Dal volume alla selezione: la trappola che gli agenti di IA stanno costringendo a risolvere
C'è una convinzione che percorre i corridoi di quasi ogni organizzazione che abbia investito in intelligenza artificiale negli ultimi otto anni. La convinzione che il problema sia sempre una questione di quantità. Più dati. Più token. Più copertura. Più storia archiviata. Come se l'intelligenza fosse proporzionale al volume, e la soluzione a qualsiasi guasto del sistema fosse semplicemente aggiungere di più.
Questa convinzione non è nata dall'ingenuità. È nata dall'era del big data, un'epoca in cui accumulare informazioni era tecnicamente difficile, costoso e quindi prezioso in sé. Chi aveva più dati aveva un vantaggio. Chi riusciva a elaborarli, ancora di più. Il modello era semplice e aveva una logica di mercato chiara.
Ciò che sta accadendo ora nelle organizzazioni che distribuiscono agenti di IA in produzione sta costringendo a una revisione scomoda di quella premessa. Il problema non è più la scarsità di dati. Le aziende di medie dimensioni nei settori maturi hanno accumulato miliardi di token tra CRM, database, documenti, e-mail, ticket di supporto, fili di comunicazione interna e sistemi legacy. Il problema è che gli agenti non sanno cosa fare con quel volume. Non perché siano incapaci di elaborarlo, ma perché nessuno ha insegnato loro a filtrare. E questa incapacità di selezione non è un problema tecnico. È un problema di progettazione organizzativa che le aziende eludono da anni con la scusa che prima avevano bisogno di più dati.
L'illusione che più contesto equivalga a contesto migliore
Esiste una differenza strutturale tra fornire a un modello tutto ciò che è disponibile e dargli accesso al frammento esatto di cui ha bisogno per agire correttamente in questo momento specifico. La prima opzione sembra più sicura perché si sente completa. La seconda richiede di aver preso prima una decisione difficile: sapere cosa conta e cosa no.
Quella decisione è costosa perché obbliga qualcuno all'interno dell'organizzazione a impegnarsi in una gerarchia di rilevanza. E impegnarsi in una gerarchia di rilevanza significa accettare che alcune cose non contano quanto credevamo, che alcuni dati che raccogliamo da anni non cambiano il risultato, che alcune fonti che un'area difende come critiche sono in pratica rumore.
Non ci sono molte organizzazioni disposte ad avere quella conversazione. Non perché non possano. Ma perché ha un costo politico interno che nessuno vuole assumersi. Il risultato è che gli agenti ricevono contesti gonfiati, con informazioni contraddittorie, senza una gerarchia chiara, e producono risposte che sono tecnicamente plausibili ma operativamente inutili. Il guasto viene attribuito al modello. La conversazione che non si è tenuta rimane intatta.
Ciò che sta emergendo come risposta a questo problema ha un nome tecnico: ingegneria del contesto. Non è una pratica di ottimizzazione dei prompt, sebbene in superficie possa sembrarlo. È la disciplina di decidere, con criterio organizzativo, quali informazioni riceve un agente per eseguire un compito concreto. Implica ricerca strutturata per estrarre fatti precisi da sistemi formali, ricerca semantica per recuperare significato da contenuti non strutturati, e indicizzazione inversa per localizzare identificatori esatti in tempo reale. Tre livelli di recupero distinti, ciascuno con una funzione diversa. Nessuno di essi sostituisce gli altri. Insieme, trasformano la conoscenza accumulata in contesto utilizzabile.
Il problema è che implementare tutto ciò correttamente richiede che qualcuno nell'organizzazione abbia prima definito cosa è rilevante per quale tipo di attività. E questo non è un problema di ingegneria. È un problema di governance della conoscenza che la maggior parte delle organizzazioni non ha mai risolto in modo esplicito.
Ciò che i grafi di contesto rivelano sulla maturità organizzativa
La prossima frontiera nell'architettura degli agenti aziendali ha un altro nome: grafi di contesto. La distinzione rispetto ai grafi di conoscenza convenzionali è precisa e vale la pena soffermarsi su di essa.
Un grafo di conoscenza modella ciò che esiste: entità, relazioni, tassonomie, ontologie. Dice all'agente come è strutturato il mondo concettuale dell'organizzazione. È utile, ma insufficiente. Un agente che sa che esiste un processo di approvazione delle eccezioni non sa per questo come quelle eccezioni vengono risolte nella pratica, chi ha reale autorità per approvarle in situazioni ambigue, quale filo di conversazione informale ha generato la decisione oggi codificata come politica, o quale workaround il team operativo usa da due anni perché il processo formale non funziona.
I grafi di contesto catturano quel livello procedurale. Registrano tracce di decisione: chi ha approvato cosa, in quale ordine, utilizzando quali strumenti, con quale risultato. Costruiscono una memoria organizzativa persistente che include non solo lo stato attuale delle cose, ma il percorso che ha portato fin lì.
L'implicazione è significativa per chi guida le organizzazioni, non solo per chi le progetta tecnicamente. Un'organizzazione in grado di costruire grafi di contesto utili è un'organizzazione che è riuscita a rendere visibile il proprio processo decisionale. Che ha nominato i propri flussi reali di approvazione, le proprie eccezioni abituali, i propri schemi di escalation. Che ha avuto la conversazione su come vengono realmente prese le decisioni, non solo su come l'organigramma dice che dovrebbero essere prese.
Molte organizzazioni non possono costruire quel livello perché non lo hanno articolato. Non perché le informazioni non esistano, ma perché esistono distribuite in conversazioni informali, nella memoria di persone specifiche, in pratiche non documentate che nessuno ha avuto interesse a rendere esplicite perché renderle esplicite significherebbe anche renderle verificabili. E qui risiede una tensione che i progetti di IA agentiva stanno portando alla superficie con maggiore chiarezza di qualsiasi consulenza sui processi precedente.
L'agente di IA non può operare con ciò che l'organizzazione si rifiuta di nominare. E il rifiuto di nominare non è sempre tecnico. Spesso è politico. È la protezione di spazi di discrezionalità che certe aree o persone non vogliono vedere formalizzati perché perderebbero con ciò una quota di potere o di autonomia.
Perché il ritmo di adozione predice chi avrà vantaggio, non chi ce l'ha oggi
Gartner prevede che oltre il 50% dei sistemi di agenti di IA in ambienti aziendali utilizzerà grafi di contesto entro il 2028. È una cifra che vale la pena leggere con attenzione, perché non dice che tutte le organizzazioni li useranno bene. Dice che la maggior parte li userà in qualche forma.
La differenza tra usarli in qualche forma e usarli bene dipende da qualcosa che non si risolve con un budget tecnologico. Dipende dal fatto che l'organizzazione sia stata capace di fare il lavoro preliminare di articolare come prende decisioni in modo granulare e onesto. Le organizzazioni che arriveranno al 2028 con grafi di contesto costruiti su processi formali che nessuno segue davvero avranno agenti sofisticati che replicano le disfunzioni con maggiore efficienza. Le organizzazioni che avranno fatto il lavoro scomodo di mappare i propri flussi reali, compresi quelli informali, quelli che nessuno documenta perché sono convenienti proprio in quanto opachi, avranno qualcosa di qualitativamente diverso: una memoria istituzionale capace di apprendere.
Il vantaggio competitivo negli agenti di IA non lo avrà chi ha distribuito più modelli o chi ha più token archiviati. Lo avrà chi ha saputo filtrare prima. Chi ha costruito sistemi capaci di identificare il frammento esatto di contesto che cambia il risultato di una decisione concreta. E questo, in pratica, è una capacità organizzativa prima che tecnologica.
Vale la pena considerare cosa accade nello scenario opposto. Un'organizzazione con centinaia di agenti che operano in parallelo, ciascuno costruendo la propria visione frammentata e incoerente di come funziona l'azienda, genera un tipo di caos che non è immediatamente visibile ma è strutturalmente corrosivo. Gli agenti si contraddicono a vicenda. Le decisioni prese da uno non sono coerenti con quelle prese da un altro. La memoria istituzionale non si accumula, si frammenta. E quando qualcosa va storto, nessuno riesce a tracciare con chiarezza quale contesto ha ricevuto quale agente e perché ha agito come ha agito. La governance collassa esattamente nel momento in cui è più necessaria.
La selezione è la disciplina che le organizzazioni non hanno ancora imparato
C'è qualcosa che l'evoluzione degli ultimi otto anni nell'IA aziendale conferma con notevole coerenza. Il problema non è mai stato la scarsità di dati. È stata la resistenza a decidere cosa conta.
Decidere cosa conta ha un costo. Significa che alcune aree ricevono meno attenzione dal sistema rispetto ad altre. Significa che alcune fonti di dati che rappresentano anni di lavoro accumulato non entrano nel contesto operativo degli agenti. Significa che qualcuno deve impegnarsi in una gerarchia e difenderla di fronte a chi non è d'accordo.
Quella conversazione, nella maggior parte delle organizzazioni che conosco, non è mai avvenuta in modo esplicito nel contesto della strategia di IA. È stata evitata con la promessa implicita che il sistema potesse gestire tutto se gli veniva data sufficiente capacità di calcolo. Ciò che gli agenti di IA stanno mettendo in evidenza ora è che quella promessa non è mai stata praticabile. Non perché il calcolo sia insufficiente, ma perché l'intelligenza che un agente può dispiegare è limitata dalla qualità del contesto che riceve, e la qualità del contesto non è una funzione del volume. È una funzione della chiarezza con cui l'organizzazione è stata capace di articolare ciò che sa e come lo usa.
Le organizzazioni che riusciranno a costruire quella chiarezza non lo faranno perché hanno trovato la piattaforma tecnologica giusta. Lo faranno perché qualcuno in posizione di leadership ha avuto la volontà di forzare la conversazione che gli altri evitavano, di nominare ciò che il sistema preferiva lasciare senza nome, di impegnarsi in una gerarchia di rilevanza che ha un costo politico reale e visibile. Questa è la capacità che non si acquista con un budget infrastrutturale. Ed è, per ora, la più scarsa.
