Il mercato delle piattaforme di sviluppo di agenti di intelligenza artificiale sta evolvendo rapidamente, come evidenziato dal primo “Emerging Market Quadrant for AI Agent Development Platforms” pubblicato da Gartner. Nel rapporto, SnapLogic è stata riconosciuta come “Pace Setter”. I clienti di Gartner possono accedere al rapporto completo.
Cosa significa la distinzione “Quadrante dei mercati emergenti”?
È ormai un dato di fatto che molte persone stiano sperimentando gli agenti di intelligenza artificiale, ma che pochi li stiano implementando in ambiente di produzione. Il rapporto sottolinea esplicitamente questa situazione, citando i dati di un sondaggio di Gartner:
Il 49% degli intervistati ha dichiarato che la propria organizzazione sta sperimentando l'IA agentica, mentre il 25% sta valutando questa tecnologia e il 13% non ha ancora avviato alcuna iniziativa in tal senso. Solo l'8% delle organizzazioni ha l'IA agentica in fase operativa.
Qualcuno potrebbe obiettare che si tratta di un mercato non ancora abbastanza maturo per strumenti specializzati, ma dal nostro punto di vista è vero il contrario, a seconda di come si definisce tale esigenza. Dopotutto, questo EMQ è rivolto alle “piattaforme di sviluppo di agenti di intelligenza artificiale”. Quest’ultima espressione è fondamentale in questo contesto.
Torniamo ancora una volta alla fonte e citiamo le sfide aziendali individuate da Gartner e alle quali i fornitori stanno rispondendo:
- La necessità di automatizzare processi complessi e articolati in più fasi che richiedono capacità di ragionamento e di decisione
- La domanda di sistemi di intelligenza artificiale in grado di integrarsi profondamente con le architetture aziendali esistenti
- La necessità di un'implementazione dell'intelligenza artificiale personalizzabile e controllabile che soddisfi specifici standard di sicurezza, conformità e prestazioni
Proprio la relativa immaturità del mercato è il motivo per cui le piattaforme si stanno affermando come la soluzione ideale. Le sfide delineate da Gartner richiedono già oggi capacità di ragionamento, integrazione e controllo di livello aziendale, ed esigenze che non fanno che crescere man mano che l’adozione del settore matura.
Requisiti minimi per la formazione degli agenti
Il primo requisito è fondamentale per l'intero concetto di sviluppo degli agenti di intelligenza artificiale. Lo scopo principale dei framework multi-agente è quello di coordinare processi complessi attraverso decisioni autonome prese da vari sotto-agenti specializzati, che collaborano tutti insieme per perseguire un unico obiettivo.
Si tratta più che altro di un requisito funzionale imprescindibile: non è nemmeno possibile iniziare a “sperimentare” o “esplorare” se non si è in grado di supportare questo modello di sviluppo. È una novità nel senso che, anche solo un anno fa, non era una pratica molto diffusa, e gli strumenti dedicati stanno effettivamente aiutando un numero maggiore di persone all’interno dell’organizzazione ad adottare queste funzionalità.
In questo caso il vantaggio è concreto. Più bassa è la barriera all’ingresso, più queste funzionalità diventano accessibili a chi è più a contatto con la realtà dei processi aziendali che gli agenti di IA andrebbero a supportare.
Strumenti di facile utilizzo che rendono queste funzionalità accessibili anche al di fuori della ristretta cerchia degli specialisti di intelligenza artificiale. Ciò ne amplia il valore, contribuendo a garantire che il risultato di tale sforzo di sviluppo sia adeguato allo scopo e venga effettivamente adottato dagli utenti finali, anziché rimanere confinato al ruolo di prototipo di una tecnologia senza futuro.
L'intelligenza artificiale muore di "disidratazione da dati"
Il secondo requisito è un argomento familiare per i lettori di questo blog, che sanno bene che«Il vero motivo per cui gli agenti di IA falliscono in produzione non ha nulla a che vedere con il modello». Da tempo sosteniamo che il principale ostacolo tra una demo accattivante o un progetto pilota promettente e l’implementazione su larga scala sia l’accesso ai dati.
Le architetture IT aziendali non sono un terreno vergine. Esistono già numerose applicazioni, sistemi e database che gestiscono le attività quotidiane dell’organizzazione. Proprio come un nuovo dipendente deve ottenere i diritti di accesso a tutti questi sistemi prima di poter iniziare a lavorare correttamente, anche gli agenti di intelligenza artificiale avranno bisogno di accedere ai dati e alle applicazioni fondamentali dell’organizzazione.
Per una demo, è possibile esportare un’istantanea dei dati e lavorare partendo da quella. Per un progetto pilota, è possibile creare autonomamente un codice provvisorio per accedere a uno o due sistemi rappresentativi — ovviamente solo alle istanze di test. Ma per l’implementazione in ambienti di produzione è necessario qualcosa di molto più solido.
Un'azienda media dispone oggi di 305 applicazioni SaaS. Questo dato non tiene conto delle applicazioni on-premise ancora in uso, né include il settore in forte espansione dell'adozione "informale" di applicazioni, siano esse sviluppate internamente o adottate in modo discreto a livello di singoli team o reparti.
Anche supponendo che tu riesca a procurarti le credenziali, non ti conviene metterti a cercare di capire come accedere a tutte quelle risorse — nemmeno con l’aiuto di un copilota di programmazione basato sull’intelligenza artificiale. E questo prima ancora di arrivare al punto successivo.
Dalle integrazioni “spaghetti” all’architettura governata
Quando si riflette sulla necessità di introdurre controlli sugli agenti di intelligenza artificiale, l’attenzione si concentra solitamente sul rischio di allucinazioni (note anche come confabulazioni), ovvero situazioni in cui gli agenti possono fornire una risposta plausibile ma errata. Si tratta ancora di un campo molto giovane, ma stanno cominciando a delinearsi alcune buone pratiche.
Una delle soluzioni più promettenti è la combinazione dell’IA probabilistica con la logica deterministica tradizionale: a volte ciò che serve è un rigido controllo di uguaglianza o un semplice calcolo matematico, ed esistono metodi collaudati per farlo senza la complessità (e i costi!) degli agenti di IA. Un’altra soluzione è, ovviamente, la buona vecchia supervisione umana; l’“uomo al comando” che guida l’IA.
Tuttavia, esiste anche un ulteriore livello di controllo fondamentale che opera a livello architetturale. Ad un certo punto, per ottenere l’approvazione necessaria a implementare i propri agenti in produzione, sarà necessario rispondere ad alcune domande rigorose poste da figure che si occupano di architettura e conformità:
- In che modo il tuo agente accede ai dati?
- Quali misure di controllo avete adottato riguardo ai dati a cui è possibile accedere all'interno di ciascun sistema?
- Come possiamo verificare a quali dati il vostro agente ha avuto accesso in passato?
- Come possiamo verificare quale utente abbia richiesto quali dati tramite l'agente?
- Come possiamo stabilire quale versione del vostro agente fosse in esecuzione in un determinato momento e quali modifiche siano state apportate successivamente?
Non si tratta di domande nuove; sono esattamente il tipo di domande a cui lo sviluppatore di qualsiasi applicazione avrebbe dovuto rispondere negli anni passati.
Il fatto che ci si ponga queste domande riguardo agli agenti di intelligenza artificiale è un segno di maturità, poiché la fase di “sperimentazione” e “esplorazione” volge al termine e questi progetti iniziano a confrontarsi con problematiche concrete. Questo è il livello di controllo che manca ai vostri agenti di intelligenza artificiale.
Trasformare il potenziale in produzione
Il motivo per cui SnapLogic è stata nominata “Pace Setter” in questo settore emergente delle piattaforme di sviluppo di agenti IA è proprio il fatto che offre risposte valide, solide e comprovate a tutte queste domande relative agli agenti IA.
AgentCreator è progettato per consentire lo sviluppo, l'evoluzione e la manutenzione di sistemi multi-agente. L'ambiente di sviluppo grafico low-code/no-code e il copilota SnapGPT rendono queste potenti funzionalità accessibili anche agli utenti che non hanno una formazione formale in programmazione. Grazie a funzionalità come Agent Visualizer, gli sviluppatori possono osservare come gli agenti di intelligenza artificiale comunicano e collaborano tra loro.
Grazie al supporto di MCP, è molto semplice rendere accessibili tutti i sistemi aziendali già collegati tramite gli oltre 1.000 Snap di SnapLogic affinché possano essere utilizzati dagli agenti, il tutto in modo sicuro e conforme alle politiche aziendali. Ad esempio, con la funzione “Trusted Agent Identity”, l’agente eredita le credenziali dell’utente che ha avviato l’operazione, sia per concedere (o negare) l’accesso granulare sia per verificare tale interazione a posteriori.
Infine, un data fabric agenziale implica l’esistenza di un unico punto di connessione e di governance per tutte le interazioni con i sistemi aziendali principali e i dati. Al posto delle cosiddette “integrazioni spaghetti”, che derivano da connessioni punto a punto non gestite, si ha un’architettura chiara e lineare.
Tale astrazione consente inoltre di evitare il vincolo di dipendenza da un unico fornitore che caratterizza gli stack di agenti integrati verticalmente, preservando la libertà di modificare e far evolvere l'architettura al ritmo richiesto dall'evoluzione del settore dell'IA agentica.
Sei pronto a scoprire come funzionano queste funzionalità nella pratica? Esplora la nostra piattaforma con un tour autoguidato del prodotto oppure richiedi una demo personalizzata per discutere con il nostro team delle esigenze specifiche della tua azienda.
