MF3d/Getty Images
Gli agenti di intelligenza artificiale sono in forte espansione e il denaro scorre per crearli. Più della metà delle aziende prevede un budget annuale di 500.000 dollari o più per gli agenti IA il prossimo anno. Il problema è che la maggior parte delle aziende non dispone dell’infrastruttura tecnologica per implementare in modo efficace questi agenti.
Questo è quanto emerge da una nuova indagine condotta su 1.045 CIO e pubblicata da Tray.ai. Il sondaggio rivela che il 42% degli intervistati prevede di creare o prototipare più di 100 agenti IA nel prossimo anno. E il 36% prevede che verranno messi in produzione più di 100 agenti. L’indagine mostra inoltre che una percentuale simile (41%) prevede di affrontare più di 20 problemi aziendali distinti con gli agenti IA.
Gli agenti AI sono assistenti intelligenti in grado di prendere decisioni ed eseguire azioni in modo autonomo. Sono destinati a fungere da collaboratori digitali, assistenti o rappresentanti del servizio clienti, comunicando attraverso l'elaborazione del linguaggio naturale.
Aumentare lo stack tecnologico necessario
Le previsioni per gli agenti di intelligenza artificiale sono importanti. Entro la fine del 2025, una persona su quattro afferma che la maggior parte dei processi aziendali principali della propria azienda saranno eseguiti da agenti IA. Inoltre, il 41% delle aziende ritiene che tra il 26% e il 50% dei propri processi core sarà gestito da agenti AI.
L’indagine mostra inoltre che oltre l’86% dei professionisti afferma che è necessario aggiornare le tecnologie esistenti per prepararsi all’uso degli agenti IA. Le sfide di integrazione possono ostacolare le implementazioni degli agenti AI. Il 42% degli intervistati afferma che la propria organizzazione ha bisogno di accedere a otto o più origini dati per implementare con successo gli agenti IA.
Almeno il 42% dei professionisti ha inoltre affermato di dover effettuare importanti aggiornamenti infrastrutturali, come l’aggiunta di nuovi fornitori al proprio stack tecnologico. Anche l'implementazione di revisioni complete. Il 41% ha affermato di adottare un approccio ibrido allo sviluppo con un mix di soluzioni artigianali e commerciali.
Vai oltre SaaS
“Anche se c'è grande entusiasmo per gli agenti IA, molte aziende non hanno gli elementi essenziali per svilupparli e implementarli in modo sicuro ed efficace”, ha detto a ZDNET Rich Waldron, CEO di Tray.ai.
“Si affidano a molte applicazioni SaaS standardizzate che portano a problemi di frammentazione e integrazione.” Secondo lui sono necessarie una maggiore automazione dei processi e una maggiore attenzione al trattamento dei dati non strutturati.
Soprattutto perché gli agenti IA autonomi richiedono infrastrutture efficaci e pratiche di gestione dei dati, afferma Lan Guan, responsabile AI di Accenture.
La preparazione delle infrastrutture è essenziale
“Le organizzazioni si trovano a diversi stadi di preparazione. Una solida architettura della piattaforma aziendale può garantire un'accessibilità senza soluzione di continuità ai modelli principali, comprese considerazioni sull'infrastruttura tecnica come l'hosting cloud o on-premise, ma anche capacità di rete, misure di sicurezza e la capacità di scalare in modo efficace il sistema man mano che aumenta la domanda di funzionalità basate su agenti AI”.
Taylor Bird, vicepresidente di Excella, afferma che la maggior parte delle aziende non è preparata per agenti IA veramente autonomi. “Mentre le aziende hanno fatto progressi nell’implementazione dei tradizionali sistemi di intelligenza artificiale, l’intelligenza artificiale rappresenta un’ulteriore sfida che richiede nuovi approcci all’infrastruttura, alla governance e allo sviluppo delle competenze”.
La preparazione dell’infrastruttura è essenziale, ha affermato Bird: “Le organizzazioni hanno bisogno di robusti ecosistemi API che consentano agli agenti di intelligenza artificiale di interagire in modo sicuro con i loro sistemi software. Le aziende i cui sistemi sono isolati avranno capacità limitate con agenti autonomi”.
Il successo degli agenti IA dipenderà dai modelli
Anche quadri di sicurezza e controllo deboli ostacoleranno lo sviluppo e l’impiego di agenti di intelligenza artificiale. “Gli agenti offriranno maggiori opportunità di interagire con il software di un'azienda”, ha affermato Bird. “I tradizionali meccanismi di monitoraggio e sicurezza probabilmente coprono solo scenari deterministici. Passare dallo stato attuale a un sistema ad agenti richiede una curva di apprendimento.”
Keith Pijanowski, esperto di AI/ML presso MinIO, ritiene che il successo degli agenti di intelligenza artificiale dipenderà dai modelli. “Se le aziende vogliono creare agenti efficaci, hanno bisogno di modelli efficaci”, ha affermato. “Quindi tutto ciò di cui hanno bisogno per addestrare i modelli e metterli in produzione è necessario per avere successo con gli agenti. Migliori sono i tuoi modelli, migliori saranno i tuoi agenti.”
In definitiva, gli agenti IA saranno fondamentali per applicare l’IA a compiti specifici e ristretti. “Gli agenti IA rappresentano un modo diverso di implementare la logica di controllo”, afferma Pijanowski. “Fino ad ora, la logica di controllo era codificata dagli sviluppatori e non cambiava in fase di esecuzione. Con gli agenti, a un LLM viene prima chiesto di elaborare un piano, quindi di agire in ogni fase di questo piano.”
“Un nuovo modo di implementare la logica di controllo”
Man mano che gli agenti IA diventeranno più diffusi, “i modelli diventeranno più specializzati, il che ne favorirà anche l'adozione”, prevede Pijanowski. “Ci saranno meno modelli versatili e più modelli piccoli addestrati a fare una cosa molto bene”.
Gli agenti IA “rappresentano un nuovo modo di implementare la logica di controllo”, continua. “Invece di essere codificato da un ingegnere in fase di progettazione, un agente determina cosa fare quando si presenta il problema. Questo è allo stesso tempo spaventoso ed emozionante. Spaventoso perché senza verifica interna e senza guardrail, un agente potrebbe creare molti problemi. Tuttavia , questo è un nuovo modo di automatizzare i processi esistenti e ora è possibile risolvere problemi che in passato erano troppo complessi.
Il modo migliore per affrontare le sfide poste dagli agenti IA è attraverso la consapevolezza e la formazione mentre gli agenti IA proliferano. “In termini di come le aziende possono prepararsi, abbiamo implementato con successo casi d'uso con gli agenti attraverso eventi di apprendimento interni come gli hackathon e abbiamo sfruttato le lezioni apprese dalla creazione di altre soluzioni AI/ML”, afferma Bird.
I dati sono il carburante che alimenterà gli agenti IA
I dati sono il carburante che alimenterà gli agenti IA e c’è ancora molto da fare in questo settore. I sistemi di intelligenza artificiale agentica devono essere preparati a “sfruttare modelli multimodali in grado di elaborare vari tipi di dati, compresi dati non strutturati come immagini, testo e video”, afferma Guan. “Un’efficace integrazione dei dati è essenziale per garantire che i dati provenienti da sistemi diversi siano facilmente accessibili agli agenti in tempo reale in modo che possano prendere decisioni e azioni informate.
Guan ha anche affermato che un’altra componente chiave degli agenti IA è la conoscenza aziendale. Ha esortato le organizzazioni ad avere un archivio aziendale centralizzato che “dovrebbe incorporare meccanismi di cura della conoscenza, uno strato semantico per definire le relazioni tra gli elementi dei dati e definizioni standardizzate per garantire la coerenza”.
Acquisendo e organizzando le conoscenze specifiche del business, “gli agenti possono imparare continuamente e migliorare le loro prestazioni nel tempo”, ha affermato Guan. I prerequisiti essenziali includono “controlli API dell’agente, osservabilità e monitoraggio delle prestazioni, feedback e apprendimento continuo, nonché ottimizzazione e formazione dei modelli”.
Verso MLOps
Tuttavia, la crescente adozione di agenti IA – con più modelli addestrati su set di dati specializzati – metterà sotto pressione l’archiviazione dei dati, ha affermato Pijanowski.
“Non solo i modelli stessi devono essere aggiornati e salvati da qualche parte, ma anche i risultati degli esperimenti utilizzati per crearli – un processo noto come operazioni di apprendimento automatico (MLOps). “I modelli utilizzati all'interno degli agenti devono essere strumentati e la telemetria salvata . Tutto ciò rappresenta una quantità di dati molto maggiore rispetto a un'applicazione tradizionale che utilizza un semplice processo decisionale booleano.”
Ciò che è chiaro, conclude Pijanowski, è che la quantità sempre crescente di informazioni archiviate richiede strategie di archiviazione dei dati più estese.
