La strategia di Eni per la gestione dei modelli AI generativa

Contesto e sfide della gestione dei modelli AI in grande scala

Nel 2024 la diffusione dei modelli di linguaggio di grandi dimensioni (LLM) ha trasformato la produttività di settori tradizionali come l’energia, ma ha anche introdotto una problematica cruciale: la velocità con cui i fornitori aggiornano o deprecano le versioni dei loro modelli. Per una realtà con oltre 30.000 dipendenti come Eni, la frequente necessità di migrare da GPT‑3.5 a GPT‑4 o a versioni successive comporta costi di licenza, tempo di integrazione e rischi di interruzione dei servizi. La sfida principale è quindi costruire una maturità gestionale capace di bilanciare innovazione e stabilità operativa.

Principi chiave della strategia di Eni

Eni ha definito quattro pilastri su cui basare il lifecycle management dei modelli AI:

• Classificazione dei casi d'uso: distinguere tra task critici (es. previsione di domanda di energia) e task di supporto (es. assistenza alla documentazione interna).
• Modularità e astrazione: implementare un layer di API interno che isoli le applicazioni dai dettagli del modello sottostante.
• Governance dinamica: creare un comitato di revisione trimestrale per valutare performance, costi e rischi di ogni modello.
• Riutilizzo e fine‑tuning controllato: mantenere versioni “core” di modelli open‑source (es. LLaMA‑2) da personalizzare internamente.

Classificazione dei task aziendali

Un'analisi condotta dal dipartimento di Digital Innovation ha identificato 1.200 processi chiave. Di questi, 56 % può essere gestito efficacemente con modelli di media scala (2‑5 billion parameters) che richiedono licenze più contenute. Solo il 12 % dei processi – per esempio l’ottimizzazione della rete di distribuzione del gas in tempo reale – necessita di modelli di frontiera con capacità di ragionamento avanzato.

Esempi concreti

• Reportistica finanziaria automatizzata: Eni utilizza un modello da 3 billion parameters, addestrato su dati interni, per generare sintesi trimestrali. Il tempo medio di produzione è sceso da 5 giorni a 2 ore, con una riduzione dei costi di licenza del 40 % rispetto a soluzioni commerciali.

• Manutenzione predittiva degli impianti offshore: qui è stato mantenuto un modello di ultima generazione, integrato con dati di sensori IoT, capace di prevedere guasti con una precisione del 92 %.

Il modello di governance dinamica

Il comitato di revisione, composto da responsabili IT, data scientist e business stakeholder, segue un ciclo di quattro fasi:

• Raccolta di metriche operative (latency, costi di inferenza, accuracy).
• Confronto con benchmark interni ed esterni.
• Decisione di mantenere, aggiornare o deprecare il modello.
• Documentazione delle motivazioni e comunicazione alle unità operative.

Questa procedura ha permesso a Eni di ridurre del 23 % le spese legate alle licenze AI nell’ultimo anno, evitando upgrade inutili.

Implementazione della layer di astrazione API

Per isolare le applicazioni dalle variazioni dei modelli, Eni ha sviluppato una piattaforma denominata AI‑Bridge. La piattaforma espone endpoint standardizzati (ad es. /summarize, /translate) e traduce le richieste verso il modello più adeguato, selezionato in tempo reale dal motore di policy. Grazie a questo approccio, le squadre di sviluppo non hanno più bisogno di riscrivere il codice ogni volta che un provider rilascia una nuova versione.

Strategie di riutilizzo e fine‑tuning interno

Eni ha investito nella creazione di un repository interno di modelli open‑source, con versioni pre‑addestrate su corpus industriali (documenti di sicurezza, normative ambientali). Il fine‑tuning è gestito da team cross‑functional che applicano tecniche di parameter-efficient tuning (LoRA, adapters), riducendo il consumo di GPU del 70 % rispetto al training tradizionale. Un caso di successo è il modello “Eni‑Legal‑Assist”, che supporta il dipartimento legale nella revisione contrattuale, con una riduzione del 35 % dei tempi di revisione.

Lezioni apprese e raccomandazioni per altre organizzazioni

1. Non tutti i processi richiedono il modello più potente: valutare attentamente il valore aggiunto rispetto al costo.

2. Investire in una layer di astrazione è cruciale per garantire flessibilità e ridurre il debito tecnico.

3. Stabilire una governance regolare permette di reagire rapidamente ai cambiamenti di mercato e di mantenere il controllo sui costi.

4. Sfruttare modelli open‑source e il fine‑tuning efficiente consente di mantenere la proprietà intellettuale sui dati sensibili.

Seguendo questi principi, le grandi organizzazioni possono trasformare la sfida della rapida obsolescenza dei LLM in un vantaggio competitivo, garantendo al contempo sostenibilità economica e operativa.