Le AI-native operations promettono di cambiare il ruolo industriale degli operatori. Non si tratta più di aggiungere algoritmi ai processi esistenti. L’obiettivo è costruire reti capaci di osservare, decidere e intervenire quasi autonomamente. In questo scenario, l’AI diventa parte strutturale del modello operativo, mentre le telco passano dalla vendita di connettività alla garanzia di risultati misurabili.
È questa la traiettoria delineata dal white paper “New-generation intelligent operations: An AI-native reinvention”, pubblicato da TM Forum. Il documento raccoglie contributi ed esperienze di operatori come China Mobile, China Unicom, Hkt, Indosat Ooredoo Hutchison, Omantel, Ooredoo, Vodafone, Stc e Zain. Al centro emerge una trasformazione che coinvolge architetture, processi, competenze e modelli di business.
La distanza tra ambizione e adozione resta però ampia. L’83% dei manager telco intervistati considera l’AI decisiva per la strategia competitiva. Tuttavia, appena il 5% dichiara di utilizzare agenti intelligenti in modo esteso negli ambienti produttivi. Il 38% sta sperimentando, senza aver ancora definito come integrare questi sistemi nell’architettura aziendale. Un ulteriore 30% li utilizza per attività specifiche, ma ancora come componenti aggiuntivi.
Indice degli argomenti
- Dall’AI applicata ai processi a un’impresa progettata intorno agli agenti
- Una trasformazione ancora confinata nei singoli casi d’uso
- Il dato diventa un’infrastruttura operativa
- Digital twin e modelli di dominio, il motore della nuova architettura
- Risparmi operativi, ma l’efficienza non basta
- Dalla banda agli outcome garantiti
- Il caso Hkt mostra l’impatto sulla customer experience
- Il lavoro umano si sposta verso governo ed eccezioni
- Dalle metriche di rete al valore economico
- La sfida decisiva è scalare senza perdere il controllo
Dall’AI applicata ai processi a un’impresa progettata intorno agli agenti
La differenza tra sistemi abilitati dall’AI e sistemi nativi non è soltanto tecnologica. Nel primo caso, gli algoritmi affiancano procedure, strutture e applicazioni già esistenti. Nel secondo, l’intero funzionamento dell’impresa viene ripensato considerando che sistemi intelligenti possono assumere decisioni ed eseguire azioni.
“AI-enabled significa collocare l’AI accanto ai processi e alle strutture esistenti. AI-native significa ripensare il modo in cui il lavoro viene svolto quando sistemi intelligenti possono prendere decisioni e agire autonomamente”, spiega Dave Milham, Chief Architect di TM Forum.
Il passaggio implica l’abbandono di una gestione prevalentemente reattiva e basata su regole. Al suo posto emerge un modello dinamico, alimentato dai dati e orientato all’intento. Gli agenti monitorano la rete, analizzano gli eventi, individuano una risposta ed eseguono le azioni necessarie. Inoltre, imparano dai risultati e modificano il comportamento quando cambiano condizioni e prestazioni.
Questo approccio supera anche la tradizionale separazione tra gestione della rete e gestione del servizio. I Network operations center lasciano progressivamente spazio a strutture orientate alla qualità percepita. L’attenzione non si concentra soltanto sull’apparato guasto, ma sull’impatto che il problema genera per utenti e imprese.
Una trasformazione ancora confinata nei singoli casi d’uso
La diffusione limitata dipende dalla difficoltà di portare gli agenti oltre le sperimentazioni. Molti operatori hanno introdotto copiloti per assistere tecnici e addetti al customer service. Pochi, invece, hanno costruito ambienti nei quali diversi agenti collaborano attraverso domini, piattaforme e fornitori differenti.
La sperimentazione dimostra comunque risultati concreti. Indosat Ooredoo Hutchison utilizza agenti AI per risolvere automaticamente, in un solo passaggio, fino all’85% dei guasti comuni nella rete di accesso wireless. China Unicom ha invece ridotto del 90% le interazioni tra tecnici sul campo e team centralizzati, grazie ad agenti per diagnosi e riparazione.
Il valore emerge anche sul piano finanziario. Un progetto per il risparmio energetico delle stazioni radio, costato 160mila dollari, ha prodotto circa 19 milioni di risparmi elettrici in cinque anni. L’investimento si è ripagato in circa 18 giorni. In un altro caso, un agente dedicato ai reclami ha ridotto da due ore a trenta minuti il tempo di gestione. Il ritorno nel primo anno ha superato sette volte la spesa iniziale.
Questi risultati mostrano perché il settore sta spostando l’attenzione dalla prova di concetto alla prova di valore. Per scalare l’AI, gli operatori devono collegare ogni investimento a riduzione dei costi, ricavi aggiuntivi, qualità del servizio e velocità di lancio.
Il dato diventa un’infrastruttura operativa
Nessuna autonomia è possibile senza una base informativa affidabile. Le reti generano enormi quantità di dati, ma spesso li distribuiscono tra sistemi differenti. Formati incompatibili, aggiornamenti irregolari e accesso non tempestivo compromettono l’efficacia degli algoritmi.
Per questo, il dato non può più essere considerato un sottoprodotto delle attività operative. Diventa un asset condiviso, accessibile attraverso ambienti unificati e modelli semantici comuni. La governance deve definire responsabilità, qualità, ciclo di vita e procedure di validazione. La questione assume ulteriore importanza negli ambienti multivendor e multicloud. Gli agenti devono comprendere le stesse informazioni, anche quando provengono da piattaforme differenti. Senza strutture standardizzate, la collaborazione tra sistemi autonomi resta fragile.
Il problema riguarda inoltre la fiducia. Un agente che utilizza informazioni incomplete può proporre azioni sbagliate o difficili da spiegare. Per delegare controllo alla macchina servono quindi tracciabilità, verificabilità e registri che documentino le decisioni. La governance diventa un requisito operativo, non soltanto un adempimento di conformità.
Digital twin e modelli di dominio, il motore della nuova architettura
Nel modello delineato da TM Forum, le AI-native operations poggiano su tre elementi. Il primo è l’orientamento agli outcome. Il secondo è un digital twin della rete. Il terzo è un modello specializzato nel dominio delle telecomunicazioni.
Il digital twin network riproduce topologia, servizi e stato dinamico dell’infrastruttura. Permette agli agenti di simulare scenari, prevedere anomalie e valutare gli effetti di un intervento prima di applicarlo. Il modello di dominio aggiunge invece conoscenze, regole e contesto tecnico.
Questa combinazione delimita il campo d’azione degli agenti. L’obiettivo è consentire ragionamenti complessi senza permettere al modello di uscire dai propri confini operativi. Il sistema interpreta i dati storici, considera le condizioni correnti e formula azioni coerenti con le caratteristiche della rete.
L’architettura deve poi consentire agli agenti di comunicare tra loro. Il protocollo A2A, Agent-to-Agent, nasce proprio per supportare delega, negoziazione e scambio dei risultati. Tuttavia, la sua adozione richiede registri condivisi, orchestrazione, sicurezza e meccanismi di audit. Senza questi componenti, ogni operatore dovrebbe sviluppare integrazioni proprietarie.
Il progetto Agent Fabric di TM Forum punta a portare questa logica in ambienti produttivi. Tra gli scenari figurano la risoluzione automatica dei guasti tra più domini, la gestione degli accordi di servizio e il provisioning end-to-end senza passaggi manuali.
Risparmi operativi, ma l’efficienza non basta
La riduzione dei costi resta il primo fattore di investimento. L’automazione limita attività manuali, errori, interventi ripetuti e trasferte dei tecnici. Inoltre, la manutenzione predittiva evita guasti e prolunga il ciclo di vita degli apparati.
Secondo il modello del white paper, le operazioni agentiche possono ridurre gli opex del 30% o più. Le attività quotidiane passano da una gestione reattiva a un’esecuzione preventiva. Inoltre, i costi non crescono più in modo direttamente proporzionale al numero delle transazioni.
Il traguardo indicato comprende anche un miglioramento del 30% dell’efficienza, una riduzione del 50% nella durata delle interruzioni e un taglio superiore al 30% del rischio di guasto. Il modello ipotizza inoltre incrementi di produttività fino a dieci volte, grazie alla sostituzione di numerose attività ripetitive.
Considerare l’AI soltanto come leva di risparmio rischia però di produrre un vantaggio limitato. Un operatore molto efficiente, ma ancora focalizzato sulla connettività indifferenziata, continua a subire la pressione sui margini. La vera discontinuità emerge quando l’autonomia sostiene prodotti premium.
Dalla banda agli outcome garantiti
Il modello dell’outcome provider propone di trasformare le capacità della rete in esperienze verificabili e monetizzabili. L’operatore non vende solamente banda, ma prestazioni, continuità e livelli di servizio garantiti.
Un primo ambito riguarda il network slicing del 5G. Le configurazioni tradizionali utilizzano parametri statici, che non reagiscono abbastanza rapidamente ai cambiamenti. Gli agenti possono invece prevedere la domanda, creare una slice e adattarla in tempo reale. In questo modo, l’operatore può offrire capacità differenziate e sostenute da impegni contrattuali.
Una seconda opportunità deriva dalle reti Sd-Wan intelligenti. L’AI può distribuire le risorse in base alla criticità delle applicazioni e anticipare i degradi. La connettività aziendale diventa così un servizio con garanzie su latenza, continuità e qualità.
Il terzo fronte comprende l’integrazione tra reti terrestri e non terrestri. Agenti cooperanti possono considerare condizioni meteorologiche, qualità del segnale e costo del collegamento. Il sistema anticipa il passaggio tra satellite e rete mobile, assicurando continuità a navi, aree remote e comunità poco servite.
La conseguenza è un cambio nella proposta commerciale. Le infrastrutture di rete diventano piattaforme capaci di sostenere servizi B2B2X, valorizzazione dei dati e offerte con margini più elevati. La qualità garantita passa da elemento accessorio a prodotto vendibile.
Il caso Hkt mostra l’impatto sulla customer experience
Un’applicazione significativa riguarda il Kai Tak Sports Park di Hong Kong, dove eventi con decine di migliaia di utenti generano picchi di traffico difficili da governare. Hkt e Huawei hanno introdotto agenti di assurance collegati a un digital twin aggiornato in tempo reale.
Il sistema rileva le aree congestionate, prevede l’andamento della domanda ed esegue l’analisi delle cause. Inoltre, propone e applica azioni di ottimizzazione, mantenendo la validazione di un esperto nei casi necessari.
La sperimentazione ha ridotto del 52% le esperienze negative, del 20% i reclami dei clienti ad alto valore e ha aumentato del 30% il throughput in download. Anche il processo operativo è cambiato. Il precedente modello, basato su quattro ingegneri e più strumenti, è diventato una collaborazione tra un esperto e un agente.
“Partendo da questo progetto pilota di successo, Ktsp è diventato una vetrina reale di riferimento per le AI-native agentic operations, offrendo un modello scalabile per la trasformazione di Hkt verso reti autonome e guidate dall’AI”, afferma Tom Pang, Senior Vice President of Engineering di Hkt.
Il lavoro umano si sposta verso governo ed eccezioni
La trasformazione non coincide con la completa sostituzione delle persone. Gli agenti assumono compiti ripetitivi, diagnosi, esecuzione in tempo reale e coordinamento tra sistemi. Gli esseri umani mantengono supervisione, responsabilità, gestione delle eccezioni e definizione delle politiche.
Cambiano però competenze e strutture organizzative. Gli operatori devono investire in data engineering, governance dell’AI e collaborazione tra persone e sistemi intelligenti. Devono anche superare la separazione tra rete, information technology e funzioni commerciali.
I vecchi silos organizzativi si riflettono infatti nei sistemi Oss e Bss. Per ottenere risultati end-to-end, occorre ridisegnare i flussi e distinguere con chiarezza le attività assegnate alle persone da quelle delegate agli agenti. La responsabilità finale deve rimanere identificabile anche quando la macchina esegue autonomamente.
Dalle metriche di rete al valore economico
Uptime, latenza e throughput restano indicatori essenziali, ma non misurano completamente il contributo dell’AI. TM Forum propone quindi metriche che considerano autonomia, adattamento e risultati economici.
Tra queste figurano lo zero-touch ratio, il tasso di risoluzione predittiva, l’efficienza dinamica nell’impiego delle risorse e la quota di interventi preventivi. A queste si aggiungono riduzione del churn, minori penali, risparmio energetico e velocità nel lancio dei servizi.
Il Value Operations Framework collega le capacità tecniche a parametri finanziari. Una riduzione del tempo medio di risoluzione può tradursi in meno ore lavorate, minori perdite di traffico, meno reclami e maggiore fidelizzazione. L’AI smette così di essere valutata attraverso la sola accuratezza del modello.
Questa impostazione rappresenta forse il passaggio più importante. L’autonomia non costituisce un obiettivo astratto. Diventa utile quando modifica in modo dimostrabile costi, ricavi e qualità percepita.
La sfida decisiva è scalare senza perdere il controllo
La corsa alle AI-native operations incontra ancora ostacoli rilevanti. Servono investimenti iniziali, modernizzazione dei sistemi legacy e disponibilità di competenze rare. Inoltre, l’integrazione tra agenti sviluppati da fornitori diversi pone problemi di sicurezza e interoperabilità.
Il rischio principale consiste nel moltiplicare progetti isolati senza costruire una piattaforma comune. In quel caso, ogni nuova applicazione aumenta la complessità invece di ridurla. Per questo, TM Forum richiama il ruolo della Open Digital Architecture, dei modelli di maturità e di roadmap sviluppate per fasi.
Il percorso parte dalla valutazione dell’assetto esistente. Prosegue con l’analisi dei divari, la selezione delle capacità con maggiore valore e una roadmap composta da traguardi misurabili. Ogni investimento successivo dovrebbe dipendere dai risultati ottenuti nella fase precedente.
Le AI-native operations non descrivono dunque soltanto reti più automatizzate. Indicano un diverso modello industriale, nel quale dati, agenti e competenze umane concorrono alla produzione di risultati. Per gli operatori, la posta in gioco consiste nell’uscire dalla trappola della connettività indifferenziata. Chi riuscirà a garantire esperienze e prestazioni potrà trasformare l’autonomia in ricavi. Chi si limiterà ad applicare l’AI ai processi esistenti otterrà efficienza, ma difficilmente una nuova posizione nella catena del valore.