Questo è un guest blog post, scritto da Devin Pratt, Direttore della ricerca presso IDC.
Oggi, quando parlo con i leader IT, la conversazione si ribalta. Prima la domanda era quale modello usare. Ora la questione è se la piattaforma dati sia in grado di stare al passo con un software che agisce in modo autonomo. L'AI generativa risponde alle domande. L'AI agentica passa all'azione, e questo singolo cambiamento stravolge tutto ciò che una piattaforma dati deve fare.
Non si tratta di un problema per il futuro. Secondo il sondaggio Worldwide Data Management Survey di IDC di aprile 2026 (n = 715), il 30% delle aziende gestisce già l'AI agentica in produzione, e un altro 50% ci sta investendo, con un piano di spesa stabilito. Quattro aziende su cinque hanno superato la fase decisionale sull'opportunità di inserire agenti nelle loro operazioni. Stanno cercando di capire come eseguirli in sicurezza.
Figura 1. L'AI agentica si sta già muovendo verso la produzione.
D. Quale delle seguenti opzioni descrive meglio la situazione attuale della tua azienda rispetto alla valutazione o all'uso dell'AI agentica?
n = 715, Fonte: Worldwide Data Management Survey di IDC, aprile 2026
Ecco il cambiamento su cui continuo a tornare. Una piattaforma creata per analizzare ciò che è già accaduto non equivale a una piattaforma creata per gestire ciò che accade dopo. Quando un agente legge i dati, decide e agisce in tempo reale, il database smette di essere un archivio passivo di record. Diventa il punto di controllo in cui viene fornito il contesto in tempo reale, vengono recuperate le informazioni giuste e vengono applicate le policy nell'esatto momento in cui l'agente agisce. Se sbagli questo passaggio, una singola lettura errata diventa un'azione sbagliata alla velocità della macchina, per poi ripetersi.
Il tempo reale è ora la base, non l'eccezione. Nello stesso sondaggio, il 64,6% dei casi d'uso dei dati aziendali richiede già l'invio in tempo reale o quasi reale; per gli scenari di streaming, il 91,2% necessita di una latenza end-to-end inferiore a 200 ms. Le architetture orientate al batch si trovano sempre più sul lato sbagliato di tale confine.
Allora, cosa dovrebbero cercare esattamente i leader IT? Quando ne parlo con i team, emergono sempre quattro requisiti.
- Una base operativa in tempo reale adatta ai dati AI: I dati dell'AI non sono strutturati, cambiano rapidamente e sono voluminosi. La base deve adattarsi a questa forma e servirla velocemente. Ecco perché IDC prevede che i sistemi non schematici e i data lake supereranno il mercato globale dei database, anche se quello relazionale rimane il segmento più grande.
Scalabilità elastica per una domanda imprevedibile e guidata dagli agenti: il traffico degli agenti è discontinuo e difficile da prevedere. I team vogliono crescere su un'unica base senza le complesse ricostruzioni imposte da rigidi limiti di scalabilità. Questa è la logica alla base del passaggio al consolidamento su una piattaforma centrale, con il cloud pubblico che rappresenta ora il 64,6% dei ricavi dei database.
Recupero preciso e sempre aggiornato: un agente è efficace tanto quanto il contesto che riesce a recuperare. Gli acquirenti lo sanno. Circa il 75% preferisce i database vettoriali integrati rispetto a quelli standalone e il 47% ritiene che un layer semantico coerente sia fondamentale per un'AI sicura e affidabile.
Un runtime regolato per eseguire agenti in produzione: memoria duratura, policy vincolate all'identità e osservabilità consentono a un team di governance di fidarsi di un agente per intraprendere azioni reali. Entro il 2027, IDC prevede che l'80% dei casi d'uso dell'AI agentica richiederà l'accesso ai dati in tempo reale e basato sul contesto, spingendo le aziende dal gatekeeping verso un accesso federato con una governance centralizzata.
Conoscere i requisiti è la parte semplice. In pratica, ci sono tre fattori che rallentano i team che vale la pena menzionare:
Preoccupazioni per il lock-in: Poiché circa il 95% delle organizzazioni segnala requisiti di sovranità dei dati e il 90% esegue database open source, le aziende desiderano operare su vari cloud e sulle proprie infrastrutture, senza legare la propria attività a un unico stack.
Governance dell'azione autonoma: quando il software è in grado di agire da solo, è obbligatorio un accesso controllabile e verificabile. Finché non sei in grado di dimostrarlo, gli agenti rimangono in fase pilota.
Costi che sfuggono al controllo: gli agenti ad alta intensità di recupero generano picchi di consumo e rispiegare il contesto a ogni passaggio consuma silenziosamente i token. I costi dovrebbero seguire l'utilizzo, non la capacità inutilizzata.
La parte incoraggiante è che queste domande possono essere risolte. Una piattaforma che mantiene il reperimento dei dati vicino ai dati stessi, si distribuisce ovunque e gestisce gli agenti per impostazione predefinita affronta tutti e tre gli aspetti direttamente.
La strada da percorrere
Il pattern è già visibile. IDC prevede che, entro il 2029, il 60% delle piattaforme dati aziendali unificherà i carichi di lavoro transazionali e analitici in architetture di elaborazione ibride per alimentare l'AI agentica. Il database non è più il luogo in cui i dati attendono. È dove gli agenti agiscono. Le aziende che lo trattano in questo modo passeranno dai progetti pilota alla produzione. Coloro che non lo faranno vedranno allargarsi il divario.
Se stai tracciando il tuo percorso, i requisiti sopra riportati rappresentano un buon punto di partenza: una base in tempo reale, una scalabilità elastica, un recupero accurato e un runtime governato, con la libertà di operare ovunque.
Continua a leggere
Per l'analisi completa, inclusi i dati di mercato alla base di ciascuno di questi quattro requisiti, leggi IDC Spotlight The Intelligent Data Platform Era: Preparing Enterprises for Agentic AI (IDC n. US54925526, settembre 2026), sponsorizzato da MongoDB.