Come tagliare i costi fuori controllo ottimizzando la spesa tecnologica

Prendere una cartina muta e dire "Indica le inefficienze nella tua dotazione tecnologica" non è sufficiente. Le inefficienze devono essere individuate, affrontate e analizzate. Ed è quello che faremo insieme. 

Esistono inefficienze nel cloud, dove risorse eccessive, sottoutilizzo ed errori di configurazione possono prendere il sopravvento e compromettere la produttività. Esistono strumenti inefficienti per la gestione dei dati che (non) vengono utilizzati nell'ambiente IT, incidendo sui tassi di adozione: l'affaticamento da tecnologia è un fenomeno reale. E, infine, esistono spese di utilizzo dei dati, previste e spesso impreviste, che divorano i margini come se fossero caramelle.   

Senza un approccio proattivo, le iniziative di gestione dei dati incontreranno sempre ostacoli e i loro costi si gonfieranno, diventando oggetto di tagli o cancellazioni. In qualità di data leader, devi sapere quali sono le aree problematiche e come intervenire su di esse. 

Per fortuna, indipendentemente dal settore, sono poche le aree in cui cercare. Ma, come prima cosa, il nostro prossimo Data Leader Scenario fornisce un argomento molto forte.

Strumenti di gestione dei dati: tutto bene. Strumenti per la gestione dei dati frammentati e duplicati: non bene. Rimedio: frenare l'emorragia. 

Secondo uno studio, quasi il 70% dei dipendenti dedica oltre 20 ore alla settimana alla ricerca di strumenti e informazioni sparsi fra numerosi silos.¹³ Caspita! Eppure, questa è la situazione quando si parla di frammentazione degli strumenti di gestione dei dati, un fenomeno che impedisce ai team di accedere e utilizzare la tecnologia in tutta l'organizzazione. E... sorpresa! Sprecando tempo in queste attività, le persone hanno più difficoltà a muoversi velocemente e prendere decisioni informate. Basta chiedere al team di marketing di Georgia-Pacific. La cosa ancora peggiore è che la frammentazione rende vulnerabili a problemi di conformità quando si trattano dati privati o sensibili. 

Inoltre, in un quadro in cui il 25% dei team di gestione dei dati già segnala difficoltà nell'implementazione di strumenti AI,¹⁴ la frammentazione degli strumenti stessi non fa che aumentare ulteriormente l'inefficienza, aggiungere costi sovrapposti e abbassare i tassi di adozione dell'AI. 

1. Revisiona dati e analytics. Cerca strumenti che svolgono compiti sovrapponibili, soprattutto fra diversi reparti; queste sovrapposizioni si verificano nel tempo con l'aggiunta progressiva di funzionalità o progetti. Spesso i team non lavorano con una qualità o una governance dei dati rigorosa per monitorare e controllare come e quali strumenti vengono utilizzati. Da dove si parte per questa revisione? Vai al Consiglio da un data leader per leggere i vari punti.

2. Usa soluzioni per dati e analytics comuni a tutta l'azienda. Con una visibilità e scalabilità a 360 gradi, diventa più facile accedere e comprendere dati strutturati e non strutturati, indipendentemente da dove sono conservati: in lakehouse, warehouse, o persino in lakehouse aperti. Oltre ad abilitare funzionalità trasversali, avere una soluzione unica aiuta a ridurre i costi di manutenzione, licenze e integrazioni. Queste risorse possono essere ridistribuite altrove, ad esempio nell'assunzione di nuovi addetti o nella formazione continua.

Il passo successivo sono le inefficienze del cloud. In generale ci riferiamo a risorse sovradimensionate, sottoutilizzate o mal configurate. In altri termini, non stai utilizzando quello che hai, non ne hai abbastanza oppure non lo stai sfruttando al meglio, con varie conseguenze come aumento dei costi, problemi di prestazioni e vulnerabilità. Un dato interessante: ancora nel 2024, il 78% delle aziende aveva allocato meno del 75% della spesa per il cloud,¹⁵ quindi qualsiasi scelta gestionale positiva ti procurerebbe un vantaggio in questo momento. 

Un aspetto che deve essere valutato con maggiore attenzione è il costo delle query di analisi. È uno di quegli ambiti in cui gli strumenti non sono tutti uguali. Alcune soluzioni offrono caching e indicizzazione delle query all'interno della memoria. Questa funzionalità non solo riduce al minimo il numero di query inviate al data warehouse sottostante, evitando costi aggiuntivi, ma si traduce anche in una maggiore velocità di esecuzione, maggiore disponibilità e migliore esperienza per l'utente.  

La verità è che i dati sono destinati a diventare sempre più costosi. Le query con GenAI, ad esempio, consumano un'enorme potenza di calcolo, richiedendo quindi pesanti investimenti nell'infrastruttura di backend. Se si aggiungono le esigenze crescenti dei modelli di AI generativa e agentica, si avranno costi energetici superiori a qualsiasi altra iniziativa in ambito IT entro il 2027.¹⁶  

Fra le politiche di governance trattate nella Parte 2, alcune organizzazioni includono i costi energetici e i metodi per contenere le spese incontrollate. Le funzionalità delle piattaforme come il monitoraggio in tempo reale e gli avvisi automatici in caso di utilizzo anomalo consentono verifiche periodiche per evitare spese eccessive. Inoltre, la maggior parte dei fornitori offre oggi piani tariffari che consentono di pagare solo le risorse effettivamente utilizzate invece di un canone mensile fisso per utente. Se non hai già un piano tariffario a consumo, parla con il fornitore della tua piattaforma per eliminare costi improduttivi. 

È una lama a doppio taglio che i data leader conoscono fin troppo bene: mi devo concentrare sulle prestazioni a discapito dei costi oppure è meglio contenere i costi a discapito delle prestazioni? La nostra risposta è: non accettare compromessi su prestazioni o costi.  

L'AI è affamata di potenza di calcolo. Ma molti modelli ML si deteriorano velocemente, richiedendo costosi riaddestramenti. I dati frammentati fanno lievitare le esigenze di stoccaggio e, spesso, si pensa solo in un secondo momento a preparare dati pronti per l'AI. 

Oggi le aziende stanno cercando il giusto equilibrio fra agire velocemente e spendere ragionevolmente. Non si tratta solo di tagliare i costi, ma di spendere per le voci giuste e assicurarsi che i team non stiano richiedendo risorse eccessive o duplicate. Scopri come Steinemann ha affrontato questa sfida nel nostro prossimo Data Leader Scenario. 

Come dimostra il caso di Steinemann, aziende di ogni tipo e dimensione stanno adottando strumenti AI per restare competitive, e questo significa solo una cosa: la spesa è destinata ad aumentare. E di molto. Non solo per gli strumenti AI in senso stretto, ma anche per i costi del cloud. 

Le piattaforme in cloud sono l'ambiente prediletto per l'esecuzione dei modelli AI, lo stoccaggio di dataset massivi e l'attivazione di potenza di elaborazione "al volo". Consentono di sperimentare e crescere velocemente, ma possono anche provocare uno shock quando arriva la bolletta mensile. Di pari passo con i progetti AI cresce il fabbisogno di potenza di calcolo e anche l'utilizzo del cloud (con i relativi costi) tende ad aumentare. 

Inoltre, ricorda che quando tutte le informazioni sono state caricate devono essere preparate per l'AI, con un'ulteriore frammentazione delle soluzioni e dei costi, a meno che, come nel caso di Steinemann, queste soluzioni non siano incorporate.

In un mondo perfetto sarebbe possibile fornire ai modelli AI qualsiasi dataset, e il modello sarebbe in grado di distinguere fra dati buoni e cattivi. Purtroppo non è così (almeno per ora). Per il momento, i dati devono rispettare alcuni criteri per essere utilizzabili immediatamente dall'AI, con un risparmio di tempo del 50% o di 2,5 milioni di dollari in valore, quando si parla di dati.¹⁸ Ribadiamo il concetto espresso nella Parte 2: essere pronti per l'AI significa avere dati diversificati, tempestivi, accurati, sicuri, accessibili e fruibili. 

Inoltre, chi vuole passare ore a pulire o spostare dati manualmente? Nessuno. Strumenti con funzionalità AI Low-Code o No-Code possono gestire gran parte di questo lavoro fastidioso, come la trasformazione, la deduplicazione e la formattazione dei dati, in modo che il team possa concentrarsi sugli insight veri e propri. E c'è un ulteriore vantaggio: questi strumenti riducono gli errori e velocizzano i processi. 

Un'altra cosa che non piace a nessuno è attendere l'elaborazione di un batch. Soprattutto se esiste la possibilità di ottenere insight non appena vengono immessi i dati. Utilizzando strumenti in streaming come Kafka o Kinesis e configurando l'acquisizione di dati in tempo reale, i modelli AI lavoreranno su dati freschi. Si tratta di un metodo più veloce, che riduce la necessità di storage extra e aiuta i team a reagire prontamente. 

Infine, bisogna evitare in ogni modo lo spreco di dati. Se tutti hanno accesso ai dati, esiste una grande probabilità che questi vengano duplicati, facendo lievitare i costi di stoccaggio e di elaborazione quando si interrogano i data warehouse in cloud. Una mossa semplice come configurare gli accessi in base al ruolo aiuta a mantenere l'ordine. Sarà sufficiente assicurarsi che ogni team abbia ciò di cui ha bisogno. In questo modo non pagherai per conservare dati inutilizzati o irrilevanti nei sistemi aziendali.

Chiariamo la questione dell'ottimizzazione dei costi. Deve essere fatta adesso. Deve essere fatta tra un po'. Deve essere fatta spesso. E se non viene fatta, i costi ricominceranno presto a essere un problema. 

Ma chiariamo anche un'altra cosa. Questa strategia non riguarda solo i soldi. Si tratta di creare un modello di business sostenibile in termini di scalabilità e di crescita, perché senza un piano solido è difficile vedere, comprendere e domare le forze invisibili che alimentano l'inefficienza dei dati e dell'AI. 

Il nostro ultimo Data Leader Scenario evidenzia il valore di costruire una strategia dei costi sostenibile. 

I carichi di lavoro dell'AI sono sempre affamati. E, se non si presta attenzione, i modelli possono letteralmente bruciare il budget prima che si riesca a dire "Ehi, fermati!". Molti team sacrificano troppa potenza di calcolo per gestire il problema oppure riaddestrano i modelli più spesso del necessario, senza chiedersi se ne valga realmente la pena. È come far rombare il motore di un'auto sportiva nel traffico: scenografico, ma poco efficiente. 

Al contrario, si possono sfruttare modelli con tariffe flessibili e monitoraggio dei costi, invece di abbonamenti con un canone fisso indipendente dall'utilizzo. Queste offerte con tariffe a consumo sono un'opzione relativamente nuova e molto apprezzata dalle organizzazioni che vogliono pagare solo per ciò che usano effettivamente. Il successo di questi piani si spiega con la grande flessibilità (ad es. scalabilità) che offrono alle imprese senza aggiungere rischi ulteriori. 

I silos di dati sono l'altra grande fonte di costi. Se le pipeline di dati e gli strumenti di analisi non sono sincronizzati, le cose si fanno complicate. Si finisce per spostare sempre gli stessi dati più del necessario, ripetendo query e osservando impotenti i costi IT che si accumulano sullo sfondo. Tutta questa frammentazione impedisce di vedere i costi reali e, ancor più, di tenere la spesa sotto controllo. 

Ti consigliamo di unificare tutti gli strumenti in un'unica piattaforma basata sull'AI. Usa poi la piattaforma per creare dashboard in tempo reale che consentano di tracciare l'uso dei dati e la relativa spesa e individuare costi anomali prima che erodano il budget in modo irreversibile. Poi, nei vari reparti, crea più applicazioni per individuare spese ignote o impreviste prima che si accumulino e per scoprire sacche di inefficienza in tutta l'azienda.  

Il budget per la tecnologia è sparso un po' ovunque: una fetta al marketing, una all'IT e magari una anche alle HR. Tutti questi costi si sommano. Senza una direzione chiara, diventa un "liberi tutti". Questo significa che i team finiscono per fare investimenti a caso e diventa un incubo capire quanti soldi vengono spesi realmente. 

Un'opportunità bussa alla porta. Cogli l'attimo assicurandoti che le tue iniziative AI e cloud siano allineate con gli obiettivi aziendali. Verifica che tutte le figure coinvolte nei progetti abbiano una chiara comprensione delle spese associate allo sviluppo dell'AI e dei costi di implementazione del cloud per stoccaggio, trasferimento dei dati e operatività. Infine, verifica di poter quantificare le spese rispetto ai risparmi, all'aumento dei ricavi e ad altri KPI.

Non esitare. Se lo fai, rischi di lasciare che gli utilizzatori di dati (cioè tutti) facciano spese folli con il tuo budget o, peggio ancora, distruggano la tua redditività, produttività e reputazione fino ai livelli direttivi dell'azienda. 

Tutto gestibile, comunque. Per assicurarti di ottenere solo il meglio dalle tue iniziative di gestione dei dati, integrazione e AI, servono una grande sensibilità alle inefficienze e una pianificazione ben congegnata. Hai capito il concetto.