SAS rafforza la roadmap per un'AI affidabile tra governance, agenti e quantum computing
La roadmap di SAS per un'intelligenza artificiale affidabile e governata
A cinquant'anni dalla fondazione, SAS porta alla tappa milanese di SAS Innovate on Tour una roadmap sull'intelligenza artificiale centrata su governance, gestione dei dati, AI agentica, interoperabilità tra piattaforme e tecnologie quantistiche. L'azienda estende il proprio portafoglio con strumenti destinati a censire modelli e agenti, rendere più controllabili i dati utilizzati dai sistemi AI, collegare ecosistemi eterogenei e portare in produzione applicazioni basate su agenti intelligenti.
Modelli generativi, analytics avanzati, applicazioni SaaS con funzionalità AI e primi agenti autonomi convivono sempre più spesso negli stessi ambienti aziendali. La sfida non riguarda più soltanto la scelta delle tecnologie, ma la capacità di governarle, alimentarle con dati affidabili, integrarle nei processi operativi e mantenerne il controllo nel tempo.
L'evoluzione dell'intelligenza artificiale non è più una questione esclusivamente tecnica: rappresenta una sfida organizzativa, normativa e strategica che richiede una visione complessiva e strutturata. Le organizzazioni che sapranno navigare questa complessità, combinando innovazione tecnologica con governance rigorosa, avranno un vantaggio competitivo significativo nei prossimi anni.
Governare modelli, agenti e casi d'uso AI
La sfida della visibilità e del controllo
La diffusione dell'intelligenza artificiale nelle organizzazioni sta rendendo più difficile mantenere una visione completa dei sistemi effettivamente utilizzati. Modelli sviluppati internamente convivono con servizi generativi di terze parti, applicazioni verticali dotate di funzionalità AI e primi agenti autonomi capaci di accedere a dati e processi operativi. Con il tempo diventa complesso stabilire quali sistemi siano attivi, quali informazioni utilizzino, quali decisioni influenzino e chi ne sia responsabile.
L'AI Act europeo impone inoltre requisiti crescenti in materia di documentazione, monitoraggio, gestione del rischio e supervisione. A questi si aggiunge il fenomeno dello shadow AI, con strumenti adottati autonomamente da funzioni aziendali e dipartimenti senza un coordinamento centrale. Questa situazione genera rischi operativi, normativi e di sicurezza che molte organizzazioni faticano a gestire.
AI Navigator: la soluzione per la governance unificata
Per affrontare questi aspetti SAS introduce AI Navigator, una soluzione Software-as-a-Service progettata per costruire una vista unificata dell'intero patrimonio AI aziendale. La piattaforma censisce modelli, agenti, applicazioni e casi d'uso, associando a ciascun elemento informazioni relative a:
- Processi di business coinvolti
- Responsabili e proprietari
- Policy interne e framework governativi
- Livelli di rischio associati
- Requisiti normativi e di conformità
L'intelligenza artificiale viene così gestita come un portafoglio di iniziative aziendali e non come una semplice raccolta di modelli frammentati e non correlati.
AI Navigator opera anche in ambienti eterogenei e può includere asset sviluppati con tecnologie SAS, piattaforme open source o soluzioni di terze parti. La governance viene così estesa all'intero ecosistema AI presente nell'organizzazione anziché limitarsi agli strumenti appartenenti a un singolo fornitore. Questa approccio multi-vendor è fondamentale nelle organizzazioni moderne, dove le tecnologie AI provengono da fonti diverse e devono funzionare in coordinamento.
La piattaforma mantiene una tracciabilità continua delle iniziative AI, supportando audit, verifica della conformità e gestione del rischio. La capacità di sapere dove l'intelligenza artificiale venga utilizzata, quali dati elabori e quali processi influenzi sta diventando un requisito operativo prima ancora che normativo. Questa visibilità consente inoltre di identificare opportunità di ottimizzazione, ridondanze da eliminare e rischi da mitigare.
Dati AI-ready: fondamenta dell'intelligenza artificiale affidabile
La rilevanza della qualità dei dati
La qualità dei dati continua a rappresentare uno dei principali fattori che determinano l'efficacia dei sistemi di intelligenza artificiale. Dataset incompleti, informazioni distribuite tra sistemi differenti, problemi di qualità e difficoltà nel ricostruire l'origine delle informazioni limitano spesso la possibilità di portare i modelli in produzione o di utilizzarli in contesti regolamentati.
Molti progetti di intelligenza artificiale falliscono non per carenze tecnologiche, ma per l'insufficiente qualità, tracciabilità e affidabilità dei dati utilizzati. Un modello sofisticato alimentato da dati scarsi produce risultati inaffidabili; al contrario, dati di qualità elevata possono massimizzare il valore anche di modelli meno complessi.
SAS Data Management e i dati AI-ready
Per questo motivo SAS ha aggiornato SAS Data Management introducendo funzionalità destinate a rendere i dati più facilmente utilizzabili nei progetti di intelligenza artificiale. Con l'espressione AI-ready data SAS identifica dataset non soltanto disponibili, ma anche:
- Documentati e facilmente comprensibili
- Tracciabili fino alla loro origine
- Governati secondo policy interne e normative
- Affidabili e utilizzabili per addestramento, validazione e utilizzo operativo dei modelli
Controlli di qualità, regole di governance, tracciabilità delle trasformazioni e meccanismi di data lineage vengono integrati direttamente nei workflow di gestione delle informazioni. Le attività necessarie per preparare i dati non vengono più trattate come fasi separate rispetto alla governance, ma diventano parte integrante del processo.
L'aggiornamento introduce inoltre nuove funzionalità assistite dall'intelligenza artificiale che supportano utenti tecnici e professionisti del business nell'esplorazione dei dataset, nell'identificazione delle relazioni tra le informazioni e nella costruzione di pipeline destinate a progetti analytics e applicazioni AI. Queste funzionalità riducono il numero di attività manuali necessarie per preparare dati utilizzabili dai modelli e accelerano il passaggio dalla raccolta delle informazioni all'utilizzo operativo.
Dati sintetici e digital twin
La disponibilità di dati affidabili assume un'importanza ancora maggiore nei progetti basati su agenti autonomi e sistemi generativi, che richiedono informazioni coerenti, aggiornate e verificabili per produrre risultati attendibili.
In questo contesto SAS amplia anche le capacità dedicate ai dati sintetici, una tecnologia utilizzata per generare dataset artificiali che mantengono le caratteristiche statistiche delle informazioni originali senza riprodurne il contenuto reale. L'approccio consente di sviluppare, testare e addestrare modelli evitando l'esposizione diretta di dati sensibili.
Banche, assicurazioni, organizzazioni sanitarie e pubbliche amministrazioni possono utilizzare dataset sintetici per:
- Sperimentare nuovi casi d'uso
- Condividere informazioni tra team differenti
- Accelerare le attività di sviluppo
- Mantenere requisiti di privacy e conformità normativa
Possono inoltre essere utilizzati quando i dati disponibili risultano limitati, sbilanciati o difficilmente accessibili, contribuendo a migliorare le attività di testing e validazione dei modelli. In scenari dove la riservatezza è prioritaria, i dati sintetici rappresentano uno strumento strategico per continuare l'innovazione senza compromettere la protezione dei dati sensibili.
Le stesse tecnologie vengono utilizzate in combinazione con i digital twin, modelli virtuali che replicano il comportamento di processi aziendali, impianti produttivi, reti logistiche e supply chain. La combinazione di simulazione, analytics e dati sintetici consente di valutare scenari alternativi prima di intervenire sui sistemi reali, riducendo costi, tempi e rischi associati alla sperimentazione.
Interoperabilità e agenti: il Model Context Protocol
SAS Viya MCP Server e gli agenti compatibili
Con SAS Viya MCP Server, analytics avanzati, modelli predittivi, motori decisionali e servizi SAS possono essere esposti come strumenti utilizzabili da agenti compatibili con il Model Context Protocol (MCP). Il protocollo definisce un'interfaccia standardizzata che consente agli agenti AI di utilizzare strumenti e servizi sviluppati da fornitori differenti senza richiedere integrazioni dedicate per ogni singola piattaforma.
Agenti sviluppati al di fuori dell'ecosistema SAS possono così richiamare funzionalità della piattaforma per:
- Eseguire analisi complesse
- Ottenere previsioni da modelli specializzati
- Applicare regole decisionali sofisticate
- Accedere a informazioni elaborate dai sistemi SAS
Sicurezza e controllo nell'interoperabilità
Autenticazione, autorizzazioni, auditing e controlli di sicurezza continuano a essere gestiti all'interno dell'ambiente SAS, mentre gli agenti accedono alle funzionalità attraverso l'interfaccia standardizzata fornita dal protocollo. Questo modello consente di mantenere la governance anche in scenari di integrazione multi-vendor.
La disponibilità di un meccanismo comune riduce la necessità di sviluppare connessioni proprietarie per ogni progetto e semplifica l'integrazione tra analytics, strumenti AI e processi decisionali distribuiti su piattaforme differenti. La standardizzazione attraverso protocolli come MCP rappresenta un passo importante verso ecosistemi AI più aperti e interoperabili.
La diffusione di architetture multi-modello e multi-agente sta rendendo sempre più frequente la coesistenza di tecnologie provenienti da fornitori diversi. In questo scenario, protocolli come MCP consentono di combinare modelli, agenti e servizi specializzati mantenendo controllo, sicurezza e tracciabilità delle operazioni.
Agenti governati e affidabili: l'Agentic AI Accelerator
La natura e le sfide degli agenti intelligenti
Gli agenti rappresentano una delle principali direttrici di evoluzione dell'intelligenza artificiale enterprise. A differenza dei modelli generativi tradizionali, possono eseguire attività, utilizzare applicazioni aziendali, interrogare basi dati e partecipare direttamente ai processi operativi. Questa capacità di operare autonomamente introduce nuove responsabilità e rischi che devono essere gestiti con rigore.
Per supportare questo passaggio SAS amplia le capacità di SAS Viya con Agentic AI Accelerator, un framework destinato alla creazione e alla gestione di agenti intelligenti in ambienti governati.
Componenti e capacità del framework
La piattaforma comprende:
- Componenti software specializzati
- Workflow predefiniti e ottimizzati
- Template per casi d'uso comuni
- Pattern architetturali provati
- Strumenti di orchestrazione e coordinamento
Questi elementi consentono di costruire sistemi agentici attraverso approcci no-code, low-code o sviluppo tradizionale. Il framework è stato progettato per ridurre il divario che separa molti progetti sperimentali basati sulla GenAI dalle implementazioni utilizzabili in contesti produttivi.
Governance e tracciabilità negli ambienti agentici
Un agente può infatti accedere a dati, attivare processi, utilizzare strumenti esterni e prendere decisioni che producono effetti concreti sull'operatività aziendale. In questi scenari diventano fondamentali elementi come:
- Tracciabilità completa delle azioni intraprese
- Auditabilità delle decisioni
- Gestione rigorosa delle autorizzazioni
- Supervisione umana e meccanismi di escalation
- Monitoraggio continuo delle performance
La disponibilità di agenti autonomi rende inoltre sempre più importante la qualità del contesto informativo utilizzato dai modelli. Molte delle cosiddette allucinazioni derivano dall'assenza di dati aggiornati o dalla difficoltà di accedere alla conoscenza aziendale nel momento in cui viene generata una risposta.
Retrieval Agent Manager e la Retrieval-Augmented Generation
Per affrontare questo problema SAS introduce Retrieval Agent Manager (RAM), una soluzione no-code basata su tecniche Retrieval-Augmented Generation (RAG) che consente di collegare agenti e copiloti a documentazione, knowledge base, database vettoriali e sorgenti informative aziendali.
Il RAG rappresenta una delle tecniche più efficaci per ridurre le allucinazioni e migliorare l'affidabilità dei modelli generativi, perché fornisce ai modelli accesso a informazioni fattuali verificate nel momento in cui generano risposte. Invece di basarsi esclusivamente sui parametri appresi durante l'addestramento, il modello può recuperare e utilizzare informazioni aggiornate e verificabili da fonti affidabili