Il documento pubblicato dall’alleanza NGMN delinea un percorso concreto per portare le operazioni di rete verso soluzioni sempre più autonome basate su agentic AI. Partendo dal presupposto che l’introduzione dell’intelligenza artificiale avanzata non sia fatta solo di tecnologia, la guida offre un quadro per valutare la prontezza delle infrastrutture e per progettare trasformazioni che non compromettano la affidabilità e il controllo operativo. In questo contesto, termine come cloud-native assumono un ruolo centrale perché sono la piattaforma su cui poggiano capacità come l’orchestrazione intelligente e l’automazione chiusa.
La pubblicazione «Cloud native next chapter – Agentic AI-based operating models» si inserisce nella continuità del manifesto cloud-native di NGMN e fa riferimento a framework riconosciuti come quello della CNCF e il suo Cloud Native Maturity Model (CNMM).
L’obiettivo è duplice: fornire principi architetturali e indicazioni strategiche per chi gestisce reti mobili, e proporre una mappa di avanzamento che connetta la maturità cloud-native agli stadi di adozione dell’AI. Il risultato è una roadmap che aiuta a passare da sperimentazioni controllate a operazioni con autonomia crescente.
Perché la maturità cloud-native è la base
La guida sottolinea che senza una solida maturità cloud-native l’adozione dell’agentic AI rischia di diventare disordinata e pericolosa per l’operatività. Il concetto di maturità comprende automazione, osservabilità, CI/CD e microservizi: elementi che consentono sia sperimentazione rapida sia rollback affidabili. In pratica, più alti sono gli standard di maturità, maggiori sono le opzioni per introdurre agenti AI che prendono decisioni localmente o orchestrano flussi complessi senza interferire con i servizi critici.
I cinque livelli di adozione e la mappatura con CNMM
NGMN definisce cinque livelli progressivi di integrazione dell’AI, dalla fase iniziale di sperimentazione con strumenti assistiti fino a modelli operativi che incorporano agenti autonomi. Ciascun livello è mappato a uno stadio del CNMM, così che gli operatori possano valutare gap tecnologici e organizzativi. Per ogni stadio la guida indica requisiti su infrastruttura, automazione, dati e governance, invitando a fissare obiettivi misurabili e a non saltare fasi critiche.
Componenti tecnologici e governance
L’adozione responsabile dell’agentic AI richiede una combinazione di strumenti tecnologici e regole di ingaggio. Sul fronte tecnico servono piattaforme per il data management, pipeline di addestramento sicure, e capacità di orchestrazione che integrino modelli generativi con logiche di controllo.
Sul piano della governance occorrono policy di responsabilità, criteri per il monitoraggio continuo e meccanismi per intervenire in caso di comportamenti imprevisti degli agenti. Solo con queste protezioni è possibile abilitare automazioni chiuse che migliorano performance e resilienza.
Ruolo di persone e processi
La transizione non è puramente tecnica: è essenziale sviluppare nuove competenze e ridefinire i processi operativi. NGMN rimarca la necessità di formazione su temi come AI governance, troubleshooting assistito da modelli e sviluppo di playbook per l’intervento umano. Cambiamenti culturali, come l’accettazione del lavoro con agenti autonomi e la responsabilità condivisa sulle decisioni automatizzate, sono altrettanto cruciali per trasformare test pilota in operazioni di produzione affidabili.
Implementazione graduale e misurazione del valore
La guida propone un approccio progressivo: iniziare con casi d’uso a basso rischio come troubleshooting e pianificazione di capacità, quindi evolvere verso orchestrazioni predittive e automazioni chiuse.
Importante è definire KPI chiari che misurino benefici operativi e impatti sul cliente. NGMN invita gli operatori a stabilire target di trasformazione, a misurare outcome di business e a integrare feedback continui per affinare modelli e procedure.
Nel complesso, secondo i rappresentanti di NGMN, la strategia vincente è combinare una solida base cloud-native, una roadmap per i cinque livelli di AI e una governance che contempli sicurezza, controllo e misurazione dei risultati. Così facendo gli operatori possono sfruttare il potenziale dell’agentic AI per rendere le reti più efficienti, resilienti e adattive, senza rinunciare alla supervisione umana quando serve.
