Gli usi agentici di Canal+, Ekwateur e Beyond Aero – I segreti dei dati
L'AWS Summit 2026 di Parigi, tenutosi il 1° aprile, ha offerto un'opportunità unica per Secrets de Data di raccogliere e interrogare numerosi esperti di dati e intelligenza artificiale provenienti da settori diversi. Tra le aziende protagoniste, Ekwateur, specializzata nella fornitura di energia rinnovabile, Beyond Aero, pioniere nell'aeronautica decarbonizzata, e il colosso audiovisivo Canal+ hanno condiviso le loro prime e promettenti applicazioni dell'IA agentica.
Questa edizione di Secrets de Data, prodotta nell'ambito di una partnership media con AWS France, approfondisce le modalità con cui queste aziende costruiscono e fanno evolvere le loro traiettorie agentiche, illustrando i fondamentali tecnici su cui si struttura tale evoluzione. Il summit ha messo in luce l'importanza cruciale di infrastrutture dati robuste e ben governate come prerequisito per lo sviluppo di sistemi di IA autonomi e scalabili.
Sebbene il sommario originale prevedesse tre capitoli distinti, corrispondenti a tre diverse esperienze – Canal+, Beyond Aero ed Ekwateur – il presente approfondimento si concentrerà in dettaglio sul caso di Canal+, fornendo una panoramica esaustiva della sua strategia e implementazione dell'IA agentica. In una seconda parte della newsletter, Secrets de Data ha esplorato la dinamica di adozione dell'IA in Francia e la sua maturità d'uso, attraverso un'intervista con Julien Lépine, direttore tecnologia di AWS, e uno studio di Strand Partners, intitolato “L’IA agentica in Francia: adozione, freni e buone pratiche”.
Come Canal+ progetta la sua IA agentica su scala globale
Il gruppo Canal+ ha portato a termine una traiettoria tecnologica decennale, strutturando le sue capacità dall'istituzione di una fondazione dati su AWS nel 2016 fino all'operatività di una piattaforma agentica interoperabile nel 2026. Questa evoluzione risponde a imperativi di scalabilità mondiale, controllo della latenza e integrazione dei processi aziendali. La sfida tecnica principale risiede nella transizione da un modello di consultazione statica a un'esecuzione autonoma e dinamica.
La «One Data Platform» come fondamento
La performance dell'intelligenza artificiale è intrinsecamente legata alla maturità dell'infrastruttura di dati sottostante. Per il gruppo Canal+, il dispiegamento di iniziative agentiche è stato reso possibile solo dalla trasformazione avviata già nel 2016. Per Séverine Navarro, direttrice Data del gruppo, un'infrastruttura robusta e governata costituisce la condizione sine qua non per trasformare 100 terabyte di dati quotidiani in asset sfruttabili dai modelli di linguaggio.
La «One Data Platform» si basa su un'ingestione segmentata in tre vettori distinti: il modo event-driven, utilizzando Amazon Kinesis e AWS Lambda per l'elaborazione in tempo reale; il trattamento per lotti (batch); e le interfacce di programmazione (API), gestite tramite ECS Fargate. La centralizzazione di questi dati avviene in un Data Lake S3, che impiega tabelle Iceberg strutturate in strati Bronze, Silver e Gold. L'orchestraziom dei pipeline è garantita da Apache Airflow, mentre il trattamento analitico si avvale di Snowflake, DBT ed EMR Serverless per la gestione di volumi massicci di dati.
La governanza, che include la tracciabilità (lineage) dei dati e la gestione degli accessi alle informazioni personali (PII), è operata tramite la soluzione Data Galaxy. L'intera infrastruttura è automatizzata per mezzo di Terraform e GitLab, assicurando così la riproducibilità e l'affidabilità dei deployment.
So What? La standardizzazione e un modello multi-tenant sono presentati come il mezzo per garantire un'agilità operativa critica, in particolare durante eventi sportivi di grande risonanza. La piattaforma è in grado di assorbire i flussi di 3 milioni di abbonati simultanei su MyCanal. Su un piano strategico, l'architettura implementata facilita la crescita esterna tramite acquisizioni internazionali, come nel caso di MultiChoice, permettendo una mutualizzazione dei costi e un'accelerazione dei deployment grazie alla replicazione di modelli tecnologici già collaudati.
Dal RAG all'orchestrazione multi-agente
Tra il 2024 e il 2025, il gruppo Canal+ ha operato un pivot significativo, abbandonando le basi di conoscenza statiche a favore di un'orchestrazione dinamica. Questo passaggio dalla Retrieval-Augmented Generation (RAG) all'IA agentica segna la transizione da un semplice ausilio alla decisione a una capacità di azione autonoma sui sistemi informativi:
- Chatbot RAG (2024): Inizialmente concepito per la relazione con il cliente, questo sistema utilizzava l'API Gateway e il modello Claude Sonnet tramite AWS Bedrock. Le sue capacità erano limitate a due turni di conversazione, senza interazione con strumenti esterni, su una base di dati vettorizzata in OpenSearch.
- Piattaforma Agentica (2025): L'architettura è evoluta verso l'utilizzo di un Elastic Load Balancer (ELB) per supportare la scalabilità dei flussi multi-agente. Il blocco di orchestrazione è stato interamente ripensato per decomporre una richiesta complessa in sotto-task distribuiti a agenti specializzati. A differenza del RAG, gli agenti dispongono di "tools" che permettono loro di interagire con API di terze parti e di selezionare il modello di linguaggio (LLM) più adatto a ciascuna azione unitaria.
So What? L'apporto maggiore risiede nella contestualizzazione avanzata. Interfacciando l'orchestratore con il CRM (dati di offerta, tipo di terminale...), l'IA adatta le sue risposte all'identità reale dell'abbonato. In questo modo, l'architettura multi-agente trasforma l'esperienza utente, poiché il sistema non si limita più a citare una documentazione, ma avvia processi di business personalizzati e proattivi.
Dalla relazione con il cliente all'assistenza interna
La validità dell'IA agentica è comprovata dalla sua applicazione in ambienti di produzione reali. In questo modo, l'azienda può assicurarsi dell'affidabilità di un'integrazione trasparente con gli strumenti aziendali esistenti, estendendo i suoi benefici oltre la sola interazione esterna:
- Relazione cliente (B2C): Il chatbot agentico (evoluzione del precedente bot RAG) gestisce l'interazione diretta con l'abbonato, integrando una logica di escalation verso un consulente umano quando la complessità della richiesta supera le capacità dell'agente.
- Helpdesk interno (B2B): Integrato direttamente in Microsoft Teams, il servizio assiste i collaboratori. Il processo è automatizzato: se l'IA non risolve l'incidente tramite la base di conoscenze, genera autonomamente un ticket in ServiceNow per conto dell'utente, snellendo e accelerando la risoluzione dei problemi interni.
So What? L'integrazione nativa con il CRM e ServiceNow fa passare l'IA dallo status di strumento di consultazione a quello di agente di esecuzione. Questa evoluzione ha imposto una rigorosa attenzione durante la migrazione dei servizi, poiché essi devono rimanere attivi 24 ore su 24, 7 giorni su 7, senza interruzioni durante le fasi di aggiornamento dei modelli o dell'infrastruttura.
Controllo delle prestazioni e valutazione continua: la sfida della latenza
La complessità intrinseca all'orchestraziom multi-agente genera meccanicamente un aumento della latenza. L'equilibrio tra la profondità contestuale (intelligenza) e la rapidità di risposta (usabilità) costituisce la principale sfida tecnica per il gruppo Canal+. Per affrontare questo, Canal+ ha strutturato due livelli di valutazione automatizzata:
- Scoring della Knowledge Base: A monte, un sistema valuta la qualità di redazione e la pertinenza delle informazioni sorgente per ottimizzare il pre-trattamento dei dati.
- LLM as a Judge: A valle, un modello valuta le risposte generate tramite dataset realistici e anonimizzati. La gestione si basa su quattro metriche fondamentali: pertinenza, chiarezza, coerenza e latenza.
L'evoluzione numerica illustra lo sforzo di ottimizzazione necessario: da 8 secondi (RAG), la latenza è salita a 30 secondi durante i primi test agentici, prima di essere ridotta a 15 secondi, e poi stabilizzata a 10-11 secondi mediante l'aggiustamento dei prompt, dell'infrastruttura e dei guardrail di sicurezza. Questo costante affinamento è essenziale per mantenere l'efficienza del sistema.
So What? Per Séverine Navarro, la valutazione continua è la leva indispensabile per regolare i parametri tecnici non appena nuovi modelli diventano disponibili. Questo rigore permette di mantenere un servizio performante nonostante l'aumento costante della complessità dei flussi e delle interazioni.