Andreea Pleşea, PhD, COO e Co‑Fondatrice di Druid AI – Serie di Interviste

Andreea Pleşea, PhD, COO e Co‑Fondatrice di Druid AI, è una dirigente tecnologica e imprenditrice con quasi due decenni di esperienza che spaziano dall’ingegneria del software, alla tecnologia enterprise, all’intelligenza artificiale, alle operazioni e al customer success. Da quando ha co‑fondato Druid AI, ha ricoperto diversi ruoli di senior leadership all’interno dell’organizzazione, tra cui Chief Operating Officer, Chief Revenue Officer e Chief Customer Success Officer, acquisendo esperienza sia sul lato tecnico sia su quello commerciale della scalabilità di una società di software enterprise. Prima di Druid AI, Pleşea ha trascorso quasi un decennio in TotalSoft, passando da programmatrice .NET a Software Development Manager e infine a Charisma Business Applications Director, dove sovrintendeva allo sviluppo del prodotto, all’implementazione, al supporto tecnico, all’architettura delle soluzioni e alle responsabilità di P&L. Il suo background accademico comprende anche la ricerca sull’AI presso l’Università di Roma Tor Vergata, dove ha collaborato con il gruppo di ricerca sull’Intelligenza Artificiale dell’università su tecnologie per l’estrazione e la strutturazione di informazioni da dati non strutturati. È inoltre membro del Board of Advisors di Women in Tech Romania.

Druid AI è una azienda di AI per l’impresa focalizzata sulla creazione e orchestrazione di agenti AI capaci di automatizzare processi aziendali complessi all’interno delle organizzazioni. La sua piattaforma combina comprensione del linguaggio naturale, AI generativa, retrieval‑augmented generation (RAG), integrazioni enterprise, automazione dei flussi di lavoro, analytics e governance, con Druid Conductor che coordina più agenti specializzati e sistemi per raggiungere risultati di business. Le organizzazioni possono collegare gli agenti di Druid a sistemi quali enterprise resource planning (ERP), customer relationship management (CRM), IT service management (ITSM) e piattaforme per le risorse umane, distribuendo la tecnologia in ambienti cloud, ibridi, on‑premise o air‑gapped. L’azienda afferma che la sua tecnologia è utilizzata da oltre 300 clienti enterprise e supportata da più di 200 partner globali, con applicazioni che spaziano dal supporto ai dipendenti, al servizio clienti, alla sanità, all’istruzione superiore e ai servizi condivisi.

Hai co‑fondato Druid AI a Bucarest nel 2018 dopo aver trascorso quasi un decennio in TotalSoft, dove sei passata dallo sviluppo .NET a ruoli senior di tecnologia e leadership aziendale. Cosa ti ha convinto all’epoca che l’AI conversazionale potesse diventare uno strato fondamentale della tecnologia enterprise, e come è evoluta quella visione originale con il passaggio di Druid verso l’AI agentica? 

La convergenza di due percorsi distinti – rigore accademico e le difficoltà operative delle imprese – ha plasmato il mio modo di pensare durante il dottorato. Tuttavia, è stato solo quando Liviu Dragan, un leader estremamente visionario, ha proposto l’idea di fondare Druid AI che ho capito come la ricerca che avevo svolto potesse finalmente essere applicata nella vita reale.

Tra il 2008 e il 2011, la mia ricerca di dottorato si è concentrata su agenti AI autonomi che comunicavano tramite tecnologie semantic web e ontologie, esplorando come i sistemi intelligenti potessero sostituire o sovrapporsi al software enterprise tradizionale. Poco dopo, lavorare nella leadership della tecnologia enterprise mi ha mostrato una realtà cruda: chiedevamo ai dipendenti di gestire una complessità insostenibile.

Completare un singolo compito di routine significava sapere quale applicazione aprire, dove fossero i dati, quale politica fosse applicabile e chi fosse responsabile del passo successivo. Nel frattempo, al di fuori dell’ufficio, la messaggistica stava diventando l’interfaccia dominante per l’interazione umana.

Quando abbiamo fondato Druid AI nel 2018, la nostra visione era semplice ma ambiziosa: fornire a ogni dipendente e cliente un assistente virtuale in grado di orchestrare il lavoro in tutta l’impresa.

Quasi un decennio dopo, quella visione centrale non è cambiata – la tecnologia ha semplicemente raggiunto il suo livello. L’AI conversazionale riguardava principalmente il riconoscimento delle intenzioni, il recupero delle informazioni e l’attivazione di script statici. L’AI agentica sposta il confine della delega. Gli agenti moderni valutano gli obiettivi, collaborano con sotto‑agenti specializzati, navigano sistemi disparati ed eseguono autonomamente flussi di lavoro complessi e multi‑step.

Per noi, l’attuale rivoluzione agentica non è una svolta strategica lontano dall’AI conversazionale. È la realizzazione naturale della nostra tesi fondante: la tecnologia enterprise deve diventare più semplice per gli esseri umani, aiutandoli a svolgere il lavoro, anche se l’orchestrazione dietro le quinte diventa infinitamente più sofisticata.

Gran parte dell’industria dell’AI si è concentrata sulla costruzione di modelli di base sempre più potenti, mentre Druid AI si è focalizzata sul collegamento di diversi modelli a dati, sistemi e flussi di lavoro enterprise. Man mano che i modelli diventano sempre più intercambiabili, credi che l’orchestrazione diventerà un vantaggio competitivo più importante del modello sottostante?

In Druid AI, la nostra missione fondamentale è semplice: estrarre l’eccezionale da ogni interazione umana realizzando il lavoro in modo efficiente. Ma con la maturazione del mercato, la chiave per offrire quel valore sta spostandosi dal livello tecnologico di base.

Stiamo assistendo a un modello classico nella tecnologia enterprise: capacità che un tempo erano differenziatori iniziali si stanno rapidamente commodificando. Oggi, i modelli di base sono accessibili a tutti gli attori. Le imprese inevitabilmente distribuiranno una matrice ibrida di modelli scelti per specifiche esigenze di performance, costo, sicurezza o normative. Man mano che l’intelligenza diventa una commodity, il campo di battaglia strategico si sposta verso livelli più alti dello stack.

Oggi, i problemi più difficili nell’AI enterprise riguardano il contesto di esecuzione: governance e accesso (quali dati può toccare l’AI e sotto quali politiche), instradamento agentico (quale agente specializzato dovrebbe gestire un determinato compito), integrazione dei sistemi (come più sistemi transazionali possono coordinarsi in modo sicuro), autonomia vs. controllo (quando un agente può agire in modo indipendente e quando è necessaria l’approvazione umana), auditabilità (se un flusso di lavoro fallisce, è possibile ricostruire passo passo la catena decisionale).

Questo è il motivo per cui l’orchestrazione è diventata la leva strategica definitiva. I modelli generano intelligenza, ma le imprese hanno bisogno di un’esecuzione affidabile.

Druid AI è costruita per fungere da strato definitivo di controllo e orchestrazione. Collega in modo sicuro diversi modelli a dati, flussi di lavoro e persone enterprise. Fondamentale è che fornisce un quadro di riferimento per misurare l’efficacia dell’esecuzione, valutando i veri risultati di business.

Nel lungo periodo, la domanda vincente non sarà, “Quale modello stai usando?” Sarà, “Quanto efficacemente riesci a trasformare l’intelligenza grezza in lavoro completato per i tuoi dipendenti e clienti?”

Druid Conductor può coordinare più agenti specializzati nella ricerca di conoscenza, nella logica decisionale e nelle azioni di sistema. Cosa diventa tecnicamente difficile quando un’impresa passa da un unico assistente AI che risponde a domande a più agenti che possono eseguire autonomamente processi aziendali multi‑step?

Il passaggio da interfacce conversazionali semplici a architetture multi‑agente cambia fondamentalmente la sfida ingegneristica. Si smette di gestire una conversazione lineare e si inizia a gestire un sistema distribuito di decisione ed esecuzione.

Con un unico assistente Q&A, gli ostacoli principali sono il riconoscimento delle intenzioni, il recupero delle informazioni e la generazione di risposte con un alto livello di precisione. Gli ecosistemi multi‑agente introducono una classe completamente diversa di sistemi distribuiti e di domande:

1. Quale agente detiene l’autorità di agire e come si può evitare il drift di dominio?
2. Come viene mantenuto lo stato quando la responsabilità viene trasferita tra gli agenti?
3. Come vengono riconciliate decisioni contraddittorie tra agenti specializzati?
4. Come i sotto‑agenti ereditano i permessi di accesso in modo dinamico e sicuro?

Queste sfide si aggravano quando vengono applicate all’infrastruttura enterprise reale. Un singolo flusso di lavoro può coinvolgere un CRM, un ERP, una piattaforma di gestione delle identità, un sistema di ticketing e database legacy. Ognuno opera con logiche di business e modalità di errore distinte, ma alla fine l’agente conduttore deve svolgere il lavoro correttamente.

Se il quarto passo di un processo a sei fasi fallisce dopo che tre sistemi hanno già eseguito modifiche transazionali, una pipeline agentica di base si interrompe. Lo strato di orchestrazione non può semplicemente lanciare un errore generico. Deve gestire lo stato, eseguire rollback se necessario, determinare se esiste un instradamento alternativo o scalare elegantemente a un intervento umano nel ciclo.

La vera orchestrazione enterprise è gestione dello stato, coerenza transazionale, osservabilità, applicazione delle policy e autonomia a prova di errore. Lo scopo di questa complessità sottostante è la semplicità: fornire un’interazione unica e senza attriti in cui i compiti complessi su più sistemi vengano semplicemente eseguiti.

Druid AI ha ora gestito più di un miliardo di conversazioni attraverso migliaia di agenti distribuiti. A questa scala, cosa hai imparato sull’AI enterprise che sarebbe stato impossibile apprendere da piloti o dimostrazioni controllate?

La produzione ti insegna l’umiltà rapidamente.

Un pilota è normalmente un ambiente relativamente controllato. Il caso d’uso è definito, i dati sono ragionevolmente puliti, gli utenti sono noti e di solito c’è un team di progetto che osserva da vicino.

La produzione non si comporta affatto così. Le persone pongono la stessa domanda in venti modi diversi. Cambiano idea a metà conversazione. Forniscono informazioni incomplete. Passano da una lingua all’altra o cambiano argomento. Interagiscono in momenti inaspettati. Le policy cambiano. Le API falliscono. I sistemi di back‑end rallentano. Emergono nuovi casi limite che nessuno aveva previsto nel design originale. Una cosa è certa: le aspettative degli utenti sono di completare il lavoro in modo efficace, senza interruzioni e in modo naturale. Che sia via testo, ma soprattutto via voce, la conversazione dovrebbe fluire naturalmente, senza latenza; dovrebbe suonare in una certa misura empatica e svolgere il compito suggerendo le migliori opzioni e i prossimi passi, oppure gestire le eccezioni e i loop in modo umano quando necessario.

Una parte dell’automazione di maggior valore proviene dal fare cose relativamente ordinarie in modo eccezionalmente efficace e farlo centinaia di migliaia di volte: rispondere a una domanda di un dipendente, controllare un conto, riprogrammare un appuntamento, risolvere una richiesta IT o recuperare le informazioni corrette da un sistema enterprise. Questo ha cambiato il nostro modo di pensare al valore dell’AI.

La seconda lezione è che il go‑live è solo l’inizio di un ciclo di apprendimento. È necessario osservare cosa chiedono gli utenti, quali intenzioni crescono, dove le conversazioni falliscono, dove le persone escalano e, talvolta, dove il processo di business sottostante stesso deve cambiare.

E forse la lezione più importante è che la fiducia è operativa, poiché le imprese si fidano dell’AI perché, nel tempo, si comporta in modo prevedibile, le eccezioni vengono gestite correttamente, le decisioni sono visibili e l’organizzazione rimane sotto controllo.

I dati di produzione di Druid indicano che un numero relativamente piccolo di flussi di lavoro può spiegare gran parte dell’effettivo utilizzo dell’AI enterprise. Questo suggerisce che le aziende dovrebbero inizialmente concentrare gli investimenti in AI su una manciata di flussi di lavoro ad alto volume anziché tentare una trasformazione ampia a livello enterprise?

Uno dei pattern più evidenti nei nostri dati di produzione è che la domanda tende a concentrarsi. Nei servizi finanziari, ad esempio, tre categorie di flussi di lavoro rappresentano circa il 90 % dell’utilizzo in produzione. Nell’istruzione superiore la concentrazione è ancora più alta. Questo ci dice qualcosa di importante su come le aziende dovrebbero pensare alla trasformazione AI. Abbiamo analizzato questi insight e prodotto report di benchmark per l’istruzione superiore, la sanità e il banking, che consentono ai nostri partner e clienti di identificare i processi che genererebbero efficienza e di prevedere come gli esseri umani interagiranno con gli agenti.

Esiste la tentazione, soprattutto a livello di consiglio, di partire con una richiesta molto ampia: “DEVI usare l’AI o resteremo indietro.” Il team operativo deve quindi faticare a identificare i compiti giusti che gli agenti potrebbero svolgere, temendo al contempo di perdere il proprio lavoro. Quindi, qual è il giusto equilibrio e come possono assumere l’agente AI adeguato per svolgere il compito INSIEME a loro, massimizzando i KPI attesi dal consiglio?

Iniziate dove c’è potenziale di aumentare i ricavi e/o ridurre i costi, cose che le persone eseguono ripetutamente. Se migliaia di clienti, dipendenti, studenti o pazienti cercano costantemente di raggiungere lo stesso risultato, avete una baseline misurabile e una forte opportunità di dimostrare valore.

Ma c’è una distinzione importante: iniziare in modo ristretto, progettare in modo ampio.

I primi casi d’uso possono essere concentrati. La piattaforma sottostante dovrebbe essere in grado di espandersi in tutta l’impresa. Dimostrate l’economicità, il modello di governance, le integrazioni e i meccanismi di escalation umana su una manciata di flussi di lavoro significativi. Poi vi espandete verso processi adiacenti sfruttando quanto appreso.

Il volume non dovrebbe essere l’unico criterio. Un flusso di lavoro a bassa frequenza può comunque essere estremamente prezioso se ogni risoluzione di successo comporta un impatto finanziario o operativo significativo.

Man mano che le imprese si concentrano sempre più sulla risoluzione efficace piuttosto che semplicemente massimizzare la percentuale di interazioni gestite senza umani, come dovrebbero le organizzazioni determinare quali decisioni un agente AI può prendere autonomamente e dove l’escalation umana dovrebbe rimanere obbligatoria?

Druid AI ha costruito un framework di valutazione che copre 26 criteri e garantisce una valutazione oggettiva dell’orchestrazione agentica, dal modo in cui è stata costruita fino a come svolge il lavoro.

Se un’azione è reversibile, a rischio relativamente basso, regolata da regole chiare e supportata da informazioni affidabili, allora esiste una forte motivazione per l’autonomia. Riprogrammarе un appuntamento con parametri predefiniti è molto diverso dal prendere una decisione clinica e può sembrare semplice. Tuttavia, devono essere considerati molti elementi per farlo in modo efficace: ad esempio, se il dottor B ha una fascia oraria libera ma desidera bloccarla, l’agente AI non dovrebbe riprogrammare l’appuntamento di un paziente in quella fascia solo perché il compito è massimizzare la copertura del calendario del medico.

Ci sono diverse dimensioni che considererei: le conseguenze finanziarie o umane di un errore, se l’azione è reversibile, la completezza e la qualità delle informazioni disponibili, i requisiti normativi e se è necessario un giudizio o empatia umana genuini. Poi si progetta l’escalation in modo intenzionale.

Qui penso che le prime riflessioni sull’automazione AI fossero troppo semplicistiche. L’obiettivo era “contenere quante più interazioni possibile senza coinvolgere un umano”. Ma in molti processi, l’escalation è proprio il risultato corretto.

Ecco perché preferisco pensare in termini di risoluzione governata piuttosto che di puro contenimento.

L’obiettivo è che l’AI risolva autonomamente il lavoro che deve risolvere, riconosca le situazioni in cui non deve agire e coinvolga una persona nel processo con il contesto rilevante già assemblato.

Una volta che gli agenti AI possono recuperare informazioni sensibili, aggiornare sistemi enterprise e avviare azioni nel mondo reale, l’osservabilità e la governance diventano molto più rilevanti. Cosa dovrebbero poter auditare le aziende sul ragionamento, l’accesso ai dati e le azioni di un agente prima di fidarsi di lui per flussi di lavoro mission‑critical?

Seguendo le linee guida di Gartner, DRUID dispone di un framework di valutazione integrato che analizza gli agenti da 5 prospettive: tolleranza all’errore, rischio, conformità, osservabilità e deviazione. In queste categorie, contiamo un totale di 26 componenti. Ognuno ha una definizione, un artefatto consultabile e una misurazione.

Durante la valutazione di un agente, la piattaforma dovrebbe essere in grado di ricostruire l’intera catena dalla richiesta originale dell’utente all’azione finale del sistema. Ciò significa sapere quale agente ha gestito la richiesta, quale modello è stato usato, quale contesto ha ricevuto il modello, quali informazioni enterprise sono state recuperate, quali regole o policy aziendali sono state applicate, perché è stata scelta una determinata rotta o azione e cosa è cambiato nei sistemi sottostanti. Decine di interazioni auditabili sono tracciate, analizzate e misurate.

L’identità è altrettanto importante. Un agente AI non dovrebbe mai diventare una scorciatoia intorno al controllo degli accessi enterprise. È necessario sapere chi ha avviato la richiesta, a cosa quella persona era autorizzata a vedere o fare, e se l’agente è rimasto esattamente entro quei confini.

Con le architetture multi‑agente, la tracciabilità diventa ancora più importante. Quale agente ha delegato a un altro agente? Quali informazioni hanno attraversato quel confine? Da dove è originata la decisione? Quale componente ha effettivamente eseguito l’azione? E poi c’è l’evidenza operativa: timestamp, segnali di confidenza, risultati di esecuzione, eccezioni, eventi di escalation e la capacità di comprendere o riprodurre quanto accaduto.

Questa è una delle più grandi trasformazioni nel passaggio dall’AI conversazionale a quella agentica.

Quando l’AI risponde solo a una domanda, l’osservabilità è utile. Quando l’AI può modificare un record cliente, attivare un pagamento, aggiornare più sistemi di registro o avviare un processo di business, l’osservabilità diventa parte dell’architettura di controllo.

Hai ricoperto una gamma insolitamente ampia di ruoli in Druid AI, spaziando dallo sviluppo, alle operazioni, al revenue e al customer success. In che modo il lavoro diretto con i clienti ha plasmato la tua visione sul perché alcuni deployment di AI enterprise generano valore misurabile mentre altri rimangono bloccati in modalità pilota?

Ho iniziato la mia carriera come sviluppatrice e, come molti ingegneri, avevo inizialmente l’instinto che se la tecnologia fosse stata sufficientemente buona, il suo valore sarebbe stato evidente. I clienti ti insegnano molto rapidamente che non è così che funziona la tecnologia enterprise.

Un deployment tecnicamente sofisticato può comunque generare pochissimo valore se il problema di business non è sufficientemente importante, se il responsabile del processo è assente, se l’integrazione è trattata come un ripensamento o se nessuno ha concordato cosa significhi il successo. I clienti sono estremamente bravi a eliminare la narrazione tecnologica. Non gli importa quanto qualcosa sia architettonicamente elegante se il processo di cui sono responsabili non è migliorato.

Quando parliamo di implementazioni su questa scala, c’è un proprietario di business con un problema reale da risolvere. C’è un volume misurabile, costi/ricavi o attriti. L’AI è collegata ai sistemi dove il lavoro avviene realmente. E c’è un piano di adozione e miglioramento continuo dopo il go‑live. I piloti spesso rimangono tali perché dimostrano che la tecnologia funziona senza dimostrare che il modello operativo funziona. Ecco perché, ogni volta che si progetta un progetto AI, formiamo il nostro staff e i partner a comprendere prima il lavoro, non i click che gli utenti effettuano nei sistemi. Il “lavoro” significa l’intero processo, come gestiscono le eccezioni, qual è il risultato, con quale frequenza compaiono le eccezioni, cosa impedisce di aumentare la produttività, quanto tempo richiede e quale sforzo è necessario per ottenere un incremento di produttività se il lavoro non fosse automatizzato.

La mia carriera è passata attraverso tecnologia, operazioni, vendite, customer success e costruzione dell’azienda, e ora vedo quella ampiezza come uno dei miei maggiori vantaggi. La tecnologia ti insegna come funziona qualcosa. Le vendite ti insegnano perché qualcuno pagherà per essa. Il customer success ti mostra se funziona nel mondo reale. Le operazioni ti dimostrano se l’organizzazione può fornire il prodotto in modo ripetuto e su larga scala.

In molti modi, l’evoluzione di Druid AI ha seguito lo stesso percorso: dimostrare che l’AI conversazionale potesse funzionare, dimostrare che potesse creare valore, costruire l’infrastruttura necessaria per rendere gli agenti intelligenti affidabili su scala enterprise.

Hai anche partecipato a Women in Tech Romania mentre costruivi Druid in una società AI internazionale. Dove vedi ancora le maggiori barriere per le donne che fondano e guidano aziende AI, e cosa potrebbe aumentare in modo significativo la loro rappresentanza a livello esecutivo e di fondatore? 

I dati recenti evidenziano un divario marcato nella tecnologia europea: solo il 5 % delle startup AI è stato fondato o co‑fondato da donne, e solo la metà di queste fondatrici possiede un PhD. Sebbene le statistiche siano nette, affrontare questa disparità richiede di guardare oltre le narrazioni tradizionali sulla discriminazione di genere.

Alla base, l’imprenditorialità è una ricerca individuale plasmata da personalità, tolleranza al rischio, priorità personali e scelte di carriera. Piuttosto che vederla solo come una barriera sociale, dobbiamo esaminare il percorso pratico attraverso il quale si forgiano i fondatori.

Sebbene le ragazze siano statisticamente meno attratte dalle discipline tecniche fin dall’inizio, una barriera molto più significativa e meno discussa emerge più tardi nelle carriere aziendali: l’esposizione alla piena proprietà del business.

Le donne eccellono spesso come specialisthe tecniche di livello mondiale e leader funzionali. Tuttavia, meno di loro passano a ruoli con responsabilità dirette di fatturato, gestione del P&L, decisioni commerciali e strategia aziendale globale. Questi sono i muscoli operativi esatti necessari per fondare e far crescere una società di tecnologia enterprise.

Il mio percorso personale dallo sviluppo software al ruolo di CEO non è stato lineare, ma una serie di transizioni attraverso leadership, operazioni, esecuzione commerciale e, infine, costruzione dell’azienda. In ambienti come il sistema educativo rumeno, dove l’educazione finanziaria pratica e la formazione imprenditoriale mancavano a tutti, indipendentemente dal genere, imparare a gestire il rischio aziendale è stato un processo graduale di esposizione.

Superare questo divario richiede anche smontare un mito comune: l’idea che la leadership tecnologica richieda una padronanza assoluta prima di avanzare. Nell’era dell’AI in rapida evoluzione, nessuno possiede tutte le risposte. Le caratteristiche distintive della leadership oggi sono curiosità, apprendimento continuo e la fiducia nel affrontare problemi complessi prima che il risultato sia garantito.

Per vedere più donne alla guida di aziende tecnologiche, dobbiamo ampliare l’accesso a reti commerciali, promuovere modelli di ruolo visibili e incoraggiare attivamente i talenti esperti a uscire dai silos funzionali, assumere la responsabilità del P&L e abbracciare i rischi della proprietà aziendale.

Guardando al futuro, cosa pensi distinguerà le piattaforme AI enterprise che si radicheranno profondamente nelle operazioni di business da molti prodotti AI che alla fine faticano a superare la fase di sperimentazione?

La linea di demarcazione sarà se riescono a passare dall’intelligenza all’esecuzione affidabile.

Generare una risposta impressionante sta già diventando relativamente facile. Operare in modo affidabile all’interno di una grande impresa è un’altra storia.

Le piattaforme che si radicheranno nelle operazioni di business dovranno collegarsi in modo sicuro ai sistemi esistenti, invece di chiedere alle aziende di sostituire tutto ciò che già usano. Dovranno funzionare su diversi modelli e tecnologie.

Avranno bisogno di un’orchestrazione capace di coordinare agenti, flussi di lavoro e decisioni umane. Inoltre, avranno bisogno di identità, governance, osservabilità e controllo integrati nell’architettura fin dall’inizio, piuttosto che aggiunti successivamente.

Ma c’è un altro requisito che penso separerà sempre più gli esperimenti dall’infrastruttura: affidabilità in condizioni imperfette. Una dimostrazione mostra cosa può fare un sistema AI quando tutto funziona, ma un’impresa vuole sapere cosa succede quando qualcosa non funziona.

Cosa succede quando i dati sono incompleti? Quando un’API fallisce? Quando due policy sono in conflitto? Quando la fiducia è bassa? Quando un utente richiede qualcosa per cui non è autorizzato?

Se un agente funziona brillantemente il 90 % delle volte ma si comporta in modo imprevedibile nel restante 10 %, non puoi affidargli la responsabilità di un processo mission‑critical.

Negli ultimi anni, la domanda dominante è stata: “Cosa può fare questo modello?”

La domanda dell’impresa sta diventando: “Come posso far svolgere questo lavoro in modo efficace?”

Le piattaforme AI che si radicheranno profondamente nelle organizzazioni saranno quelle che sapranno rispondere in modo convincente alla seconda domanda: tecnicamente, operativamente ed economicamente. Questa è, in ultima analisi, l’opportunità che abbiamo visto quando abbiamo avviato Druid AI: rendere l’intelligenza parte del modo in cui il lavoro stesso viene svolto.

Grazie per la splendida intervista, i lettori che desiderano saperne di più dovrebbero visitare Druid AI.