IA in Produzione: Governare Dati, Agenti e Costi
L'ottava edizione dell'Innovation Radar di SDG Group fotografa il passaggio dalla sperimentazione all'impiego dell'IA nei processi aziendali. Tra i trend indicati dal report ci sono foundation model per la finanza, nuove architetture dati, knowledge base per gli agenti e sistemi di orchestrazione multi-piattaforma. Ma cresce anche l'attenzione verso costi, sicurezza e ritorno degli investimenti.
Dopo una fase dominata soprattutto dalla sperimentazione con i modelli generativi, l'attenzione delle aziende si sta spostando verso un problema più concreto: come portare l'IA in produzione, collegarla ai dati aziendali e mantenerla sotto controllo.
Dai dati agli agenti: il problema diventa l'architettura
SDG Group individua quattro aree principali su cui agire: modelli di IA specializzati nel settore finanziario, Databricks LTAP, Agentic Knowledge Base e Company Brain. Tecnologie diverse, accomunate dalla necessità di costruire un'infrastruttura più adatta ad applicazioni nelle quali gli agenti non si limitano a generare contenuti, ma accedono ai dati, utilizzano strumenti ed eseguono operazioni.
Nel settore finanziario, per esempio, SDG Group segnala la crescita dei transaction foundation model. A differenza dei modelli linguistici, vengono addestrati su sequenze di transazioni, utilizzo dei prodotti, interazioni con le applicazioni ed eventi finanziari. La stessa rappresentazione può quindi essere utilizzata come base per attività diverse, dal credit scoring al rilevamento delle frodi fino alla previsione del churn. Secondo il report, in questo scenario il vantaggio competitivo deriva soprattutto dalla disponibilità di dati comportamentali proprietari e dalla loro governance, più che dall'architettura del modello.
Le piattaforme dati e le knowledge base evolute
Un altro fronte riguarda le piattaforme dati. Il report cita Databricks LTAP, architettura pensata per far convivere workload operativi e analitici sulla stessa copia dei dati, riducendo replica e spostamenti tra sistemi differenti. L'obiettivo è creare un ambiente nel quale un'applicazione agentica possa non soltanto interrogare le informazioni, ma anche eseguire operazioni mantenendo gli stessi confini transazionale. L'implementazione combina Lakebase, il motore Postgres serverless di Databricks, con il Lakehouse e Unity Catalog.
Cambia anche il modo di costruire le knowledge base utilizzate dagli agenti. Secondo SDG Group, il limite non è necessariamente il sistema di recupero, ma spesso la qualità della documentazione aziendale: versioni duplicate, strutture incoerenti e assenza di una fonte chiaramente autorevole. Il percorso indicato dal report va quindi oltre il semplice chunking del testo: prima il chunking multimodale, capace di preservare tabelle e diagrammi, poi il RAG gerarchico e infine ontologie documentali e knowledge graph. L'uso di formati aperti come l'Open Knowledge Format dovrebbe inoltre ridurre il rischio di dover ricostruire la base informativa a ogni cambio di piattaforma.
Orchestrazione multi-piattaforma e aspetti economici
SDG Group parla anche di Agentic OS e di Enterprise Brain per descrivere ambienti nei quali i sistemi di IA non convergono necessariamente su una sola piattaforma. L'ipotesi è quella di ecosistemi composti da hyperscaler e strumenti specializzati differenti, governati attraverso un livello comune di integrazione, guardrail, memoria e strumenti messi a disposizione degli agenti.
L'Innovation Radar dedica però spazio anche agli aspetti economici. Con il concetto di Agentic ROI, SDG Group propone di valutare gli agenti mettendo in relazione qualità dell'output, tempo umano risparmiato, durata dell'esecuzione e costi di sviluppo e manutenzione. Una differenza rilevante rispetto al software tradizionale è la variabilità: lo stesso compito può richiedere un numero diverso di passaggi e strumenti a ogni esecuzione, rendendo meno prevedibile il costo effettivo.
Token economy e sicurezza
Lo stesso principio viene applicato alla token economy. Il consumo di token viene considerato ormai un parametro di progettazione e di FinOps, soprattutto perché i workload agentici possono generare volumi molto differenti in funzione del percorso di ragionamento seguito. Secondo il report, gestione del contesto, caching e controllo dei loop diventano quindi elementi necessari per evitare che progetti validi in fase pilota diventino economicamente difficili da sostenere una volta portati su scala enterprise.
C'è infine il tema della sicurezza. Quando un agente può generare codice, installare pacchetti o modificare file, SDG Group indica le sandbox come una componente architetturale: ambienti isolati con limiti sulle risorse, controllo della rete e audit delle operazioni eseguite. In questo caso la scelta della sandbox incide direttamente sia sulla superficie di rischio sia sulle informazioni disponibili per compliance e auditing.
"L'intelligenza artificiale è passata alla fase attuativa, ora non rimane che trovare il posto giusto dove applicarla per poter avere il massimo ritorno," afferma Massimiliano Rosatelli, Head of Data & AI di SDG Group Italy. "Con l'Innovation Radar vogliamo fornire alle aziende le chiavi di lettura per adottare queste tecnologie con rigore metodologico, trasformando l'innovazione in un concreto vantaggio competitivo."