Edge computing: la prossimità come nuovo vantaggio competitivo

In questo scenario, le Telco dispongono di un asset che gli hyperscaler americani non possono replicare facilmente: la capillarità delle reti e la vicinanza agli utenti. Migliaia di centrali telefoniche, torri di trasmissione, punti di presenza distribuiti sul territorio rappresentano potenziali nodi edge già connessi e alimentati. Deutsche Telekom ha siglato nel settembre 2024 un accordo con Google Cloud per il co-deployment di 1.500 nodi multi-access edge computing, stabilendo un modello di partnership in cui le Telco forniscono prossimità fisica e asset di rete, mentre gli hyperscaler contribuiscono con software e canali di distribuzione.

Anche l’Italia si sta muovendo su questo fronte. A giugno 2026 il Dipartimento per la Trasformazione Digitale della Presidenza del Consiglio ha siglato una convenzione con tredici università italiane per avviare sperimentazioni sull’edge-cloud computing. L’obiettivo è valutare come l’elaborazione distribuita possa migliorare qualità e prestazioni dei servizi digitali della Pubblica Amministrazione, dai sistemi sanitari ai servizi di mobilità urbana.

Le università coinvolte – tra cui Politecnico di Milano, Sapienza, Bologna, Napoli Federico II – lavoreranno su casi d’uso concreti, dalla telemedicina alla gestione intelligente del traffico.

Il vantaggio competitivo dell’edge non si limita alla latenza. Elaborare i dati localmente riduce i costi di trasmissione verso il cloud, migliora la resilienza in caso di interruzioni della connettività e consente di mantenere informazioni sensibili all’interno di perimetri controllati, un aspetto cruciale per settori regolamentati come sanità, finanza e difesa. Secondo Scale Computing, i deployment edge riducono i costi di gestione del 60-80% rispetto alle architetture tradizionali, grazie all’automazione e alla semplificazione operativa.

Per l’intelligenza artificiale, l’edge rappresenta la frontiera dell’inferenza distribuita. Se l’addestramento dei modelli richiede ancora data center centralizzati con migliaia di Gpu, l’esecuzione dei modelli già addestrati può avvenire su hardware molto più compatto, vicino all’utente finale. È la differenza tra insegnare a una rete neurale a riconoscere un volto (training) e usare quella capacità per sbloccare uno smartphone (inferenza). La seconda operazione può girare su un chip dedicato grande quanto un francobollo.