AI harness e imprese agenti: la visione di Umesh Sachdev di Uniphore

A HumanX Amsterdam 2026, il dibattito sull'AI aziendale andava oltre la consueta domanda su quale sia il modello più capace. Come esplorato in una precedente analisi dell'evento, la discussione si spostava sempre più oltre i modelli stessi verso l'architettura, i dati, la governance e le capacità organizzative che li circondano (Agostini, 2026). Con l'aumentare dell'accessibilità dei modelli fondazionali, emerge una sfida diversa: come le aziende li collegano alla conoscenza proprietaria, scelgono l'intelligenza giusta per carichi di lavoro diversi e governano gli agenti AI mentre passano dall'assistere i dipendenti all'eseguire parti dei processi aziendali.

Questo cambiamento è stato al centro della conversazione con Umesh Sachdev, CEO e co-fondatore di Uniphore. Il portafoglio della Business AI company offre un contesto pratico alla discussione: il suo Business AI Cloud riunisce dati e conoscenza, modelli e capacità agenti all'interno di un'architettura AI aziendale comune. Uniphore descrive la sua piattaforma come model-agnostic, con capacità progettate per collegare la conoscenza aziendale a diversi modelli AI e orchestrare agenti lungo i flussi di lavoro aziendali (Uniphore, 2026a; Uniphore, 2026b; Uniphore, 2026c; Uniphore, 2026d).

La tensione di fondo è semplice: una maggiore scelta può migliorare l'economia e la flessibilità dell'AI aziendale, ma accresce anche la complessità del coordinamento tra modelli, dati proprietari e agenti autonomi. Man mano che l'AI si avvicina all'esecuzione, la capacità di gestire queste relazioni diventa parte dell'equazione competitiva.

Quando i modelli diventano disponibili, il contesto diventa il differenziatore

Per Sachdev, il passaggio dalla sperimentazione alla produzione inizia con l'architettura e il modello operativo, più che con la capacità del modello stesso.

«La sfida più grande è ottenere l'architettura e il modello operativo giusti per la produzione. Le imprese hanno bisogno di dati AI-ready, dei modelli giusti per ogni carico di lavoro, di una governance solida e di un percorso chiaro verso risultati aziendali misurabili.»

Poiché l'accesso ai modelli fondazionali si allarga, Sachdev prevede che i dati proprietari e il contesto aziendale diventino fonti di differenziazione più importanti. Il contesto, nella sua definizione, cattura come un'azienda opera realmente: i suoi flussi di lavoro, i processi, le decisioni e la conoscenza istituzionale.

L'implicazione competitiva è racchiusa in una delle affermazioni più chiare della conversazione:

«Due aziende possono usare lo stesso modello e ottenere risultati molto diversi a seconda del contesto che riescono a portarvi.»

La distinzione separa l'accesso all'AI dalla capacità di creare valore specifico dell'azienda a partire da essa. I modelli saranno sempre più disponibili per molte organizzazioni, mentre la conoscenza operativa accumulata è considerevolmente più difficile da replicare per i concorrenti. Il contesto proprietario potrebbe quindi diventare una fonte di differenziazione potenzialmente più duratura man mano che l'accesso ai modelli sottostanti si amplia.

La Knowledge Layer di Uniphore riflette questa enfasi sulla conoscenza specifica dell'impresa, concentrandosi sulla trasformazione dei dati organizzativi in contesto utilizzabile da applicazioni e agenti AI (Uniphore, 2026d).

Ciò cambia il ruolo del modello: anziché organizzare l'intera architettura AI attorno a un unico provider o a una singola famiglia di modelli, le imprese possono sempre più selezionare l'intelligenza in base ai requisiti dei singoli carichi di lavoro.

L'economia — e la complessità — dell'opzionalità dei modelli

Carichi di lavoro diversi impongono requisiti diversi. Un modello di frontiera può essere appropriato quando contano l'ampiezza della conoscenza e il ragionamento generale, mentre un modello più piccolo o specializzato può offrire un'economia migliore, una latenza inferiore o un maggiore controllo per un dominio ristretto.

«L'economia dell'AI aziendale migliora significativamente quando le aziende usano il modello giusto per il carico di lavoro giusto», afferma Sachdev, indicando compliance, sinistri, fatturazione e HR come esempi in cui modelli specializzati più piccoli possono offrire vantaggi.

Alla base di queste singole scelte c'è quello che descrive come il principio architetturale più ampio dell'opzionalità. Le imprese dovrebbero poter selezionare i modelli in base a capacità, costo, sicurezza, sovranità e latenza, e modificare tali scelte man mano che la tecnologia evolve. La Model Layer di Uniphore riflette analogamente un approccio model-agnostic pensato per permettere alle imprese di lavorare con diversi modelli AI anziché dipendere esclusivamente da uno solo (Uniphore, 2026c).

L'opzionalità, tuttavia, introduce frammentazione. Sachdev sostiene che il model routing debba quindi operare «all'interno di un quadro coerente per sicurezza, valutazione e controllo».

La sfida non è dunque quante informazioni un'impresa possa raggiungere, ma se possa passare da un modello all'altro senza perdere il contesto e la governance già costruiti attorno al proprio ambiente AI.

L'AI Harness: rendere l'opzionalità pratica

È qui che entra in gioco l'AI Harness. Nella domanda a Sachdev, il termine è stato usato per descrivere uno strato di controllo più ampio che abbraccia selezione dei modelli, contesto, accesso ai dati, permessi, orchestrazione, monitoraggio e accountability. L'inquadratura sviluppa l'argomento architetturale introdotto nella precedente analisi di HumanX: man mano che il vantaggio competitivo si sposta oltre l'accesso ai singoli modelli, una maggiore importanza strategica può spostarsi verso il sistema circostante che collega l'intelligenza ai dati, ai flussi di lavoro e ai controlli aziendali (Agostini, 2026).

La risposta di Sachdev si è concentrata sulle capacità necessarie per rendere operativa l'opzionalità dei modelli:

«Man mano che i modelli diventano più ampiamente disponibili, la capacità di controllare come vengono usati diventa strategicamente importante.»

Descrive l'Harness come lo strumento che permette a un'impresa di passare da un modello all'altro, preservare il contesto accumulato, controllare a quali dati un modello può accedere, governare ciò che gli agenti sono autorizzati a fare e valutare se il sistema sta funzionando come previsto.

«È questo che rende l'opzionalità dei modelli pratica.»

Il punto strategico è la continuità: il valore della scelta del modello aumenta se un'impresa può cambiare l'intelligenza usata per un carico di lavoro senza ricostruire il contesto e i controlli circostanti. In questo senso, l'Harness può essere interpretato come una risposta architetturale a uno stack tecnologico i cui componenti sottostanti possono cambiare più rapidamente della conoscenza e della governance aziendale che li circondano.

Il Business AI Cloud di Uniphore offre un esempio concreto di architettura costruita attorno a diversi di questi strati interagenti, che combina dati e conoscenza aziendale, accesso a più modelli e capacità agenti all'interno di una piattaforma comune (Uniphore, 2026a).

Ma la scelta del modello è solo una parte del problema. Quando gli agenti iniziano ad agire sugli output di quei modelli, la domanda passa dalla selezione dell'intelligenza alla definizione dei confini entro cui quell'intelligenza può agire.

Dall'assistenza all'esecuzione

La transizione verso l'AI agentica cambia ciò che ci si aspetta dalla tecnologia. Un assistente AI aiuta una persona a svolgere un compito; un agente può sempre più eseguire parte del flusso di lavoro stesso. La Agentic Layer di Uniphore è progettata attorno a questa transizione, offrendo capacità per creare e orchestrare agenti AI attraverso i processi aziendali (Uniphore, 2026b).

Sachdev definisce un'impresa agentica come una realtà in cui gli agenti eseguono parti significative dei flussi di lavoro aziendali, mentre gli esseri umani fissano gli obiettivi, definiscono i confini, validano i risultati e gestiscono le eccezioni.

Il suo esempio rende tangibili le implicazioni organizzative:

«Un flusso di lavoro che un tempo richiedeva sette persone può passare a cinque agenti e due persone, con gli esseri umani rimasti nei punti in cui giudizio, accountability o validazione contano di più.»

Il significato va oltre la riduzione del personale. Se da un lato l'automazione agentica può ridurre i costi operativi, dall'altro solleva questioni più profonde su fiducia, controllo e responsabilità. Gli agenti che eseguono processi reali — approvare un sinistro, gestire una fatturazione, trattare dati sensibili dei dipendenti — richiedono un livello di garanzia che gli assistenti semplicemente non necessitavano.

Ingegnerizzare la fiducia nell'esecuzione autonoma

Quando un agente passa dal suggerire all'eseguire, la fiducia deve essere progettata nel sistema anziché data per scontata. Ciò significa permessi granulari su ciò che ogni agente può vedere e fare, audit trail completi delle azioni compiute, meccanismi di escalation umana per i casi limite e valutazione continua dei risultati.

La governance diventa così non un freno all'innovazione, ma una condizione abilitante: senza controlli affidabili, le imprese non permetteranno agli agenti di toccare processi critici, e il valore dell'enterprise agentica rimarrà confinato a pilote limitati.

Simulazione, feedback e la necessità di restare ancorati alla realtà

Un elemento ricorrente nella visione di Sachdev è l'importanza di testare e validare gli agenti prima e durante l'esecuzione: simulazione degli scenari, feedback continui dai risultati reali e benchmark rispetto agli esiti attesi. Gli agenti devono rimanere ancorati alla realtà operativa dell'impresa, non a ipotesi astratte.

Quando l'organizzazione diventa il vincolo

Resta infine il fattore umano e organizzativo. La transizione verso un'impresa agentica non è solo una questione tecnologica: richiede la ridefinizione di ruoli, responsabilità e processi decisionali. Le organizzazioni che riusciranno a ripensare il proprio modello operativo — spostando le persone dai compiti ripetitivi verso giudizio, supervisione e gestione delle eccezioni — saranno quelle in grado di trasformare l'opzionalità dei modelli e l'esecuzione agentica in un vantaggio competitivo duraturo.

Il messaggio complessivo che emerge dalla conversazione è chiaro: poiché l'intelligenza dei modelli diventa una merce sempre più disponibile, il vero differenziatore per le imprese risiederà nel contesto proprietario, nell'architettura di controllo e nella capacità organizzativa di governare agenti che non si limitano più ad assistere, ma eseguono.