Le previsioni di Nokia sul traffico AI mettono sotto pressione la capacità di upload entro il 2035

Nokia ha pubblicato il 4 novembre una previsione secondo cui l’AI genererà il 44% del traffico di rete globale entro il 2035. Le previsioni di Nokia sul traffico AI portano il traffico mensile totale a circa 3.789 exabyte, dove un exabyte equivale a un miliardo di gigabyte. Il principale avvertimento riguarda reti progettate soprattutto per fornire download: macchine e software automatizzati richiederanno maggiore capacità nella direzione opposta.

Ciò crea un conflitto di pianificazione tra i consueti modelli di traffico dei consumatori e applicazioni che inviano continuamente informazioni per l’elaborazione. Gli operatori devono decidere dove valga la pena investire in ulteriore capacità di upload, mentre gli acquirenti aziendali necessitano di prove che la connettività sosterrà i carichi di lavoro previsti.

Anche Cisco ed Ericsson hanno rilevato requisiti in evoluzione per il traffico AI, sebbene le loro previsioni misurino aspetti diversi. Nel loro insieme, questi rapporti rendono più pressante una domanda pratica: quali assunzioni sulle reti devono essere aggiornate prima che l’adozione dell’AI si espanda, e quali affermazioni sugli investimenti richiedono ancora una dimostrazione?

Cosa misurano realmente le previsioni di Nokia sul traffico AI

Le previsioni sul traffico di rete di Nokia indicano che il traffico mensile sarà quasi quattro volte superiore al livello del 2026 entro il 2035. L’azienda costruisce la propria stima a partire dall’uso delle applicazioni, dai dispositivi connessi e dai flussi di lavoro automatizzati, insieme a ricerche esterne, revisioni di esperti e attività di laboratorio.

Il dato principale descrive un futuro modellato, non una misurazione del traffico che già transita nelle reti.

Questa distinzione è importante perché un valore finale preciso può apparire più certo delle ipotesi di adozione su cui si basa. Le decisioni di investimento nelle reti richiedono una gamma di modelli di domanda plausibili, soprattutto quando la previsione abbraccia applicazioni, dispositivi e modelli di business in evoluzione.

Anche l’ambito del rapporto merita attenzione. Nokia separa il traffico direttamente associato alle applicazioni AI dall’attività aggiuntiva dei consumatori influenzata dalle raccomandazioni dell’AI. Il totale include il traffico di accesso e gli scambi dei flussi di lavoro AI nel cloud, escludendo però diverse altre categorie di attività di rete.

Per traffico di accesso si intendono i dati scambiati tra utenti o dispositivi e la rete a cui sono connessi. Il traffico dei flussi di lavoro cloud comprende gli scambi tra servizi coinvolti nel completamento di una richiesta AI. Queste categorie descrivono attività correlate in punti diversi, quindi i lettori dovrebbero esaminarne i confini prima di confrontare le previsioni.

Per esempio, le definizioni di traffico escludono l’attività che rimane su dispositivi o presso le sedi. Escludono inoltre le comunicazioni all’interno delle piattaforme di calcolo AI e alcuni trasferimenti associati ad addestramento, replica e backup.

Di conseguenza, il dato principale non dovrebbe trasformarsi nell’affermazione che Nokia abbia conteggiato ogni byte che si sposta attraverso ogni rete informatica. Descrive l’universo previsionale definito dall’azienda. È un quadro utile per la pianificazione, purché chi ne riprende i risultati ne preservi la definizione.

La stessa cautela vale per la quota prevista dell’AI. Il traffico associato a un assistente cloud, a una decisione di visione guidata da raccomandazioni e a una macchina industriale può originarsi attraverso meccanismi diversi. Combinarli aiuta a stimare la domanda complessiva, ma non rende intercambiabili i loro requisiti operativi.

Un consumatore che guarda più video necessita di un’esperienza di servizio diversa rispetto a una macchina in attesa di un’istruzione. Il loro traffico può contribuire a un totale comune, pur generando modelli di congestione, conseguenze dei guasti e priorità di investimento differenti.

Per gli operatori, il punto di partenza utile è quindi la composizione della domanda. Un aggregato più ampio stabilisce la scala, ma il comportamento delle applicazioni aiuta a determinare quale segmento della rete richieda attenzione.

Per gli acquirenti aziendali, la distinzione evita un errore altrettanto comune: tradurre direttamente una previsione globale in un singolo requisito di connettività. Le esigenze di un’azienda dipendono dalle applicazioni, dalle sedi operative, dalle politiche sui dati e dalla tolleranza alle interruzioni.

L’annuncio cambia il confronto sulla pianificazione affiancando tali questioni al dato sulla capacità. La sua utilità dipende dalla capacità delle organizzazioni di collegare la previsione generale a condizioni osservabili nelle proprie reti.

Gli operatori affrontano la domanda di upload insieme alla crescita della banda larga domestica

La pressione immediata ricade sulle organizzazioni responsabili delle reti di accesso, dove i dispositivi si collegano per la prima volta a servizi più ampi. Devono supportare i clienti esistenti mentre si preparano ad applicazioni i cui modelli di traffico restano incerti.

Una maggiore domanda non individua l’aggiornamento giusto finché gli operatori non sanno dove, quando e in quale direzione si manifesta il traffico.

Le proiezioni sul traffico AI di Nokia identificano l’AI agentica, software che esegue attività attraverso più passaggi, come una categoria in crescita particolarmente rapida. L’azienda prevede che il suo traffico raggiungerà entro il 2035 un livello pari a 160 volte quello del 2026.

L’AI fisica, ovvero sistemi che percepiscono e agiscono nel mondo fisico, dovrebbe raggiungere un livello pari a 105 volte quello iniziale. Nokia prevede che oltre il 90% del traffico di questa categoria avrà origine nell’uplink, ossia nella connessione che trasporta informazioni dai dispositivi verso l’esterno.

Si tratta di previsioni che partono da basi ridotte. La loro rilevanza operativa risiede nei tipi di domanda che rappresentano, più che nei soli moltiplicatori.

Una rete che trasporta informazioni provenienti da sensori verso l’elaborazione remota affronta un problema di capacità diverso da una rete che distribuisce intrattenimento verso uno schermo. Una capacità di download aggiuntiva non risolve automaticamente un vincolo di upload.

La localizzazione complica ulteriormente la decisione. Una domanda concentrata attorno a siti industriali può richiedere una risposta diversa rispetto a una domanda distribuita nelle aree residenziali. Gli operatori devono distinguere la crescita diffusa dalla pressione concentrata attorno a clienti specifici o aree di servizio.

L’accesso wireless fisso, o FWA, aggiunge un’altra variabile di pianificazione fornendo banda larga a una sede fissa tramite infrastruttura cellulare. Nokia prevede che genererà oltre un terzo del traffico cellulare dei consumatori entro il 2035.

Questa previsione non dovrebbe essere interpretata come una stima dell’adozione dell’AI. La crescita della banda larga domestica può aumentare la domanda cellulare indipendentemente da agenti autonomi o macchine connesse. La sovrapposizione conta perché più servizi possono dipendere da infrastrutture condivise.

Le previsioni FWA di Ericsson offrono un confronto separato. La previsione di giugno 2026 colloca l’FWA al 36% del traffico dati globale delle reti mobili entro il 2031.

Le date e le categorie differiscono dalle cifre di Nokia, quindi le stime non dovrebbero essere considerate misurazioni corrispondenti. Mostrano tuttavia perché la banda larga domestica rientri nella stessa discussione sugli investimenti dei carichi di lavoro AI emergenti.

Un operatore che valuta la capacità deve tenere conto del proprio mix effettivo di servizi. La domanda residenziale, la connettività aziendale e il traffico delle macchine possono creare requisiti diversi anche quando condividono apparecchiature di rete.

La questione commerciale segue direttamente. Gli operatori hanno bisogno di clienti disposti a pagare per le caratteristiche di servizio richieste, mentre gli acquirenti necessitano di impegni chiari sulle prestazioni. Una promessa generica di essere pronti per l’AI lascia troppe variabili non specificate.

Gli acquisti aziendali dovrebbero quindi distinguere la capacità disponibile dalle prestazioni applicative affidabili. Una connessione può sembrare adeguata in una dimostrazione isolata, lasciando però senza risposta interrogativi su congestione, interruzioni e ripristino.

Le previsioni di Nokia sul traffico AI danno agli operatori un motivo per riesaminare queste assunzioni. Non dimostrano che ogni rete necessiti della stessa architettura o che ogni aggiornamento proposto abbia un’immediata giustificazione commerciale.

La pressione pratica consiste nel rendere più specifiche le decisioni di investimento. Gli operatori devono collegare la domanda prevista ai colli di bottiglia reali e i clienti devono spiegare quali risultati applicativi giustifichino impegni più solidi sulla connettività.

Gli agenti cambiano il rapporto tra attività e traffico

Il meccanismo alla base della crescita della domanda legata agli agenti è semplice: l’istruzione di un utente può attivare scambi che l’utente non vede mai. La risposta visibile fornisce un quadro incompleto dell’attività di rete necessaria per produrla.

Per i flussi di lavoro automatizzati, l’unità di domanda rilevante è l’attività completata e gli scambi che la supportano.

Si consideri un assistente di ricerca esemplificativo che confronta documenti e prepara un briefing. Potrebbe recuperare materiale di fonte, richiedere l’analisi di un modello, esaminare un’altra fonte e rivedere la propria risposta. Il briefing finale può essere breve anche quando il processo di supporto comporta uno scambio considerevole di informazioni.

Questo esempio descrive un possibile flusso di lavoro, non un’implementazione misurata. La sua rilevanza risiede nella separazione tra la quantità mostrata a un utente e l’attività che sostiene quel risultato.

L’inferenza, il processo di esecuzione di un modello addestrato per produrre un output, diventa parte di questa catena. Il luogo in cui viene eseguita l’inferenza determina quali connessioni trasportano richieste, informazioni di supporto e risposte.

La ricerca di Cisco sulle reti AI offre evidenze del meccanismo. I suoi test hanno rilevato che gli agenti potevano generare fino al 450% di traffico totale in più per attività rispetto all’esecuzione guidata da esseri umani.

Questo risultato giustifica l’attenzione verso i flussi di lavoro automatizzati, ma l’espressione “fino al” limita le conclusioni dei lettori. Non è un moltiplicatore universale per ogni assistente, applicazione o organizzazione. La progettazione e l’implementazione delle attività restano centrali.

Il confronto mostra anche perché il solo utilizzo dei token non possa risolvere la pianificazione di rete. I token sono unità di testo o di altro contenuto elaborate da un modello. Descrivono l’attività del modello, mentre un flusso di lavoro può anche recuperare file, scambiare risultati di strumenti o trasferire contenuti multimediali di supporto.

Un team applicativo necessita quindi di visibilità sull’intero percorso. Altrimenti rischia di attribuire i ritardi al modello quando un altro servizio o collegamento merita un’indagine.

Il contesto, ovvero le informazioni fornite per orientare la risposta di un modello, introduce un’altra scelta progettuale. Più materiale di supporto può aiutare un’attività, ma trasferimenti non necessari possono aggiungere lavoro senza migliorare il risultato.

Per i knowledge worker, questo collega la pianificazione dell’infrastruttura all’organizzazione delle informazioni. Una base di conoscenza AI ben mantenuta può favorire decisioni più chiare su ciò che un assistente dovrebbe recuperare.

Questo collegamento non dimostra che un particolare strumento di conoscenza riduca il traffico di rete. Evidenzia una questione a livello applicativo: quali informazioni devono spostarsi e quali materiali sono irrilevanti per l’attività?

Gli sviluppatori affrontano lo stesso problema quando valutano i tentativi ripetuti e le richieste ricorrenti. Un flusso di lavoro che richiede ripetutamente informazioni simili merita un’indagine prima che il suo traffico venga considerato una domanda inevitabile.

Il lato fisico presenta un problema correlato ma distinto. Una macchina può generare informazioni perché l’ambiente circostante continua a cambiare, anziché perché una persona invia un’altra richiesta.

Qui, una progettazione applicativa utile deve stabilire ciò che richiede analisi remote e ciò che può essere gestito localmente. Inviare meno informazioni è vantaggioso solo quando l'applicazione continua a soddisfare i propri requisiti operativi.

Nessuna delle due categorie supporta la semplice affermazione che l'automazione sprechi sempre banda. Scambi aggiuntivi possono accompagnare attività di valore. La domanda di pianificazione è se il traffico risultante sia necessario, ben compreso e supportato da una connettività adeguata.

Ecco perché la crescita prevista merita attenzione oltre i dipartimenti delle telecomunicazioni. Le decisioni di prodotto determinano il comportamento dei flussi di lavoro e il comportamento dei flussi di lavoro determina la domanda che le reti dovranno infine trasportare.

L'elaborazione più vicina agli utenti ha un business case condizionale

Nokia prevede che parte dell'elaborazione AI diventerà più distribuita. L'edge computing indica l'elaborazione più vicina agli utenti o ai dispositivi, mentre le strutture di rete metropolitane offrono un'altra possibile collocazione tra le connessioni di accesso e i servizi cloud distanti.

L'azienda prevede che l'infrastruttura edge e metropolitana gestirà il 36% del traffico AI-native entro il 2035. Si aspetta inoltre che la maggior parte del traffico AI rimanga nel cloud centrale.

La decisione d'investimento riguarda dove collocare ciascun carico di lavoro, con prestazioni, complessità operativa e requisiti sui dati che determinano la risposta.

Si tratta di una scelta architetturale, non di un calendario universale di migrazione. Avvicinare un carico di lavoro modifica il luogo in cui le risorse di calcolo devono essere installate, mantenute, protette e aggiornate.

Per un'impresa, la prossimità può sembrare attraente prima che il requisito applicativo sia chiaro. Una struttura locale offre poco valore se il ritardo rilevante nasce altrove nel flusso di lavoro.

Cisco propone un utile confronto scettico. La sua ricerca afferma che, nei carichi di lavoro esaminati, l'elaborazione del modello domina attualmente il ritardo di inferenza end-to-end. Sostiene che il solo ritardo di rete non giustifichi ancora ampi cambiamenti architetturali verso l'inferenza edge.

Questa conclusione non invalida la proiezione di più lungo periodo di Nokia. Le aziende affrontano orizzonti temporali e domande differenti. L'osservazione di Cisco riguarda le prestazioni attuali, mentre Nokia modella l'evoluzione delle applicazioni future e delle scelte di deployment.

Il confronto mette però in discussione una scorciatoia del marketing infrastrutturale. Un'applicazione che coinvolge l'AI non richiede automaticamente capacità di calcolo vicine, e capacità di calcolo vicine non migliorano automaticamente il risultato a cui gli utenti tengono.

Un acquirente deve individuare il requisito effettivo. L'applicazione attende il trasferimento di informazioni, l'elaborazione remota, un altro sistema aziendale o l'approvazione umana? Ogni risposta indica un intervento diverso.

Anche la sovranità dei dati, ovvero i requisiti che regolano dove i dati vengono archiviati o elaborati, può determinare il posizionamento. Questi requisiti meritano un'analisi separata dalle prestazioni, perché un vincolo di conformità può applicarsi anche quando un servizio distante funziona adeguatamente.

La resilienza operativa aggiunge un'altra considerazione. Un'applicazione distribuita richiede decisioni esplicite su cosa accade quando un sito perde l'accesso ai servizi di supporto. La sola prossimità geografica non risponde a questa domanda.

Per gli sviluppatori, un'architettura sensata parte dalle dipendenze dell'applicazione. Avvicinare l'inferenza lasciando altrove gli strumenti essenziali può conservare gran parte della dipendenza originaria dalle connessioni remote.

Gli acquirenti aziendali dovrebbero inoltre verificare chi gestisce ciascun componente. La responsabilità per aggiornamenti, monitoraggio, controllo degli accessi e risposta agli incidenti deve rimanere chiara quando un'applicazione si estende su più sedi.

Queste considerazioni rendono la previsione più utile se trattata come un problema di distribuzione. Carichi di lavoro diversi possono giustificare collocazioni diverse e la stessa organizzazione può adottare più approcci.

I servizi cloud centrali restano rilevanti dove risorse condivise e operazioni centralizzate si adattano all'applicazione. L'elaborazione vicina merita considerazione laddove un requisito dimostrato la supporti.

Il business case più solido collega il posizionamento a un risultato misurabile. Un deployment dovrebbe mostrare perché la sede scelta migliora le prestazioni, soddisfa un requisito sui dati o supporta un funzionamento affidabile.

Senza questo collegamento, un'organizzazione rischia di acquistare un'etichetta architetturale. Il cambiamento di lungo periodo previsto da Nokia dipenderà da decisioni pratiche di deployment il cui valore possa essere dimostrato a livello applicativo.

Le ipotesi della previsione contano più della sua precisione

Le previsioni di lungo periodo aiutano le organizzazioni a prepararsi, ma la loro apparente precisione numerica può nascondere l'incertezza. Adozione, progettazione applicativa, elaborazione locale ed economia dei servizi influenzano tutte il percorso tra una categoria emergente e un totale globale.

L'interpretazione più solida della previsione di Nokia conserva le sue ipotesi ed evita di trasformare la domanda prevista in spesa garantita per le apparecchiature.

Partiamo dai moltiplicatori di crescita. Una categoria piccola può crescere rapidamente, mentre il suo contributo finale resta dipendente dall'adozione. Il solo moltiplicatore non mostra quali utenti arrivino, cosa facciano o dove viaggi il loro traffico.

Anche le scelte di deployment sono importanti. Un flusso di lavoro eseguito principalmente su un dispositivo ha implicazioni di rete diverse rispetto a un servizio comparabile che si basa su scambi remoti. Una previsione deve formulare ipotesi su come tali scelte evolvano.

L'efficienza introduce un'altra incertezza. Gli sviluppatori possono cambiare la quantità di informazioni che un'applicazione invia per una determinata attività. Possono anche ampliare ciò che l'applicazione tenta di fare, creando domanda aggiuntiva nonostante i miglioramenti nelle singole operazioni.

L'equilibrio risultante è una questione empirica. Non può essere risolto assumendo che l'efficienza elimini la crescita o che ogni miglioramento produca necessariamente più traffico.

La classificazione crea una sfida distinta. La definizione di Nokia include traffico incrementale dei consumatori influenzato dalle raccomandazioni AI. Stimare tale incremento richiede un giudizio controfattuale sull'attività che altrimenti si sarebbe verificata.

I lettori dovrebbero quindi distinguere le categorie osservabili direttamente da quelle che richiedono modellazione comportamentale. Entrambe possono informare la pianificazione, ma offrono tipi di evidenza diversi.

I confronti tra fornitori richiedono una disciplina simile. Cisco prevede che l'inferenza AI raggiungerà un quarto del traffico di rete entro il 2035. Questa cifra non dovrebbe essere presentata come una contraddizione diretta della più ampia quota di traffico guidato dall'AI di Nokia.

Il traffico di inferenza e il traffico guidato dall'AI descrivono ambiti diversi. Un confronto significativo dovrebbe allineare applicazioni incluse, confini di rete e metodi di conteggio prima di interpretare la differenza.

Anche gli incentivi commerciali meritano riconoscimento. Nokia, Cisco ed Ericsson vendono infrastrutture che beneficiano degli investimenti nella rete. Le loro ricerche possono contenere evidenze preziose pur servendo obiettivi aziendali.

Questo non giustifica l'archiviazione delle loro conclusioni. Supporta la richiesta di metodi trasparenti, misurazioni sul campo e risultati dei clienti accanto alle proiezioni dei fornitori.

Le evidenze disponibili non stabiliscono nemmeno un collasso generale della preparazione delle reti. La pressione può essere disomogenea, con vincoli che emergono in luoghi o applicazioni specifici anziché ovunque contemporaneamente.

Un totale globale non può identificare da solo tali luoghi. Gli operatori necessitano di evidenze locali prima di tradurre una traiettoria mondiale in singole decisioni di costruzione o approvvigionamento.

Per gli acquirenti aziendali, il rischio pratico si muove in entrambe le direzioni. Sottovalutare la connettività può lasciare un'applicazione incapace di soddisfare le aspettative. Sovrastimarne i requisiti può impegnare risorse prima che domanda o valore operativo siano chiari.

La previsione Nokia sul traffico AI è più utile come scenario strutturato di pianificazione. Identifica ipotesi che meritano di essere verificate, lasciando al contempo spazio al cambiamento del comportamento delle applicazioni e delle scelte di deployment.

Questo approccio mantiene la notizia nelle giuste proporzioni. Il rapporto rafforza l'argomentazione a favore della misurazione dei carichi di lavoro AI, mentre tempi e portata degli investimenti specifici restano decisioni che richiedono evidenze più ravvicinate.

Tre segnali da osservare fino all'inizio del 2027

I prossimi mesi non convalideranno una previsione che termina nel 2035. Possono fornire evidenze sul fatto che i meccanismi sottostanti stiano emergendo nelle reti commerciali e nei deployment aziendali.

L'osservazione a breve termine dovrebbe concentrarsi sul comportamento misurato del traffico, sull'adozione da parte dei clienti e sull'economia del deployment, in quest'ordine.

Il primo segnale è la divulgazione da parte degli operatori della domanda di upload in deployment AI identificabili. Evidenze utili collegherebbero i modelli di traffico ad applicazioni specifiche e li distinguerebbero dalla normale crescita della banda larga.

Misurazioni che mostrino vincoli persistenti sull'upload rafforzerebbero la tesi secondo cui le attuali ipotesi di pianificazione necessitano di un adeguamento. Segnalazioni di margine di capacità adeguato sosterrebbero una risposta d'investimento più selettiva.

Il contesto conta quanto il risultato. I lettori dovrebbero cercare l'ambiente di deployment, il periodo di misurazione, il comportamento dell'applicazione e le condizioni della rete. Un dato prestazionale isolato offre indicazioni limitate senza questi dettagli.

Il secondo segnale è l'uso commerciale sostenuto di agenti e macchine connesse. Le sperimentazioni possono rivelare requisiti tecnici, ma il funzionamento ricorrente fornisce evidenze più solide sul fatto che tali requisiti si traducano in domanda duratura.

Le divulgazioni più informative descriverebbero utilizzo attivo, attività completate, sedi operative ed espansione dei clienti. Gli annunci che si limitano ad aggiungere terminologia AI aiutano meno a valutare le previsioni sul traffico.

Un deployment continuativo sosterrebbe la tesi di Nokia sulla domanda. Adozione lenta, flussi di lavoro abbandonati o applicazioni che svolgono più lavoro localmente indebolirebbero le ipotesi dipendenti dall'espansione degli scambi remoti.

Il terzo segnale è l'evidenza a sostegno della collocazione dell'elaborazione. Clienti e fornitori dovrebbero spiegare perché un particolare carico di lavoro appartenga a un cloud centrale, a una struttura metropolitana, a un sito vicino o a un dispositivo.

Risultati comparativi che mostrino un vantaggio applicativo rafforzerebbero la tesi dell'elaborazione distribuita. Risultati dominati dall'esecuzione del modello o da altre dipendenze remote sosterrebbero una risposta architetturale più prudente.

L'economia operativa deve affiancare le prestazioni in questi confronti. Un deployment tecnicamente riuscito necessita comunque di un assetto sostenibile per la manutenzione di apparecchiature, software, sicurezza e supporto al servizio.

Gli investitori dovrebbero evitare di trattare la domanda generale di AI come prova dei risultati futuri di un fornitore specifico. Gli operatori dovrebbero collegare i piani di espansione alle condizioni effettive della rete. Gli acquirenti aziendali dovrebbero richiedere impegni legati ai risultati dell'applicazione.

Nei prossimi mesi, leggete la previsione Nokia sul traffico AI insieme alle evidenze provenienti dalle reti e dalle applicazioni da cui dipendete. Chiedete ai fornitori di spiegare dove viaggiano i dati, quale limite di connessione condiziona le prestazioni e cosa cambia con un utilizzo sostenuto. Conservate queste ipotesi nei vostri registri di deployment, quindi confrontatele con il comportamento osservato man mano che l'adozione cresce. Per i team della conoscenza, questo significa documentare le scelte di recupero delle informazioni e di elaborazione insieme alla qualità del modello. Per gli operatori, significa separare la crescita della banda larga domestica dagli emergenti carichi di lavoro delle macchine. Prima di espandere un deployment AI, il vostro team è in grado di identificare il traffico che genera e il requisito di servizio che quel traffico deve soddisfare?