azienda dovrà avere la capacità di comprendere, reperire e ottimizzare l'hardware per l'IA.

5. I Data Center e l'Elettricità Diventano i Veri Colli di Bottiglia

Con l'accelerazione dell'adozione dell'IA, il vincolo si sposta dagli algoritmi all'economia delle infrastrutture. L'addestramento e l'esecuzione di modelli di IA su scala consumano una quantità straordinaria di energia e raffreddamento, e l'espansione dei datacenter sta raggiungendo limiti geografici, normativi e di disponibilità energetica.

Entro il 2028, l’energia elettrica diventerà un fattore determinante per le capacità dell’IA. Man mano che le regioni con un surplus di energia rinnovabile si trasformeranno in poli dell’IA, gli operatori dei data center entreranno in competizione per accaparrarsi la limitata capacità dei trasformatori e della rete elettrica, e le aziende inizieranno a ottimizzare l’IA usage sulla base di una pianificazione attenta ai costi, e non solo alle prestazioni.

La prossima ondata di innovazione riguarderà tanto la gestione energetica e le infrastrutture sostenibili quanto l’architettura dei modelli. Si stima che l’addestramento di un singolo modello su scala GPT-4 abbia consumato tra i 5 e i 7 gigawattora, una quantità sufficiente ad alimentare 1.000 home statunitensi per un anno.

6. La sicurezza e il ROI diventano le massime priorità per l'IA aziendale

Dopo l’iniziale entusiasmo per l’IA, le aziende passeranno dalla fase sperimentale a quella operativa, e il dibattito cambierà. Le preoccupazioni relative alla sicurezza assumeranno un ruolo centrale: i rischi di fuga di dati derivanti dai modelli di linguaggio di grandi dimensioni (LLM), l’uso non autorizzato dell’IA da parte dei dipendenti, l’esposizione legale dovuta alla provenienza poco chiara dei modelli e le richieste di trasparenza da parte dei fornitori riguardo ai dati di addestramento e alla genealogia dei modelli. I CISO insisteranno sull’adozione di solidi quadri di governance dell’IA prima di consentirne l’adozione su larga scala.

Il ROI diventerà il fattore decisivo. Le aziende non approveranno più progetti di intelligenza artificiale semplicemente perché “sembrano innovativi”. Il successo richiederà incrementi misurabili della produttività, risparmi operativi o chiari risultati in termini di fatturato.

L'IA avrà successo solo quando sarà legata a tempi di ciclo dei processi ridotti, minori costi di manodopera per le attività ripetitive, maggiore soddisfazione dei clienti e un tangibile aumento dei ricavi. Di conseguenza, l'IA nel suo complesso passerà finalmente da “demo accattivanti” alla creazione di un valore aziendale quantificabile.

7. Il linguaggio naturale diventa la prossima grande interfaccia utente

Oltre alla programmazione di agenti, il linguaggio naturale (NL) sta diventando il livello di interfaccia universale tra le applicazioni. Dove lo scorso decennio è stato incentrato sui dispositivi mobili e sulle API, il prossimo decennio sarà incentrato sul linguaggio naturale. Dipendenti e cittadini interagiranno con i sistemi in modo conversazionale.

Potrebbero chiedere a una piattaforma di creare dashboard che mostrino il tasso di abbandono mensile per area geografica, di redigere modifiche contrattuali dai modelli dell'anno scorso o di costruire flussi di lavoro di approvazione per le richieste di nuovi fornitori. Questo cambiamento di interfaccia democratizza la creazione di soluzioni.

Le persone che non hanno mai programmato o utilizzato strumenti low-code saranno improvvisamente in grado di creare automazioni, app e analisi significative semplicemente descrivendole. Le organizzazioni che abbracceranno questa democratizzazione vedranno un'ondata di innovazione dal basso.

8. La Governance dell'IA diventa obbligatoria per l'implementazione aziendale

Mentre i quadri normativi maturano e l'adozione dell'IA accelera, le aziende non considereranno più la governance come facoltativa. Le organizzazioni formalizzeranno politiche e sistemi per garantire che l'IA venga implementata in modo sicuro, etico e conforme, e questo cambiamento sarà guidato dalle crescenti preoccupazioni relative alla privacy dei dati, alla trasparenza dei modelli, alla responsabilità delle decisioni e all'esposizione normativa.

I quadri di governance:

• monitorare e verificare le azioni dell'IA tra i sistemi
• controllare l'accesso a dati e prompt sensibili
• tracciare la genealogia del modello, le fonti di addestramento e la cronologia delle versioni
• garantire la conformità alle normative globali e specifiche del settore
• stabilire la supervisione per i casi d'uso ad alto rischio o ad alto impatto

La governance dell'intelligenza artificiale diventa un prerequisito per estendere l'IA a tutta l'azienda, non solo per ridurre i rischi, ma per costruire la fiducia organizzativa e sbloccare un'adozione più ampia.

9. L'approccio Human-in-the-Loop diventa il modello predefinito per i flussi di lavoro di IA aziendale

Anche se i sistemi di intelligenza artificiale diventano più capaci, le aziende adotteranno flussi di lavoro ibridi in cui gli esseri umani rimangono centrali nella supervisione e nel processo decisionale. I processi HITL (Human-in-the-Loop) diventeranno lo standard per la revisione degli output critici, garantendo la conformità, validando la correttezza e mantenendo la fiducia organizzativa.

L'HITL sarà integrato in una varietà di flussi di lavoro:

• comunicazioni con i clienti e i dipendenti
• approvazioni legali, finanziarie e di approvvigionamento
• generazione di documenti
• operazioni contrattuali
• processo decisionale complesso con conseguenze normative
• Agenti di IA che eseguono azioni automatizzate nei sistemi core

Questo approccio consente alle aziende di implementare l'IA più rapidamente e con maggiore sicurezza, garantendo che l'IA valorizzi l'esperienza umana anziché sostituirla. Offre inoltre efficienza senza sacrificare fiducia, controllo o responsabilità.

10. I piccoli modelli linguistici diventano essenziali per l'IA aziendale

Mentre le aziende perseguono efficienza, privacy e capacità specializzate, gli SLM (small language models) guadagneranno slancio. Questi modelli compatti saranno ottimizzati per attività, domini o settori specifici, offrendo un'inferenza più rapida, costi inferiori e una maggiore controllabilità rispetto alle loro controparti massicce.

Gli SLM saranno particolarmente utili per

• Applicazioni on-device e edge
• Settori altamente regolamentati che richiedono elaborazione locale
• Flussi di lavoro che richiedono prestazioni prevedibili e allucinazioni minime
• Competenza di dominio specializzata in settori come quello legale, medico o dei servizi finanziari
• Organizzazioni con budget di calcolo limitati

Invece di affidarsi a un unico modello gigantesco per gestire qualsiasi cosa, le aziende adotteranno portafogli di modelli: una combinazione di LLM generici e SLM altamente ottimizzati che offrono valore mirato con minori costi e rischi. Ciò rappresenta un chiaro passaggio da “più grande è meglio” a “intelligenza della giusta dimensione per il compito”.”