Oltre gli LLM: Perché l'adozione su larga scala dell'IA aziendale dipende dalla logica degli agenti

In passato, le guide hanno svolto un ruolo cruciale nella vita umana. Le civilizzazioni preistoriche hanno usato sole e luna per navigare. Con il tempo, mappe e bussola hanno consentito viaggi più precisi e organizzati. Oggi, le applicazioni di GPS guidano il nostro percorso verso nuovi orizzonti. Nell'ambiente dell'agentic AI, oggi, gli agenti artificiali possono trasformare intere industrie, ma per farlo richiedono una logica agente intelligente che riduca il costo e gli errori, garantendo al contempo l'attendibilità per gli utenti finali.

Sfide nell'adozione aziendale

Numerose ricerche hanno riportato il fallimento degli esperimenti iniziali di AI, sottolineando l'esigenza di integrare l'AI nei flussi di lavoro aziendali per raggiungere una scalabilità efficace. I flussi di lavoro aziendali possiedono tre caratteristiche principali:

• Dinamici e duraturi
• Possiedono molteplici API, database e servizi
• Può essere regolato da normative e politiche aziendali

A fronte di tali limiti, un modello di grandi lingue, pur avanzato, potrebbe soffrire di problemi di precisione e consumo elevato di token. È quindi essenziale dotare i modelli di una logica agente per guidare con efficacia l'operatività nel processo aziendale.

Che cos'è la logica agente?

La logica degli agenti si basa su primitivi software, come grafi di conoscenza, algoritmi e librerie di analisi programmata. Operando a un certo livello nell'architettura dell'agente, la logica ha lo scopo di orientare intenzionalmente il modello linguistico verso il flusso di lavoro aziendale, riducendo lo spazio del contesto, con miglioramenti nell'efficacia e nell'economia.

Casi di studio IBM

WatsonX Code Assistant per Z

L'IBM WatsonX Code Assistant for Z è stato progettato con un agente App Insights per sostenere l'applicazione compresa, un elemento chiave per i clienti che gestiscono carichi di lavoro mission critici. L'agente utilizza un'analisi statica profonda e pre-indicizza i dati, salvando informazioni in una struttura di database molto complessa. Questo permette di fornire informazioni puntuali, ridurre l'interazione con il modello linguistico (in questo caso, Mistral Medium 250B) e conseguentemente diminuire il consumo di token e migliorare la precisione delle risposte.

Aster

Questa libreria proprietaria di IBM, utilizzata dagli agenti per la generazione di test unitari, integratori, API e per i cambiamenti basati sulle modifiche, si distingue per la capacità di migliorare i punteggi di copertura riga, branch e metodo rispetto a test sviluppati con strumenti opensource o scritti dai programmatori. I test effettuati in ambienti di pre-produzione su applicazioni aziendali Java IBM CIO con il modello Devstral 24B hanno mostrato performance rilevanti con un consumo token significativamente ridotto.

Strategie di gestione IT

La gestione degli incidenti in applicazioni distribuite su infrastrutture richiede una conoscenza approfondita del stack IT. Con l'introduzione di un grafo di conoscenza che include servizi micro, databases e informazioni tecniche del dominio, si ottiene una visione unificata. Confrontando un agente dedicato con l'IBM Instana I3, i test mostrano risultati superiori con un impatto significativo sui tempi rispetto al modello ReAct e utilizzando notevolmente meno token.

Compliance automatica

Espandere i sistemi di controllo automatizzato permette alle aziende di affrontare compiti complessi di compliance. Con agenti specializzati che utilizzano scomposizioni adattive e piano dinamico, i risultati ottenuti superano quelli dei modelli precedenti, trasformando la conformità in un processo continuo e automatizzato.

Esempi e risultati

Sempre più aziende stanno adottando un insieme di agenti per la gestione e il mantenimento del codice e per i problemi di sicurezza. IBM ha annunciato una serie di strumenti, incluso il IBM Concert Platform, in seguito a test interni, che mostra miglioramenti significativi rispetto a agenti di ultima generazione.