Portare l’intelligenza artificiale vicino ai dati aziendali, invece di spostare continuamente i dati verso servizi esterni: è questa la direzione indicata da Broadcom con VMware Private AI Cloud, presentato il 31 agosto 2026 a VMware Explore. La novità interessa soprattutto organizzazioni che stanno valutando AI generativa e agenti autonomi ma devono mantenere maggiore controllo su dati, infrastruttura, costi e governance.
Non significa che ogni PMI debba costruire un proprio data center AI. Il punto interessante è un altro: dopo una prima fase dominata quasi esclusivamente dal cloud pubblico, il mercato sta sviluppando modelli ibridi nei quali inferenza, modelli e dati possono rimanere nell’infrastruttura privata quando esiste una reale esigenza tecnica o organizzativa.
Cos’è VMware Private AI Cloud
Broadcom descrive VMware Private AI Cloud come una piattaforma capace di eseguire insieme workload aziendali tradizionali, inferenza AI e applicazioni agentiche su VMware Cloud Foundation. L’obiettivo dichiarato è offrire un percorso più strutturato per portare progetti AI dalla sperimentazione alla produzione mantenendo i dati dove risiedono.
La piattaforma supporta hardware eterogeneo e acceleratori differenti. Broadcom indica inoltre la possibilità di utilizzare oltre 150 modelli open source e commerciali attraverso VMware AI Factory, con modelli validati che comprendono famiglie di NVIDIA, Google, NEC, Alibaba Cloud e Z.ai.
VMware AI Factory: dal server al modello
Una delle novità principali è VMware AI Factory, la base software-defined pensata per automatizzare il deployment dell’infrastruttura AI e le attività successive di gestione. Broadcom punta a ridurre il percorso che va dall’hardware al primo modello operativo, evitando che ogni progetto richieda una catena di configurazioni completamente artigianale.
Tra gli elementi annunciati ci sono provisioning automatizzato, monitoraggio dei token, condivisione multi-tenant dei modelli, controllo dell’utilizzo di GPU e vGPU e dashboard dedicate alle metriche AI. La collaborazione con AMD prevede inoltre deployment automatizzati che comprendono VCF, Kubernetes, GPU operator e stack ROCm.
Perché il private AI può interessare anche aziende non enormi
Per una PMI il private AI non va valutato come una moda né come alternativa obbligatoria a ChatGPT, Copilot o ai servizi cloud. Diventa interessante quando esistono requisiti precisi.
- Dati sensibili o proprietà intellettuale che si preferisce mantenere nell’infrastruttura aziendale.
- Applicazioni che richiedono latenze prevedibili o elaborazione locale.
- Volumi di inferenza abbastanza elevati da rendere utile confrontare il costo del cloud con infrastruttura dedicata.
- Necessità di scegliere modelli differenti senza legare tutto il progetto a un singolo servizio.
- Requisiti di governance, audit e segregazione degli accessi più articolati.
Il principio è simile a quello già affrontato da EP Consulting parlando di costi dell’AI e valutazione del ROI: prima della tecnologia bisogna capire quale processo si vuole migliorare e quanto costa realmente eseguirlo.
150 modelli non significano 150 modelli da usare
La disponibilità di molti modelli è utile perché riduce il lock-in, ma non dovrebbe trasformarsi in complessità inutile. Un’azienda ha bisogno di pochi modelli selezionati in funzione di accuratezza, costo, requisiti hardware, lingua, privacy e tipo di attività.
Broadcom ha annunciato modelli validati per VMware Cloud Foundation e utilizza vLLM come runtime predefinito per un catalogo più ampio. La conseguenza pratica è la possibilità di offrire internamente un modello come servizio, lasciando all’IT il controllo dell’infrastruttura sottostante.
Il tema più importante: governare gli agenti AI
Il private cloud da solo non rende sicura un’applicazione AI. Un agente può accedere a strumenti, API e informazioni e può compiere azioni reali. Per questo Broadcom ha affiancato alla piattaforma nuovi controlli dedicati agli agenti.
AgentMinder viene presentato come piano di controllo centralizzato che tratta gli agenti come identità aziendali, associando missione, strumenti autorizzati e risorse consentite. Tanzu introduce inoltre un’impostazione deny-by-default: API, rete, server MCP e Internet non sono accessibili all’agente se non vengono esplicitamente autorizzati.
È un approccio coerente con un principio che dovrebbe valere anche nei progetti più piccoli: un agente AI non deve ricevere più permessi di quelli strettamente necessari al compito.
Private AI o cloud pubblico? La scelta non è ideologica
Il cloud pubblico rimane spesso la soluzione più semplice per partire: non richiede l’acquisto di GPU, permette di sperimentare rapidamente e offre modelli aggiornati senza gestire l’infrastruttura. Il private AI aggiunge però controllo e può diventare interessante quando il progetto cresce.
La soluzione corretta può essere anche ibrida: alcuni workload nel cloud, altri locali, con regole chiare su quali dati possano attraversare i diversi ambienti. Per questo una valutazione seria deve comprendere costi, sicurezza, competenze interne, continuità operativa e ciclo di vita dell’hardware.
Checklist prima di investire in AI privata
- Identificare un caso d’uso concreto e misurabile.
- Classificare i dati che il modello dovrà elaborare.
- Misurare volumi di inferenza e costi attuali del cloud.
- Valutare GPU, storage, rete, energia e capacità di crescita.
- Definire identità e privilegi di utenti e agenti AI.
- Stabilire logging, audit e monitoraggio dei consumi.
- Verificare chi aggiornerà modelli, runtime e infrastruttura.
- Confrontare almeno uno scenario cloud, uno privato e uno ibrido.
Cosa cambia davvero per le PMI
L’annuncio di VMware non significa che le piccole aziende debbano acquistare subito server AI. Conferma però che l’intelligenza artificiale aziendale sta diventando un problema infrastrutturale vero, non soltanto una scelta di chatbot.
Quando l’AI entra nei processi, bisogna decidere dove risiedono i dati, chi può utilizzarli, quanto costa ogni elaborazione e quali azioni un agente è autorizzato a eseguire. Sono decisioni che devono essere prese prima di scalare il progetto.
EP Consulting può affiancare le aziende nella valutazione dell’architettura IT, del cloud e dei requisiti di sicurezza prima di introdurre nuovi servizi AI, evitando investimenti sovradimensionati o soluzioni difficili da governare.
FAQ
VMware Private AI Cloud sostituisce il cloud pubblico?
No. È una piattaforma per eseguire AI su private cloud e può inserirsi anche in strategie ibride. La scelta dipende da dati, costi, prestazioni e requisiti aziendali.
Serve necessariamente una GPU NVIDIA?
No. Broadcom dichiara supporto per infrastrutture eterogenee e sta lavorando anche con AMD; VMware Cloud Foundation supporta differenti CPU, GPU e acceleratori compatibili.
Una PMI dovrebbe installare un modello AI in locale?
Solo quando esiste un motivo concreto. Per molti progetti iniziali il cloud resta più semplice. L’esecuzione privata diventa interessante con dati particolarmente sensibili, workload specifici, esigenze di controllo o volumi che giustificano l’infrastruttura.