L'IA harness e l'impresa agentica secondo Umesh Sachdev di Uniphore
A HumanX Amsterdam 2026, il dibattito sull’intelligenza artificiale nelle imprese stava andando oltre la domanda ormai consueta su quale fosse il modello più performante. Come analizzato nel mio precedente articolo sull’evento, la discussione si stava progressivamente spostando oltre i modelli stessi, verso l’architettura, i dati, la governance e le capacità organizzative che li circondano. Con la crescente disponibilità dei foundation model, emerge infatti una sfida diversa: come collegarli alla conoscenza proprietaria dell’impresa, scegliere l’intelligenza più adatta ai diversi carichi di lavoro e governare gli agenti IA mentre passano dall’assistere le persone 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 di soluzioni Business AI dell’azienda offre un contesto concreto per comprendere questa evoluzione. La Business AI Cloud di Uniphore integra dati e conoscenza, modelli e capacità agentiche all’interno di un’architettura comune per l’IA aziendale. Uniphore descrive la propria piattaforma come model-agnostic, con funzionalità progettate per collegare la conoscenza aziendale a diversi modelli di AI e orchestrare agenti nei processi dell’impresa.
Quando i modelli diventano disponibili, il contesto diventa il fattore differenziante
Per Sachdev, il passaggio dalla sperimentazione dell’IA alla produzione parte dall’architettura e dal modello operativo, non soltanto dalle capacità del modello.
«La sfida più importante è definire correttamente l’architettura e il modello operativo per la produzione. Le imprese devono rendere i propri dati pronti per l’IA, utilizzare i modelli giusti per ogni carico di lavoro, disporre di una governance solida e avere un percorso chiaro verso risultati di business misurabili.»
Con l’ampliarsi dell’accesso ai foundation model, Sachdev ritiene che i dati proprietari e il contesto aziendale diventeranno fonti di differenziazione sempre più importanti. Nella sua definizione, il contesto comprende il modo in cui un’azienda opera realmente: i suoi workflow, i processi, le decisioni e la conoscenza istituzionale.
L’implicazione competitiva emerge chiaramente in una delle affermazioni più significative della nostra conversazione: «Due aziende possono utilizzare lo stesso modello e ottenere risultati molto diversi a seconda del contesto che riescono ad apportare.»
La distinzione separa l’accesso all’IA dalla capacità di trasformarla in valore specifico per l’impresa. I modelli possono diventare disponibili a un numero crescente di organizzazioni, mentre la conoscenza operativa accumulata è molto più difficile da replicare per i concorrenti. Il contesto proprietario potrebbe quindi diventare una fonte di differenziazione potenzialmente più duratura man mano che si amplia l’accesso ai modelli sottostanti.
Il Knowledge Layer di Uniphore riflette questa enfasi sulla conoscenza specifica dell’impresa, concentrandosi sulla trasformazione dei dati organizzativi in un contesto utilizzabile dalle applicazioni e dagli agenti IA.
Questo modifica anche il ruolo del modello. Anziché organizzare l’intera architettura IA attorno a un unico fornitore o a una sola famiglia di modelli, le imprese possono sempre più selezionare l’intelligenza in funzione delle esigenze dei singoli workload.
L’economia e la complessità dell’opzionalità dei modelli
Workload differenti impongono requisiti differenti. Un frontier model può essere appropriato quando sono importanti l’ampiezza della conoscenza e la capacità di ragionamento generale, mentre un modello più piccolo o specializzato può offrire una migliore economia, una latenza inferiore o un maggiore controllo all’interno di un dominio ben definito.
«L’economia dell’IA aziendale migliora significativamente quando le aziende utilizzano il modello giusto per il workload giusto», afferma Sachdev, indicando compliance, gestione dei sinistri, fatturazione e risorse umane come esempi di ambiti nei quali modelli più piccoli e specializzati possono offrire vantaggi.
Dietro queste singole scelte si trova quello che Sachdev definisce il più ampio principio architetturale dell’opzionalità. Le imprese dovrebbero poter selezionare i modelli in base a capacità, costo, sicurezza, sovranità e latenza, modificando tali scelte con l’evoluzione della tecnologia. Il Model Layer di Uniphore riflette analogamente un approccio model-agnostic, pensato per consentire alle imprese di operare con diversi modelli AI anziché dipendere esclusivamente da uno solo.
L’opzionalità, tuttavia, introduce frammentazione. Sachdev sostiene quindi che il model routing debba operare «all’interno di un framework coerente per sicurezza, valutazione e controllo».
La sfida non riguarda, di conseguenza, quanti modelli un’impresa possa utilizzare, ma se sia in grado di passare dall’uno all’altro senza perdere il contesto e la governance già costruiti attorno al proprio ambiente IA.
L’AI harness: rendere concretamente praticabile l’opzionalità
È qui che diventa rilevante l’AI harness. Nella domanda a Sachdev ho utilizzato il termine per descrivere un più ampio livello di controllo che comprende selezione dei modelli, contesto, accesso ai dati, autorizzazioni, orchestrazione, monitoraggio e accountability. Questa impostazione sviluppa l’argomentazione architetturale introdotta nella mia precedente analisi di HumanX: se il vantaggio competitivo si sposta oltre l’accesso ai singoli modelli, una maggiore rilevanza strategica può trasferirsi verso il sistema circostante che collega l’intelligenza ai dati, ai workflow e ai meccanismi di controllo dell’impresa.
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 utilizzati assume un’importanza strategica».
Sachdev descrive l’harness come uno strumento che consente all’impresa di passare da un modello all’altro, preservare il contesto già costruito, controllare a quali dati può accedere un modello, governare ciò che gli agenti sono autorizzati a fare e valutare se il sistema sta funzionando come previsto. «È questo che rende concretamente praticabile l’opzionalità dei modelli.»
Il punto strategico è la continuità. Il valore della scelta tra diversi modelli aumenta se un’impresa può cambiare l’intelligenza utilizzata per un determinato workload senza dover ricostruire il contesto e i controlli circostanti. In questo senso, l’harness può essere interpretato come una risposta architetturale a uno stack tecnologico nel quale i componenti sottostanti possono cambiare più rapidamente della conoscenza e della governance aziendale che li circondano.
La Business AI Cloud di Uniphore offre un esempio concreto di architettura costruita attorno a diversi di questi livelli interconnessi, combinando dati e conoscenza aziendale, accesso a molteplici modelli e capacità agentiche all’interno di una piattaforma comune.