Questo articolo è stato letto67volte!
(Adnkronos) – L’evoluzione dell’intelligenza artificiale all’interno delle strutture enterprise ha superato la fase della mera assistenza documentale per ridefinire l’architettura stessa dei processi core aziendali. L’adozione degli AI agent introduce una capacità operativa inedita, legata alla facoltà di orchestrare autonomamente dati, modelli analitici e strumenti già presenti nelle infrastrutture informatiche. Tuttavia, la progressiva autonomia concessa a questi sistemi solleva interrogativi cruciali in merito alla loro affidabilità, tracciabilità e governance. Come evidenziato nell'analisi di Véronique Van Vlasselaer, AI & Data Science Manager EMEA di SAS, l'integrazione degli agenti intelligenti non può prescindere da una logica di vera e propria genitorialità della piattaforma. Questo approccio impone la definizione di perimetri d'azione chiari, la validazione delle fonti informative e l'adozione del modello Human in the Loop, garantendo che la macchina sia in grado di riconoscere il dubbio e demandare le decisioni critiche all'operatore umano nelle aree di incertezza normativa o operativa. Il passaggio da modelli puramente reattivi a meccanismi predittivi e dinamici risulta particolarmente evidente nei settori a elevata pressione regolatoria, come la prevenzione delle frodi finanziarie, la gestione dei rischi bancari e l’ottimizzazione delle risorse nel settore pubblico. In questi contesti, il valore competitivo non è determinato dalla rapidità di adozione della tecnologia, ma dalla capacità di strutturare una supervisione continua per mitigare il rischio di Shadow AI e assicurare la conformità ai requisiti dell'AI Act europeo. Nell'intervista che segue, Angelo Tenconi, Senior Director Customer Advisory di SAS, approfondisce le implicazioni di questa transizione, illustrando ad Adnkronos Tech&Games come la tecnologia possa coniugare elevate prestazioni computazionali, lineage del dato e sviluppo di soluzioni verticali finalizzate a specifici obiettivi di business.
Nel settore dell'antifrode si registra un passaggio evidente da modelli reattivi a modelli dinamici. In che modo sta cambiando la vostra narrazione nel raccontare il valore del fattore Human in the Loop, ovvero il mantenimento del controllo umano, soprattutto nei comparti industriali più tradizionali dove si riscontra maggiore resistenza e dove le dinamiche non sono ancora del tutto chiare?
"Il nostro obiettivo come fornitore di tecnologie e di servizi nel mondo dell'intelligenza artificiale è fornire soluzioni verticali su temi di business specifici. Disponiamo di una tecnologia orizzontale che copre l'intero ciclo, dalla gestione del dato fino allo sviluppo e alla delivery di modelli di intelligenza artificiale, su cui si innestano i moduli verticali. Abbiamo casi d'uso consolidati nel comparto antifrode, nel rischio bancario, nelle life sciences per gli studi clinici, e nel settore pubblico per l'ottimizzazione di tasse, revenue e ammortizzatori sociali.
Il fattore comune di questi scenari è l'esigenza delle aziende di integrare blocchi di intelligenza artificiale all'interno dei propri processi decisionali, dove la decisione si traduce in un'azione concreta, come bloccare una transazione fraudolenta o erogare un beneficio mirato al cittadino. Questo flusso può essere schematizzato come un albero decisionale (decision tree) in cui alcuni passaggi vengono demandati all'intelligenza artificiale, sia essa basata su machine learning tradizionale o su modelli non deterministici come i Large Language Models (LLM).
Quando l'IA entra nei processi core aziendali, l'intero sistema deve essere credibile, controllabile e governato dall'uomo. Sebbene gli agenti avanzino verso una progressiva autonomia, devono essere progettati per riconoscere il dubbio e coinvolgere l'operatore umano nelle aree grigie. Se un comportamento è palesemente fraudolento, l'agente lo blocca; se è chiaramente lecito, lo asseconda. Dinanzi a un comportamento inedito o non precedentemente catalogato, l'agente deve arrestarsi e innescare la richiesta di intervento umano. L'autonomia tecnologica è importante, ma il governo umano sul comportamento degli agenti resta prioritario."
Questo approccio si collega direttamente alla gestione e all'esegesi del dato. Spesso le aziende faticano a comprendere che l'intelligenza artificiale debba essere alimentata con dati certi, controllati e verificati. Il problema dell'affidabilità dell'output parte proprio da questa base. "Il dato viene talvolta lasciato in secondo piano nelle discussioni pubbliche, catturate dalle potenzialità dell'intelligenza artificiale, ma la sua centralità è assoluta. Se analizziamo la curva dei dati a disposizione delle aziende, assistiamo a un'esplosione volumetrica e a una diversificazione senza precedenti, a fronte di una capacità di calcolo ed elaborazione umana che rimane strutturalmente stabile. La forbice tra i dati disponibili e la nostra capacità di sfruttarli si sta allargando, ed è esattamente in questo spazio che l'intelligenza artificiale interviene come amplificatore delle capacità umane, non per sostituire l'operatore, ma per permettergli di valorizzare il patrimonio informativo.
Il nostro nucleo operativo è focalizzato su realtà enterprise molto complesse, come i grandi gruppi bancari internazionali, che possiedono basi dati strutturate ma spesso ancorate a sistemi operativi storici (legacy) o mainframe. Integrare tali informazioni per renderle fruibili all'intelligenza artificiale rappresenta uno dei principali punti di criticità per i CIO (Chief Information Officer). Riuscire a capitalizzare la base dati interna (endogena) ed esterna (esogena), garantendo una qualità adeguata e una governance ferrea, è il prerequisito fondamentale. Questa esigenza si accentua negli ambienti fortemente regolamentati, come quello bancario, dove è obbligatorio effettuare il lineage del dato per ricostruire a ritroso l'origine esatta di un indicatore e comprendere l'intero flusso di calcolo."
Angelo Tenconi, Senior Director Customer Advisory di SAS
Con l'entrata in vigore di normative europee rigorose come l'AI Act, la fiducia e la trasparenza diventano pilastri vincolanti. In che modo la tecnologia SAS riesce a coniugare la necessità di prestazioni computazionali elevate con l'esigenza di garantire modelli etici e conformi ai requisiti regolamentari?
"Noi definiamo questo paradigma Trustworthy AI, ovvero intelligenza artificiale affidabile, e lo approcciamo attraverso due livelli di ingresso. Il primo livello è implicito nella tecnologia SAS: la piattaforma mette a disposizione moduli nativi per analizzare i dati, sviluppare i modelli e strutturare i flussi decisionali. All'interno di queste fasi sono integrate funzionalità che controllano, sia in fase di sviluppo sia in fase di esecuzione, se il modello rispetti le normative e se contenga asimmetrie o bias. Monitoriamo inoltre il deterioramento fisiologico delle performance dei modelli nel tempo, un fenomeno che non riguarda la velocità di calcolo, ma l'accuratezza dei risultati in relazione al mutamento dei dati reali d'ingresso. Questo controllo garantisce decisioni eque (fair) ed esenti da errori reputazionali per l'azienda.
Il secondo livello si colloca esternamente ai flussi di sviluppo ed è rappresentato dalle soluzioni di AI Governance. Questo modulo agisce come un ombrello protettivo sopra tutti i modelli operativi, sia SAS sia non SAS. Consente al team responsabile della conformità di mappare l'intera infrastruttura aziendale per identificare i modelli attivi ed evitare il fenomeno della Shadow AI, ovvero l'utilizzo non censito di strumenti di intelligenza artificiale nei dipartimenti. Attraverso questa supervisione esterna, i responsabili possono catalogare i processi ad alto rischio o a rischio inaccettabile secondo i parametri dell'AI Act, assicurando un monitoraggio costante e centralizzato nel tempo."
Rispetto a pochi anni fa lo scenario è mutato. L'adozione di agenti autonomi richiede anche una profonda attività di formazione interna per consentire al management di strutturare flussi di lavoro efficienti. Come affrontate questo cambiamento culturale?
"È un percorso di apprendimento che ha coinvolto noi stessi internamente. Nella nostra divisione di Ricerca e Sviluppo abbiamo integrato l'intelligenza artificiale per accelerare la compilazione del codice e ottimizzare le fasi di software engineering. Questo scenario ha delineato nuove figure professionali come il Context Engineer, un ingegnere di contesto che possiede le competenze funzionali per istruire la macchina e verificare che gli output siano in linea con le aspettative tecniche. Il programmatore del futuro potrebbe essere meno focalizzato sulla pura scrittura del codice e più sulla capacità di dialogare con i sistemi informatici.
SAS possiede un'esperienza consolidata nello sviluppo analitico e affronta questa transizione portando alle aziende competenze verticali per ogni specifico settore industriale. La tecnologia sottostante può essere trasversale, ma l'applicazione all'interno di una banca, di un'assicurazione, di un ministero o di una utility richiede logiche di business completamente differenti. Nel comparto bancario abbiamo sviluppato verticali per l'efficientamento e l'analisi documentale nella concessione del credito aziendale; nell'antifrode monitoriamo l'evoluzione delle condotte illecite incrociando i dati operativi con i segnali provenienti dagli ecosistemi digitali.
Nel settore pubblico, supportiamo la corretta erogazione dei benefici sociali contrastando l'evasione e l'abuso delle risorse pubbliche. Si tratta di un'esigenza internazionale: pensiamo anche alle iniziative statunitensi legate all'efficientamento della spesa pubblica guidate dal DOGE (Department of Government Efficiency). Nel comparto energy, gestiamo progetti legati alla previsione e all'ottimizzazione del carico di energia elettrica da distribuire sul territorio. Non proponiamo un'intelligenza artificiale generica, ma soluzioni finalizzate a specifici obiettivi di business."
Quali sono i principali freni culturali che riscontrate nei manager rispetto all'interazione con l'autonomia delle macchine?
"Uno studio condotto in collaborazione con IDC per analizzare la percezione aziendale sull'IA evidenzia che le realtà meno mature tendono a confinare la tecnologia alla produttività individuale, come l'utilizzo dei vari Copilot per la sintesi documentale, la traduzione o la creazione di presentazioni. Quando la maturità aziendale aumenta, l'intelligenza artificiale viene inserita nei processi core e decisionali.
In questa fase avanzata emergono esigenze precise. La prima riguarda l'ottimizzazione dei costi delle infrastrutture tecnologiche e delle piattaforme dati. L'adozione massiva del cloud ha accelerato la digitalizzazione, ma comporta il rischio di un'esplosione dei costi operativi se manca una tracciabilità accurata su chi utilizzi le risorse e per quali scopi. La seconda priorità è legata alle competenze organizzative. Le aziende devono riorganizzare le proprie strutture interne per identificare i nuovi ruoli necessari a governare il potenziale dell'intelligenza artificiale, massimizzando il ritorno sull'investimento (ROI) ed evitando utilizzi impropri."
Guardando all'impatto sul mercato del lavoro, alcuni grandi gruppi tecnologici internazionali hanno avviato piani di ridimensionamento del personale giustificandoli con l'adozione massiva dell'IA. Ritiene che l'uso degli agenti intelligenti ridurrà strutturalmente la forza lavoro nelle aziende o assisteremo a una riconversione delle mansioni?
"È un tema complesso che investe la filosofia del lavoro. La necessità di una riconversione radicale delle competenze è evidente: molti processi manuali e ripetitivi verranno delegati stabilmente alle macchine, richiedendo profili professionali differenti all'interno dell'organizzazione. Se nel breve periodo l'automazione può dare l'impressione di contrarre gli organici, nel lungo termine la forza lavoro tenderà a stabilizzarsi ma verrà indirizzata verso attività a maggior valore aggiunto.
Un esempio storico arriva dal settore farmaceutico, dove l'intelligenza artificiale e l'analisi computazionale delle immagini vengono impiegate da anni per accelerare i trial clinici e lo sviluppo dei farmaci. Attività di revisione e analisi che prima richiedevano mesi di lavoro manuale oggi vengono eseguite in tempi ridotti. Questo non ha eliminato i ricercatori, ma ha permesso loro di concentrarsi sulla validazione scientifica dei risultati, portando benefici superiori all'azienda, al consumatore e alla salute pubblica. La forza lavoro rimarrà numericamente simile, ma cambierà l'oggetto della sua attività."
C'è un ultimo aspetto che ritenete strategico evidenziare nel contesto di mercato attuale, in particolare all'interno dello scenario europeo?
"Un tema centrale in Europa è quello della sovranità digitale e della localizzazione dei dati e delle infrastrutture cloud all'interno dei confini continentali, spinto dalle attuali dinamiche geopolitiche. In questo scenario, la scelta strategica di SAS di mantenere un approccio totalmente agnostico rispetto ai fornitori di infrastruttura si sta rivelando un fattore differenziante. La piattaforma SAS Viya non è vincolata a un singolo cloud provider: può essere eseguita indistintamente su Microsoft Azure, Google Cloud, AWS o in modalità on-premises all'interno dei data center di proprietà del cliente. Questa architettura consente alle aziende di avviare le prime fasi di sperimentazione in ambiente cloud per poi migrare i modelli in produzione su macchine locali proprietarie, eliminando il trasferimento all'esterno di dati sensibili.
Un secondo pilastro tecnologico di forte interesse riguarda lo sviluppo dei dati sintetici. Contrariamente allo scenario comune di sovrabbondanza informativa, esistono ambiti verticali caratterizzati da una grave scarsità di dati validi. Nel comparto antifrode, ad esempio, le transazioni illecite rappresentano una frazione infinitesimale rispetto alla totalità dei movimenti finanziari, rendendo complesso l'addestramento ottimale dei modelli predittivi. Lo stesso limite si riscontra frequentemente nelle coorti di pazienti all'interno degli studi clinici. Attraverso l'uso dell'intelligenza artificiale generativa, siamo in grado di creare set di dati sintetici che replicano fedelmente le correlazioni statistiche e i comportamenti dei dati reali su larga scala. Questo permette ai modelli analitici di allenarsi su volumi informativi adeguati e robusti, risolvendo i problemi di scarsità o riservatezza del dato e accelerando l'efficacia delle soluzioni di business."
—tecnologiawebinfo@adnkronos.com (Web Info)
