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 (nella foto tratta da Linkedin). 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 (Uniphore, 2026a; Uniphore, 2026b; Uniphore, 2026c; Uniphore, 2026d).
La tensione di fondo è chiara. Una maggiore possibilità di scelta può migliorare l’economia e la flessibilità dell’IA aziendale, ma aumenta anche la complessità del coordinamento tra modelli, dati proprietari e agenti autonomi. Man mano che l’IA si avvicina all’esecuzione, la capacità di gestire queste relazioni entra a far parte dell’equazione competitiva.
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 (Uniphore, 2026d).
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 (Uniphore, 2026c).
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 (Uniphore, 2026a).
Ma la scelta del modello rappresenta soltanto una parte del problema. Quando gli agenti iniziano ad agire sulla base degli output prodotti da quei modelli, la questione passa dalla selezione dell’intelligenza alla definizione dei confini entro i quali quell’intelligenza può agire.
Dall’assistenza all’esecuzione
La transizione verso l’IA agentica cambia ciò che ci si aspetta dalla tecnologia. Un assistente IA aiuta una persona a svolgere un’attività; un agente può progressivamente eseguire direttamente una parte del workflow. L’Agentic Layer di Uniphore è progettato attorno a questa transizione, offrendo funzionalità per creare e orchestrare agenti IA nei processi aziendali (Uniphore, 2026b).
Sachdev definisce l’impresa agentica come un’organizzazione nella quale gli agenti eseguono parti significative dei workflow aziendali, mentre le persone definiscono gli obiettivi e i limiti, validano i risultati e gestiscono le eccezioni.
Il suo esempio rende concrete le implicazioni organizzative: «Un workflow che in precedenza richiedeva sette persone potrebbe passare a cinque agenti e due persone, con gli esseri umani che rimangono nei punti in cui contano maggiormente giudizio, accountability o validazione.»
La portata di questo cambiamento va oltre il numero di persone coinvolte. Se gli agenti assorbono una parte crescente dell’esecuzione di routine, cambia la posizione delle persone che rimangono nel processo. Il loro lavoro tende a concentrarsi sulle eccezioni, sul giudizio, sulla validazione e sull’accountability.
Emerge così un paradosso organizzativo: un numero inferiore di punti di intervento umano può rendere ciascun intervento umano rimanente più rilevante. L’IA agentica diventa quindi una questione di progettazione organizzativa tanto quanto di automazione, costringendo le imprese a decidere dove debba rimanere l’autorità umana e come attribuire la responsabilità quando sono gli agenti ad agire.
Progettare la fiducia nell’esecuzione autonoma
Per Sachdev, il confine tra azione umana e azione della macchina dovrebbe dipendere dalle conseguenze della decisione: «Il confine dovrebbe essere determinato dal rischio e dalle conseguenze».
Le azioni a basso rischio e reversibili possono diventare progressivamente più autonome, mentre le decisioni che coinvolgono regolamentazione, esposizione finanziaria, dati sensibili o un impatto significativo sui clienti richiedono una soglia più elevata di validazione umana.
L’autonomia diventa così una scelta progettuale graduata. La domanda rilevante non è semplicemente se un agente sia tecnicamente in grado di agire, ma se le potenziali conseguenze giustifichino la possibilità di lasciarlo agire autonomamente.
Sachdev collega questa decisione alla fiducia, sostenendo che i meccanismi già utilizzati per rendere affidabili i processi umani, controllo qualità, supervisione e accountability, devono trovare un equivalente nell’IA autonoma.
«Questo significa eval, guardrail, monitoraggio e una chiara escalation verso le persone quando il sistema esce dai parametri accettabili.»
La governance, in questo senso, diventa una delle condizioni che rendono possibile l’autonomia. Più responsabilità assumono gli agenti, più precisamente le organizzazioni devono definire autorità, escalation e accountability.
Simulazione, feedback e necessità di rimanere ancorati alla realtà
La stessa esigenza di valutazione emerge in un’altra parte dell’argomentazione di Sachdev: la simulazione. Marketing AI di Uniphore offre un esempio concreto attraverso l’utilizzo di digital twin basati sull’IA, pensati per simulare il comportamento dei clienti e supportare le decisioni di marketing prima che le organizzazioni impegnino risorse nell’esecuzione reale (Uniphore, 2026e; Uniphore, 2026f).
Sachdev ritiene che la simulazione diventerà sempre più importante perché permette alle organizzazioni di testare le decisioni prima di impegnare budget reali o influenzare clienti reali, accelerando potenzialmente la velocità con cui apprendono.
Questo vantaggio comporta però un rischio diverso. Un sistema può continuare ad apprendere allontanandosi progressivamente dall’ambiente che dovrebbe rappresentare. «La simulazione deve rimanere ancorata alla realtà. I digital twin dovrebbero apprendere continuamente dal comportamento osservato dei clienti, con solidi meccanismi di valutazione e guardrail capaci di individuare quando il modello inizia ad allontanarsi dai risultati del mondo reale».
L’implicazione più ampia riguarda il feedback. Man mano che i sistemi IA diventano capaci di prevedere, agire, osservare i risultati e adattarsi, le imprese hanno bisogno di meccanismi capaci di identificare quando è il feedback loop stesso a diventare inaffidabile.
La questione strategica non è quindi soltanto se un’organizzazione possa apprendere più rapidamente, ma se riesca a preservare il collegamento tra ciò che i suoi sistemi IA deducono e ciò che sta realmente accadendo.
Quando il vincolo diventa l’organizzazione
Il progresso tecnologico non elimina il lavoro organizzativo necessario per trasformare l’IA in performance aziendale. Sachdev ritiene che questo divario stia diventando sempre più importante.
«La preparazione organizzativa sta già diventando uno dei principali vincoli». Le aziende devono ancora riprogettare i processi, stabilire l’accountability e determinare dove l’AI possa generare valore misurabile. Secondo Sachdev, board ed executive devono comprendere l’economia dell’AI, la protezione dei dati e del contesto proprietario, l’opzionalità dei modelli e le implicazioni di governance derivanti dalla crescente autonomia degli agenti.
Il suo test finale è deliberatamente pragmatico: «Se l’IA non migliora la crescita, la produttività o un altro risultato aziendale misurabile, il semplice fatto di implementare più IA non genererà ROI».
L’osservazione pone un limite all’intera discussione tecnologica. L’architettura può creare flessibilità e gli agenti possono ampliare la portata dell’automazione, ma nessuna delle due cose garantisce la performance aziendale. Le imprese devono ancora determinare dove queste capacità migliorino concretamente un risultato, riprogettare il processo circostante e attribuire la responsabilità del risultato.
Dall’intelligenza all’autorità
Il cambiamento più profondo che emerge dalla conversazione riguarda, in ultima analisi, l’autorità.
I modelli generano intelligenza; gli agenti trasformano sempre più quell’intelligenza in azione. Quando avviene questa transizione, le imprese devono affrontare domande alle quali la sola performance dei modelli non può rispondere: a quali informazioni può accedere un sistema IA, quali azioni può compiere, fino a dove può estendersi la sua autonomia e in quali condizioni deve intervenire il giudizio umano.
Questo estende l’argomentazione sviluppata nella più ampia analisi di HumanX. Se la frontiera competitiva si sta spostando oltre i modelli, la questione strategica non riguarda soltanto l’accesso a un’AI sempre più potente, ma anche l’architettura attraverso cui quell’intelligenza viene collegata al contesto proprietario dell’impresa e trasformata in azione.
La risorsa scarsa potrebbe quindi stare cambiando. L’accesso a un’intelligenza sempre più capace rimane importante, ma il vantaggio competitivo potrebbe dipendere in misura crescente dal contesto proprietario che circonda quell’intelligenza e dalla capacità dell’organizzazione di stabilire dove, come e sotto quale autorità essa possa agire.
Per board e CEO, la questione strategica sta quindi andando oltre la scelta di quali tecnologie IA adottare. Man mano che gli agenti assumono una quota crescente dell’esecuzione aziendale, quali decisioni, conoscenze proprietarie e punti di controllo devono rimanere sotto l’autorità dell’organizzazione e quali sono realmente disposti a delegare a sistemi autonomi?
Riferimenti
Agostini, M. (2026, 28 settembre). HumanX Amsterdam 2026: The race for AI moves beyond models. Startupbusiness. https://www.startupbusiness.it/en/humanx-amsterdam-2026-the-race-for-ai-moves-beyond-models/201508/
Uniphore. (2026a). Uniphore Business AI Cloud: One platform for the agentic enterprise. https://www.uniphore.com/platform/business-ai-cloud/
Uniphore. (2026b). Agentic Layer: Uniphore Business AI Cloud. https://www.uniphore.com/platform/business-ai-cloud/agentic-layer/
Uniphore. (2026c). Model Layer: Uniphore Business AI Cloud. https://www.uniphore.com/platform/business-ai-cloud/model-layer/
Uniphore. (2026d). Knowledge Layer: Uniphore Business AI Cloud. https://www.uniphore.com/platform/business-ai-cloud/knowledge-layer/
Uniphore. (2026e, 17 agosto). Uniphore launches Marketing AI as marketing moves beyond the CDP. https://www.uniphore.com/press-releases/uniphore-launches-marketing-ai-as-marketing-moves-beyond-the-cdp/
Uniphore. (2026f). Marketing AI: Autonomous execution for the modern CMO. https://www.uniphore.com/platform/business-ai-cloud/marketing-ai/
ALL RIGHTS RESERVED ©
#Adessonews seleziona nella rete articoli di particolare interesse.
Se vuoi leggere l’articolo completo clicca sul seguente link
