AIOps: come scegliere la soluzione per la gestione IT

Il paradigma AIOps promette di trasformare le operations IT, ma l’ampiezza del tema e le competenze necessarie per automatizzare analisi dei dati e interventi di remediation rallentano la diffusione delle implementazioni concrete. Come funziona la piattaforma AIOps di VAR Group e 4 criteri che possono guidare le direzioni IT nella scelta.

Un ipotetico manuale descriverebbe AIOps come l’applicazione del machine learning e di altre tecniche di intelligenza artificiale alle IT Ops con l’obiettivo di automatizzare attività che vanno dal rilevamento delle anomalie alla risoluzione degli incidenti.

Sulla carta, AIOps è la soluzione perfetta al sovraccarico informativo. Oggi le architetture sono frammentate tra cloud, microservizi e ambienti ibridi, e gli allarmi generati hanno ormai superato quello che un team umano riesce a gestire. AIOps promette di trasformare tutto questo rumore in segnali chiari, utili e prioritari, ed è proprio questa promessa a spingere un mercato che, secondo Mordor Intelligence, crescerà del 14,8% all’anno tra il 2026 e il 2031.

Le sfide dell'adozione di AIOps

Tra le aspettative che circondano AIOps e la sua adozione concreta resta però una certa distanza. Mariano Cunietti, Head of Solution & Delivery di VAR Group, spiega che «Di AIOps si parla molto, soprattutto sul piano del marketing, ma le implementazioni reali restano poche rispetto all’attenzione che il tema riceve».

Per quanto concerne le cause, Cunietti ne identifica tre: «La prima è che AIOps è un termine molto ampio, perché lo sono le operations IT. Aggiungere l’AI a un perimetro che comprende monitoraggio, observability, vari livelli di supporto e delivery crea un contenitore dentro cui è difficile capire cosa venga proposto e quale problema risolva. La seconda è la complessità del passaggio dalla teoria alla pratica, poiché una soluzione AIOps richiede di integrare molti componenti diversi, e la terza è la competenza AI. Pochi operatori sanno sviluppare una soluzione AIOps e portarla in produzione, perché serve la massima affidabilità per dare capacità decisionale a una macchina».

Quattro criteri per la scelta di una soluzione AIOps

Tra promesse ambiziose e offerte difficili da confrontare, orientarsi nella scelta di una soluzione AIOps può essere tutt’altro che semplice. Dal confronto con VAR Group emergono quattro criteri principali su cui costruire un percorso di valutazione.

1. Definire l’esigenza primaria

Il primo passo è capire che cosa manca alla gestione dell’IT. Serve una visione più completa dei sistemi? Gli strumenti di monitoraggio non raccolgono dati sufficienti e pertinenti? Oppure le informazioni ci sono, ma i team faticano a interpretarle? Definire l’esigenza primaria permette di individuare dove l’AI possa offrire un contributo concreto e quali capacità cercare nella soluzione.

2. Capacità di integrazione

La capacità di integrarsi con tutta l’infrastruttura IT è fondamentale per evitare i silos delle soluzioni fornite dai vendor. Una soluzione efficace deve offrire una visione d’insieme, raccogliendo direttamente alla fonte log e metriche eterogenee oppure collegandosi alle piattaforme dei vendor per integrarne le analisi, che a loro volta sono basate su AI.

3. Rispetto delle normative

Il rispetto dell’AI Act e delle altre normative applicabili è un altro aspetto essenziale. La valutazione riguarda anche la privacy e il governo dei dati: quali informazioni vengono fornite alla piattaforma, come vengono gestite, dove vengono elaborate e conservate e chi può accedervi. Come accennato, accanto alla conformità è fondamentale valutare la trasparenza, ovvero quanto sia possibile ricostruire e verificare il percorso che porta la piattaforma alle proprie conclusioni e proposte operative. Devono essere visibili le evidenze utilizzate e i passaggi che portano a una conclusione, così da poter verificare che l’analisi e l’intervento proposto siano fondati.

4. Time to value

Per un CIO, valutare il time to value di una soluzione AIOps significa capire quanto tempo occorra affinché la piattaforma produca benefici misurabili nella gestione dell’IT, contribuendo al ritorno sull’investimento. A fare la differenza sono l’esperienza del fornitore, la facilità di integrazione con l’ambiente esistente, la capacità di contenere i tempi di configurazione e di apprendimento dei modelli e la semplicità di adozione da parte dei team.

La piattaforma AIOps di VAR Group

VAR Group lavora da circa due anni allo sviluppo di una piattaforma AIOps, nella consapevolezza dei benefici che potrebbe portare sul mercato in ottica di accelerazione delle IT Ops e di riduzione dei costi operativi.

Alla base di tutto c’è una visione chiara. «L’idea di un IT cibernetico capace di autoregolarsi – spiega Cunietti – è diventata concretamente realizzabile grazie all’intelligenza artificiale. L’AI riesce ad analizzare gli enormi volumi di dati prodotti dalle infrastrutture, mettere in relazione gli eventi e formulare e verificare ipotesi sulle cause dei problemi. Così possiamo capire rapidamente cosa succede in ecosistemi complessi, e usare la stessa automazione con cui abbiamo creato i sistemi anche per correggerli».

Messa a regime immediata

A proposito della sua piattaforma AIOps, il primo aspetto su cui VAR Group pone l’accento è la messa a regime immediata: fin dal primo giorno, la piattaforma si collega in sola lettura ai sistemi presenti in azienda, prelevando log e metriche senza impattare sull’operatività. A tutela della data governance, tutte le informazioni personali (PII) vengono anonimizzate alla fonte prima dell’invio dei dati.

Machine learning e baseline di riferimento

Il machine learning utilizza i dati per apprendere il comportamento abituale dei sistemi e costruire una baseline di riferimento, rispetto alla quale riconoscere gli scostamenti anomalosi senza che un tecnico debba definire in anticipo una regola per ciascuno di essi. Si supera così il primo limite by design del monitoraggio tradizionale: la proliferazione di allarmi basati su condizioni preimpostate, che alimenta l’alert fatigue e assorbe l’attenzione dei tecnici su falsi positivi, lasciando in secondo piano le anomalie significative.

Root Cause Analysis

Quando emerge un’anomalia, il sistema avvia la Root Cause Analysis. L’approccio agentico distribuisce il carico di lavoro tra agenti con compiti specifici, dalla selezione dei dati all’analisi delle cause fino all’elaborazione degli interventi. Questa suddivisione permette di circoscrivere il ruolo di ciascun modulo e controllare meglio i diversi passaggi.

Il motore formula delle ipotesi, raccoglie elementi e le verifica attraverso le evidenze disponibili, scartando quelle che non trovano riscontro. Presenta quindi una spiegazione del problema (sia a livello tecnico che in linguaggio naturale) e propone azioni di remediation, rendendo consultabili i dati e i passaggi che sostengono tali conclusioni. Il risultato è un’analisi verificabile accompagnata da indicazioni operative, sulla quale il tecnico può basare il proprio intervento.

Al momento in cui scriviamo, il tempo mediano tra il rilevamento dell’anomalia e la proposta di soluzione è di meno di circa trenta secondi. L’analisi riporta anche il grado di confidenza associato all’ipotesi formulata.

Automazione degli interventi correttivi

Il passaggio su cui VAR Group sta lavorando è l’esecuzione degli interventi correttivi attraverso il motore di automazione. L’obiettivo è consentire alla piattaforma di attivare gli interventi previsti entro un perimetro definito, con diversi livelli di autonomia.

«Non vogliamo automatizzare tutto, ma quanto più possibile – spiega Cunietti – d’altronde, molti team di supporto lavorano con playbook che stabiliscono quali azioni eseguire, soprattutto nelle attività di base: l’AI può attivare quelle stesse procedure, mentre per le decisioni più complesse può essere utile una seconda opinione».

La seconda valutazione è umana, ma anche qui può entrare in gioco l’AI agentica: l’idea portata avanti dall’azienda è far sì che più agenti, operanti su