Il percorso tecnico e strategico che ha fatto evolvere la data platform da un data lake convezionale ad un ambiente di innovazione AI,: microservizi intelligenti, governance rigorosa e un team che cresce con la piattaforma.
Il dato non basta più
Per anni, la sfida principale delle grandi organizzazioni è stata raccogliere dati. Centralizzarli, pulirli, renderli accessibili. Data warehouse, data lake, pipeline ETL: un lavoro enorme, spesso invisibile, che ha impegnato team di ingegneri per oltre un decennio. Il risultato, quando andava bene, era una piattaforma stabile, affidabile, interrogabile. Un ottimo punto di partenza.
Ma un ottimo spunto, in un percorso lungo e tortuoso, non basta mai. Perché avere i dati non significa saperli usare. E in un settore come quello assicurativo — dove ogni decisione, dal pricing alla liquidazione di un sinistro, è intrinsecamente data-driven — la distanza tra “avere i dati” e “trasformarli in vantaggio competitivo” è ancora enorme per la maggior parte degli operatori.
L’arrivo dei modelli linguistici di grandi dimensioni (i.e. LLM), dei sistemi di retrieval aumentato (i.e. RAG) e degli agenti AI ha cambiato le coordinate del problema. Non si tratta più solo di rendere i dati accessibili ai business analysts: si tratta di renderli consumabili da sistemi intelligenti, in tempo reale, attraverso interfacce conversazionali o agentic workflows. La data platform non è più solo infrastruttura — è il motore dell’intelligenza operativa.
Come si compie questo salto? Come si passa da una piattaforma che abilita report e dashboard a una che alimenta agenti AI in produzione, senza perdere il controllo sulla governance e senza accumulare debito tecnico? È esattamente la domanda a cui Marco Tranquillin, Chief Data & AI Officer di AXA Italia, ha risposto a Codemotion Roma 2026.
La data platform non è più solo infrastruttura. È il motore dell’intelligenza operativa.
Il settore assicurativo come laboratorio ideale
L’assicurazione è uno dei settori in cui i dati hanno sempre avuto un ruolo centrale. Gli attuari calcolano il rischio da secoli. I modelli predittivi per il pricing esistono da decenni. Eppure, è anche un settore storicamente conservativo sul fronte tecnologico, vincolato da regolamentazioni stringenti, sistemi core legacy e processi operativi profondamente radicati.
La combinazione, alta densità di dati, alta complessità regolamentare e alta resistenza al cambiamento, lo rende un caso di studio particolarmente interessante. Perché trasformare una data platform in un sistema AI-ready in questo contesto richiede non solo competenze tecniche, ma una visione strategica chiara e la capacità di muoversi con cautela senza perdere velocità.
Le fondamenta: da dove si è partiti
A Codemotion Roma 2026, il talk “Modern Data & GenAI Platform: Un Percorso Governato verso l’Innovazione” ha raccontato un percorso che inizia letteralmente dalle fondamenta. Prima di pensare a Generative AI o agentic AI, il team ha investito nella costruzione di una data platform solida, basata sul concetto di medallion architecture in cloud. Bronze, silver, gold: layer progressivi di raffinamento del dato, dalla raccolta grezza alla versione certificata e pronta per il consumo.
A questa architettura è stato affiancato un fast data layer, pensato per servire i canali digitali in tempo reale. Non tutti i casi d’uso possono aspettare le latenze di un batch notturno: i canali di vendita online, le app mobile, i sistemi di assistenza clienti richiedono accesso immediato a dati aggiornati. Il fast data layer ha risolto questo problema senza compromettere la coerenza della piattaforma principale.
Il terzo pilastro è stato la democratizzazione dell’accesso ai dati attraverso strumenti di self-BI. L’obiettivo era chiaro: ridurre la dipendenza degli utenti di business dal team di data engineering per ogni singola analisi. Dare agli analisti e ai decision maker la capacità di interrogare i dati autonomamente, con strumenti accessibili, senza dover aprire un ticket ed aspettare.
Prima di pensare agli agenti AI, servivano fondamenta solide. La medallion architecture non era un prerequisito burocratico — era la condizione necessaria per tutto quello che è venuto dopo.
Il salto: costruire un AI Capabilities Layer
Con le fondamenta a posto, il team ha affrontato la domanda cruciale: come portare la GenAI in produzione in modo sostenibile? La risposta di AXA Italia è stata l’implementazione del concetto di AI Capabilities Layer — un insieme di microservizi AI standard, configurabili e riutilizzabili, costruiti on top alla data platform esistente, pronti per essere consumati da applicazioni client o da soluzioni agentiche.
L’idea alla base è elegante: invece di costruire soluzioni AI ad hoc per ogni caso d’uso, si crea un layer di capacità condivise. Un microservizio che estrae entità da un testo, uno che classifica documenti assicurativi, uno che genera riassunti di polizze in linguaggio naturale, uno che risponde a domande su un contratto specifico usando RAG e così via…
Building blocks che, una volta sviluppati e validati, possono essere riutilizzati da più team e più prodotti — riducendo drasticamente i tempi di sviluppo e garantendo coerenza nella qualità.
Questo approccio ha anche il vantaggio di facilitarne la governance. Quando le capacità AI sono centralizzate in microservizi condivisi, è più semplice applicare controlli di qualità, monitorare i comportamenti in produzione, aggiornare i modelli sottostanti senza dover riscrivere ogni applicazione che li usa.
Velocità senza sacrificare il controllo
Uno dei temi ricorrenti nel talk è stato il bilanciamento tra velocità di innovazione e rigore della governance. Tranquillin ha descritto un approccio in cui ogni passo del percorso è stato compiuto garantendo la compliance con le policies interne di data & AI in allineamento con i framework GDPR ed AI Act, non come freno, ma come condizione abilitante.
La distinzione è importante poiché in molte organizzazioni, compliance e innovazione vengono percepite come forze opposte: più controllo significa meno velocità. AXA Italia ha invece scelto un approccio diverso: costruire la governance dentro l’architettura, non sopra. I controlli di qualità del dato, le politiche di accesso, i meccanismi di audit sono parte integrante della piattaforma, non strati burocratici applicati a posteriori.
Questo ha permesso al team di muoversi con fiducia, sapendo che ogni nuovo use case AI sviluppato partiva già da una base compliant.
La piattaforma cresce, il team cresce con lei
Un aspetto che Tranquillin ha sottolineato con forza è la dimensione umana del percorso. La maturità tecnologica di una data platform e la maturità del team che la governa devono crescere insieme e non è scontato che lo facciano.
In AXA Italia, l’evoluzione dell’architettura è stata accompagnata da un investimento continuo nelle competenze. Non solo formazione tecnica su nuovi tool e framework, ma sviluppo di una cultura del dato diffusa nell’organizzazione: la capacità di ragionare in termini di dati, di immaginare use case AI, di valutare criticamente i risultati dei modelli. Senza questo, anche la piattaforma più sofisticata rischia di restare sottoutilizzata.
Il percorso descritto non è solo la storia di un’architettura che evolve. È la storia di un team che ha imparato a costruire, a sbagliare, a correggere e a crescere in un equilibrio costante tra innovazione, architettura e governance.
La maturità tecnologica e la maturità del team devono crescere insieme. Una piattaforma sofisticata senza le persone giuste per usarla è solo infrastruttura ferma.
Perché ci è piaciuto questo talk
Il talk di Tranquillin è particolarmente utile per chi si trova in una fase intermedia della propria trasformazione data: ha già una piattaforma funzionante, magari ha già fatto qualche esperimento con la GenAI, ma fatica a capire come sistematizzare il tutto in modo scalabile e governato.
Per chi lavora in settori regolamentati come finance, healthcare, insurance e telco, il messaggio è particolarmente rilevante: la compliance non deve essere l’alibi per non innovare. Può diventare la struttura dentro cui innovare con più fiducia.
LO SPEAKER
Marco Tranquillin
CHIEF DATA & AI OFFICER · AXA ITALIA
Professionista con oltre 15 anni di esperienza nella trasformazione digitale di grandi organizzazioni. Attualmente Chief Data and AI Officer di AXA Italia, ha ricoperto ruoli chiave in McKinsey & Company, Google Cloud, Microsoft e Accenture, specializzandosi nell’aiutare aziende soprattutto nel settore financial services a sfruttare le tecnologie cloud e i dati per affrontare sfide di business critiche. È l’autore principale di Architecting Data and Machine Learning Platforms, edito da O’Reilly, e detiene un Master of Science in Ingegneria Informatica presso l’Università di Padova.
