Tendenze AI-RAN 2026: prospettive di mercato e tecniche

La rete di accesso radio (RAN), la spina dorsale invisibile che collega miliardi di smartphone, dispositivi IoT e macchine alla rete cellulare, sta attraversando la sua trasformazione più profonda dagli albori della banda larga mobile. Il catalizzatore? L'intelligenza artificiale.

AI-RAN, abbreviazione che indica l'integrazione nativa dell'AI nelle reti di accesso radio, è passata rapidamente da concetto di ricerca a uno dei temi che definiscono l'industria globale delle telecomunicazioni. Al Mobile World Congress di Barcellona 2026 era probabilmente l'argomento più caldo in fiera, riuscendo a eclissare persino l'Open RAN nel clamore di marketing: e, se siete mai stati al MWC, sapete che non è impresa da poco. Eppure, dietro l'entusiasmo, si nasconde una serie di domande genuinamente irrisolte su costi, modelli di deployment e su chi, alla fine, ne trarrà beneficio.

Questo articolo mappa i temi di tendenza più importanti che stanno plasmando l'AI-RAN nel 2026, spiega perché contano per operatori, vendor e per il futuro della connettività, e lo fa senza richiedere un dottorato in elaborazione dei segnali per seguire il filo.

Prima di entrare nel merito, una rapida tassonomia. La AI-RAN Alliance, un consorzio globale che dalla sua fondazione nel 2024 è diventato il principale organismo di coordinamento del pensiero industriale sul tema, definisce tre distinte declinazioni dell'integrazione dell'AI nella RAN. Immaginatela come la cucina di un ristorante:

• AI-for-RAN è l'AI che lavora dentro i macchinari della cucina stessa: ottimizza l'elaborazione del segnale, il beamforming (il modo in cui le antenne puntano e modellano i segnali radio), la gestione delle interferenze e l'efficienza spettrale. Rende la rete più intelligente e adattiva, senza cambiare ciò che alla fine produce.
• AI-and-RAN riguarda la condivisione delle attrezzature di cucina. Lo stesso hardware fisico, tipicamente acceleratori basati su GPU, ospita simultaneamente le operazioni radio 5G e i carichi di lavoro AI. Nelle ore di punta della rete, fa girare la radio. Nei periodi più tranquilli, esegue elaborazione AI. Stessa infrastruttura, due flussi di ricavi. Teoricamente elegante.
• AI-on-RAN: è usare la cucina come servizio di consegna. Qui la RAN diventa una piattaforma per eseguire applicazioni AI (edge AI, computer vision, automazione industriale) erogate agli utenti finali tramite connettività 5G. La rete non si limita a trasportare i dati: li elabora, all'edge, più vicino a dove servono.

Questi tre pilastri non si escludono a vicenda. Nella pratica, i deployment AI-RAN più ambiziosi li perseguono tutti e tre contemporaneamente, trasformando la stazione base da puro dispositivo di comunicazione a nodo di calcolo distribuito e multiuso.

Forse nessuna questione legata all'AI-RAN genera più dibattito di questa: dovremmo mettere le GPU (i potenti processori che alimentano di tutto, dai videogiochi ai grandi modelli linguistici) dentro le stazioni base?

Le ragioni a favore sono convincenti. Gli operatori in grado di eseguire carichi di lavoro AI direttamente al sito cellulare guadagnerebbero latenza più bassa (meno tempo perché i dati facciano avanti e indietro con un data center lontano), prestazioni migliori e una classe di servizi genuinamente nuova. La piattaforma Aerial RAN di NVIDIA, per esempio, offre un'unica infrastruttura accelerata da GPU in grado di ospitare simultaneamente l'elaborazione radio 5G e l'inferenza AI, allocando dinamicamente le risorse al variare della domanda nel corso della giornata.

NVIDIA, tipicamente sobria nelle sue ambizioni, ha annunciato all'inizio del 2026 una partnership da 2 miliardi di dollari con Marvell Technology per rendere questa infrastruttura più ampiamente accessibile, e ha radunato una coalizione che sembra un ritratto di famiglia dell'industria telecom: BT Group, Deutsche Telekom, Ericsson, Nokia, SK Telecom, SoftBank, T-Mobile.

La controargomentazione, però, è altrettanto concreta. Mettere GPU in migliaia di stazioni base è costoso, sia in capitale iniziale sia in costi operativi correnti. L'attuale consenso del settore è che questo modello abbia senso economico solo per località specifiche e ad alto valore: aree urbane dense, stadi, campus industriali. Non su intere reti. È un po' come comprare una Ferrari per ogni autista di una flotta logistica: impressionante in teoria, finanziariamente terrificante in pratica.

In sintesi: le GPU stanno arrivando al sito cellulare, ma in modo selettivo e graduale. Che, a essere onesti, è il modo in cui la maggior parte delle cose accade davvero nelle telecomunicazioni.

Uno degli sviluppi intellettualmente più stimolanti dell'AI-RAN è l'applicazione dei Large Language Model (LLM) e dei modelli fondazionali alla gestione e ottimizzazione della rete. Gli LLM sono lo stesso tipo di AI che alimenta ChatGPT e strumenti simili, capaci di comprendere il linguaggio naturale, ragionare su scenari complessi e adattarsi a situazioni nuove senza essere riprogrammati esplicitamente per ciascuna di esse.

Storicamente, l'automazione della RAN si è basata su modelli ML ristretti e specifici per singoli compiti, l'equivalente di assumere una serie di specialisti, ciascuno eccellente in una cosa e inutile in tutte le altre. I modelli fondazionali promettono qualcosa di molto più potente: un'intelligenza generalista in grado di ragionare tra i domini della rete, interpretare le configurazioni in linguaggio comune e prendere decisioni con un intervento umano minimo.

Tra le applicazioni pratiche già emergenti:

• Intent-based networking: invece di configurare una rete con parametri tecnici arcani, un operatore potrebbe semplicemente dire "dai priorità al traffico a bassa latenza per i robot industriali del Sito A", e il sistema basato su LLM capisce come realizzarlo attraverso la RAN. È essenzialmente un'interfaccia in linguaggio naturale per un'infrastruttura che prima richiedeva squadre di ingegneri.
• Rilevamento e risoluzione autonoma dei guasti: i modelli fondazionali addestrati su vasti dataset operativi possono identificare anomalie, prevedere i guasti prima che accadano e attuare azioni correttive, spesso più velocemente di quanto potrebbe fare qualsiasi team umano.
• Multi-agent reinforcement learning: più agenti AI, ciascuno alla guida di una diversa porzione della rete, collaborano e negoziano in autonomia. Un'intelligenza distribuita che scala in modo più naturale del controllo centralizzato, e che nessuno comprende ancora del tutto, il che tiene occupati i ricercatori.

Il mondo accademico se n'è accorto: le principali riviste IEEE hanno lanciato call specifiche per ricerche su agenti AI-RAN basati su LLM, segnalando che la pipeline della ricerca si sta attivamente riempiendo.

Nel 5G l'AI è arrivata come ripensamento, uno strato di ottimizzazione applicato sopra un sistema progettato senza di essa. Pensatela come dotare un edificio degli anni Settanta di tecnologia smart home: possibile, ma laborioso e costoso, e si lavora sempre aggirando decisioni strutturali prese prima che il concetto esistesse.

Il 6G dovrebbe essere diverso. L'AI sarà integrata nativamente nell'interfaccia radio (lo standard di comunicazione radio tra dispositivo e rete), nel piano di controllo e nella gestione delle risorse, fin dalla primissima specifica, non aggiunta nella Release 47 quando tutti hanno già completato i deployment.

Le implicazioni sono significative. Una rete 6G AI-native potrebbe autoconfigurarsi durante il deployment, autoottimizzarsi continuamente in tempo reale e autoripararsi dopo i guasti, senza i cicli manuali di ingegneria radio che ancora oggi definiscono gran parte del funzionamento delle reti 5G. Concetti emergenti come l'integrated sensing and communications (ISAC, in cui la rete comunica dati e al tempo stesso percepisce attivamente l'ambiente circostante, come un radar) e l'integrazione delle reti non terrestri (satelliti, UAV, piattaforme ad alta quota) sono già in fase di prototipazione.

Il summit 2026 della O-RAN Alliance ha persino adottato come tema 'Capturing AI-Enabled Open RAN Opportunities Today and in Tomorrow's Open 6G', un titolo così esaustivo da aver presumibilmente richiesto un comitato di pianificazione tutto suo.

L'Open RAN, il movimento che punta a disaggregare hardware e software di rete proprietari in componenti aperti e interoperabili, sta ridisegnando da anni il panorama dei vendor telecom. AI-RAN e Open RAN stanno ora convergendo in un'unica visione architetturale, il che ha una certa logica: una rete aperta e definita dal software si presta all'integrazione dell'AI molto più di una scatola nera monolitica.

Quando le funzioni di rete girano come software su hardware standard, i modelli AI possono essere inseriti, aggiornati e orchestrati in modo programmatico. Le nuove radio Doksuri di Nokia, per esempio, includono la compatibilità Open Fronthaul, uno standard di interfaccia aperta tra unità radio e unità di elaborazione, come caratteristica nativa. Ericsson si è impegnata a certificare 160 radio Open-RAN-proven entro la fine del 2026, integrando al contempo il machine learning nella sua piattaforma di automazione della RAN.

La tendenza è chiara: i vendor hardware stanno costruendo predisposizione all'AI e apertura come caratteristiche co-progettate, non come differenziatori competitivi da licenziare separatamente. Un progresso.

Le reti di telecomunicazione sono infrastrutture straordinariamente energivore. Con l'intensificarsi della pressione regolatoria e competitiva per ridurre le emissioni, l'efficienza energetica è diventata una priorità strategica di primo piano, e l'AI-RAN offre uno dei percorsi più credibili verso miglioramenti significativi.

L'ottimizzazione energetica guidata dall'AI va ben oltre il semplice spegnimento delle antenne di notte (l'equivalente telecom dello spegnere le luci quando si esce da una stanza). I moderni approcci basati su ML possono prevedere i pattern di traffico con ore di anticipo, preconfigurare celle in modalità sleep, regolare dinamicamente i parametri delle antenne e coordinarsi tra più siti, tutto in tempo reale e con una granularità che nessun team umano potrebbe gestire su larga scala.

Qui, però, arriva un'ironia deliziosa: eseguire carichi di lavoro GPU al sito cellulare consuma parecchia energia. Bilanciare i risparmi energetici derivanti da un funzionamento più intelligente della rete con il costo energetico del calcolo AI che li rende possibili è un'area di ricerca attiva. L'AI-RAN non potrà rivendicare in modo credibile una patente verde su larga scala finché non dimostrerà di risparmiare più energia di quanta ne consuma. Il verdetto è ancora aperto.

Una delle dimensioni commercialmente più interessanti dell'AI-on-RAN è l'idea della rete cellulare come piattaforma distribuita di erogazione dell'AI. Anziché instradare le richieste di inferenza AI verso data center cloud lontani, accumulando lungo il percorso latenza e costi di banda, gli operatori potrebbero servire le applicazioni AI da risorse di calcolo co-locate con le loro stazioni base.

Pensatela come la differenza tra ordinare cibo da un ristorante dall'altra parte della città e avere una cucina nel proprio palazzo. Stesso risultato, tempi di risposta radicalmente diversi.

NVIDIA ha coniato per questo concetto il termine 'AI grid': un'infrastruttura AI geograficamente distribuita e orchestrata, che tratta le funzioni della rete radio e l'inferenza AI come co-residenti su hardware accelerato condiviso. Gli operatori che gestissero una simile infrastruttura potrebbero diventare fornitori di AI-as-a-service per settori come manifattura, logistica, smart city e sanità, monetizzando la loro impronta fisica di rete in modi che i ricavi da pura connettività non hanno mai consentito.

La sfida è la maturità dell'ecosistema. Gli sviluppatori di edge AI hanno bisogno di API standardizzate, garanzie di latenza stabili e modelli di procurement che non richiedano di negoziare individualmente con ogni operatore in ogni Paese. Quel lavoro è in corso ma incompleto. Quindi: genuinamente promettente, ma non ancora arrivato.

Per quanto promettente sul piano tecnico, l'AI-RAN affronta una tensione commerciale di fondo. Gli operatori stanno costruendo infrastrutture di nuova generazione mentre gestiscono al tempo stesso un rallentamento della crescita del traffico dati e, in molti mercati, un significativo eccesso di capacità di rete.

E poi c'è questo numero, diventato la statistica più citata al MWC 2026: secondo il Mobility Report di Ericsson di giugno 2025, la GenAI rappresenta attualmente circa lo 0,06% del traffico di rete totale. Zero virgola zero sei.

Il dato non va interpretato come prova che l'AI avrà scarso impatto sulle reti future. Ericsson precisa che la misurazione copre le applicazioni AI autonome ed esclude le funzionalità AI integrate nei servizi consumer di massa. Inoltre, il traffico AI odierno è ancora dominato da interazioni testuali e vocali relativamente leggere.

Mette però in evidenza una realtà importante: l'attesa ondata di traffico di rete generato dall'AI non si è ancora materializzata a una scala tale da cambiare in modo significativo l'economia degli operatori.

Il business case dell'AI-RAN poggia quindi su due argomenti molto diversi:

1. Riduzione dei costi: l'AI riduce l'OpEx della gestione di reti complesse: meno ottimizzazione manuale, meno interventi sul campo e potenziali risparmi energetici grazie a un funzionamento più efficiente della rete. È l'argomento con il ROI a breve termine più chiaro, anche se i requisiti di calcolo aggiuntivi dell'infrastruttura AI-native potrebbero compensare parte di questi guadagni.
2. Creazione di ricavi: l'AI-on-RAN crea nuove offerte di servizi: inferenza all'edge, reti AI private, servizi enterprise sensibili alla latenza.

Entrambi gli argomenti sono plausibili. Ma entrambi restano anche in gran parte ipotetici alla scala necessaria a giustificare il CapEx degli aggiornamenti verso un'infrastruttura AI-native. I communications service provider (CSP) stanno affrontando la questione con pragmatismo: investono prima nell'ottimizzazione AI-for-RAN (dove il ROI è più chiaro), sperimentando AI-and-RAN e AI-on-RAN in ambienti controllati prima di impegnarsi in un rollout su larga scala.

La AI-RAN Alliance è diventata la forza istituzionale che definisce questo spazio. Fondata nel 2024 da NVIDIA, SoftBank e un piccolo gruppo di partner, è cresciuta fino a 132 membri all'inizio del 2026, tra cui Qualcomm, SK Telecom, Vodafone, Nokia, Ericsson e decine di università di ricerca. I suoi gruppi di lavoro coprono tutti e tre i pilastri dell'AI-RAN e ha pubblicato quattro documenti fondativi che definiscono i mattoni delle reti 5G e 6G potenziate dall'AI.

Il modello dell'Alliance, che riunisce colossi dell'industria, operatori di telecomunicazioni, laboratori accademici e vendor software specializzati sotto un quadro condiviso di benchmark e blueprint, sta contribuendo ad accelerare il percorso dalla ricerca ai reference design pronti per il deployment. Al MWC 2026, le sue 33 dimostrazioni dal vivo hanno offerto la vetrina più concentrata dei progressi reali dell'AI-RAN mai vista finora.

Anche gli organismi di standardizzazione si stanno mettendo al passo: la O-RAN Alliance e il 3GPP stanno attivamente incorporando interfacce AI-native nelle loro specifiche formali, il che conta perché la tecnologia che non entra nello standard tende a restare proprietaria, e proprietario tende a significare costoso.

I numeri di mercato sono impressionanti. Gli analisti stimano che l'AI-RAN crescerà da circa 3 miliardi di dollari nel 2025 a oltre 37 miliardi entro il 2035, un tasso di crescita annuo composto di circa il 28,5%. Il Nord America guida attualmente l'adozione, trainato da deployment 5G-Advanced aggressivi e da partnership con gli hyperscaler, mentre l'Asia-Pacifico, con in testa Corea del Sud, Giappone e Cina, dovrebbe registrare la crescita più rapida, sostenuta da ingenti investimenti governativi nella ricerca 6G e dai rollout 5G su larga scala in India.

Il panorama competitivo si sta consolidando attorno ad alcuni ecosistemi chiave: la piattaforma di calcolo di NVIDIA, Ericsson e Nokia sul versante RAN, e un numero crescente di vendor software AI specializzati (DeepSig, Blaize e altri) che puntano a specifici livelli dello stack.

L'AI-RAN si trova a un punto di svolta. L'industria ha superato in modo netto la domanda se l'AI appartenga o meno alla RAN. La domanda ora è quanto in fretta, a quale costo e con quale modello di business: che guarda caso sono le tre domande più difficili di qualsiasi transizione tecnologica.

Le fondamenta tecniche si stanno consolidando: l'infrastruttura accelerata da GPU è in fase di validazione, la gestione della rete basata su LLM sta passando dai laboratori ai progetti pilota e lo standard 6G viene scritto con l'AI al suo cuore. L'ecosistema si sta organizzando: la AI-RAN Alliance ha portato un coordinamento notevole in quello che avrebbe potuto essere uno spazio frammentato.

Resta la parte più difficile: tradurre l'eleganza architetturale in operazioni redditizie e scalabili. Gli operatori e i vendor che risolveranno per primi quell'equazione definiranno la prossima era dell'infrastruttura wireless.

La corsa è iniziata. Il traguardo è più lontano di quanto suggeriscano i comunicati stampa, ma è reale.

Fonti: AI-RAN Alliance, NVIDIA, Ericsson, Nokia, Dell'Oro Group, TM Forum, IEEE Communications Society, AFCEA Signal, Fierce Network, MWC Barcelona 2026.