C'è una situazione che si verifica spesso nelle implementazioni di IA aziendali. Un team collega un agente di IA a Salesforce. Pone all'agente una domanda sulla pipeline di vendita. L'agente scrive una query, la esegue e non restituisce alcun risultato. O, peggio ancora, restituisce dati errati con grande sicurezza.
Il problema non è il modello. Il problema è che l'agente ha ipotizzato il tuo schema.
Ogni organizzazione Salesforce è diversa dalle altre. Campi personalizzati, oggetti personalizzati e convenzioni di denominazione personalizzate, sviluppati nel corso degli anni da persone che nel frattempo hanno lasciato l'azienda. Il campo "Forecast_Category__c" presente nella tua organizzazione potrebbe non esistere affatto in quella successiva. Un operatore che non conosce il tuo schema specifico finirà per tirare a indovinare, con un conseguente aumento del tasso di errore.
Questo è il problema che il protocollo MCP (Model Context Protocol) si propone di risolvere, ed è importante comprenderlo prima di valutare qualsiasi agente di intelligenza artificiale destinato all'uso aziendale.
Cosa fa effettivamente MCP
MCP è uno standard che consente agli agenti di intelligenza artificiale di accedere in modo strutturato e consultabile al contesto di cui hanno bisogno prima di agire.
In un sistema agentico ben progettato, l'agente non si collega direttamente a Salesforce quando gli viene posta una domanda. Prima esegue una lettura. Recupera lo schema pertinente da una libreria di contesti, verifica quali oggetti e campi siano effettivamente presenti nel proprio ambiente e solo allora formula la query.
Il risultato: le query vengono eseguite correttamente perché sono scritte in base alla struttura effettiva dei dati, non a un'ipotesi generica su come sia strutturato Salesforce.
Quando l'agente si imbatte in qualcosa che non riconosce, lo segnala. Questo è importante tanto quanto le ricerche che danno esito positivo. Un agente che sa ciò che non sa è più utile di uno che colma le lacune con ipotesi formulate con sicurezza.
Un esempio concreto
In occasione di un recente incontro del gruppo utenti SnapLogic, abbiamo presentato una demo dal vivo in cui un responsabile commerciale si preparava per un incontro individuale con un venditore. Le richieste erano formulate in un linguaggio semplice e chiaro: pipeline suddivisa per fase, contratti conclusi con esito positivo nel trimestre, opportunità aperte con chiusura prevista nei prossimi 30 giorni e previsione ponderata per il terzo trimestre.
Prima che venisse eseguita una qualsiasi di quelle query, Jean-Paul ha consultato lo schema di Salesforce relativo a quell'organizzazione. Ha recuperato le definizioni degli oggetti, i nomi dei campi e le categorie di previsione personalizzate. Ci sono voluti pochi secondi.
Ha quindi eseguito quattro query in parallelo, tutte le quali hanno restituito dati accurati al primo tentativo.
Niente tentativi ed errori. Niente nomi di campi inventati. Niente "Non sono riuscito a trovarlo" dopo 90 secondi di attesa.
È stato proprio il contesto a renderlo possibile. In una demo sembra invisibile perché avviene prima che compaia la risposta. Ed è proprio questa invisibilità il punto.
Perché questo è importante ai fini della tua valutazione
Quando si valuta un agente di intelligenza artificiale per uso aziendale, è bene informarsi in modo specifico sulla gestione degli schemi.
Domande che vale la pena porsi:
- L'agente legge il tuo schema effettivo prima di eseguire la query, oppure si basa sui dati di addestramento e su ipotesi?
- Cosa succede quando una query fallisce? L'agente riprova apportando le correzioni necessarie o segnala l'errore?
- Come si fa a mantenere aggiornato il contesto quando lo schema cambia?
Un agente privo di accesso al contesto strutturato funzionerà bene nelle demo basate su strutture di dati pulite e familiari. In ambiente di produzione, invece, dove i dati sono i vostri e i nomi dei campi sono tutt'altro che intuitivi, incontrerà delle difficoltà.
MCP offre agli agenti un modo affidabile per rispondere correttamente a quella prima domanda ogni volta. Jean-Paul è la piattaforma di agenti IA aziendali di SnapLogic. Contattaci oggi stesso per una demo.
