Il contesto è il nuovo oro: la prossima ondata di intelligenza artificiale agente sta acquistando comprensione, non potenza di elaborazione

La rivoluzione dell’intelligenza artificiale è a un punto di stallo – non a causa di una mancanza di potenza computazionale, ma perché le organizzazioni stanno risolvendo i problemi sbagliati.

Mentre la spesa globale per l’intelligenza artificiale generale è prevista raggiungere 644 miliardi di dollari nel 2025, gli esperti avvertono anche che oltre il 40% dei progetti di intelligenza artificiale agente saranno cancellati entro il 2027. In effetti, l’attività di fusioni e acquisizioni recente – come l’acquisto da 250 milioni di dollari di Crunchy Data da parte di Snowflake e l’acquisto di Predibase da parte di Rubrik – segnala un cambiamento fondamentale: la prossima fase dell’intelligenza artificiale aziendale è più che solo potenza computazionale… È questione di comprensione più profonda.

I soldi intelligenti si stanno muovendo

Secondo un sondaggio di S&P Global Market Intelligence del 2025, il 42% delle aziende ha cancellato la maggior parte delle loro iniziative di intelligenza artificiale recenti, rispetto al 17% nel 2024. Un altro 46% ha abbandonato le demo di proof-of-concept prima che la produzione iniziasse.

Questi progetti di intelligenza artificiale non stanno fallendo a causa di limitazioni tecniche, ma a causa di lacune semantiche. Se un sistema di intelligenza artificiale può elaborare petabyte di dati ma non può capire cosa significhi “valore del cliente” in vari dipartimenti, i punti di fallimento saranno probabilmente contestuali.

Considera la strategia dietro l’integrazione di Snowflake delle capacità di intelligenza artificiale semantiche di Postgres, che mira a creare una base in cui gli agenti di intelligenza artificiale possano capire il contesto transazionale e le semantica aziendali — consentendo ai sviluppatori di “costruire agenti di intelligenza artificiale affidabili” con “maggiore agilità, visibilità e controllo”. L’acquisto di Predibase da parte di Rubrik mira anch’esso ad aiutare i clienti a “distribuire in modo sicuro l’intelligenza artificiale agente” priorizzando l’accuratezza contestuale accanto alla potenza computazionale.

Dove il contesto incontra la scala

Il successo della recente collaborazione tra Palantir e Qualcomm per estendere le capacità di comprensione dell’intelligenza artificiale è un’altra dimostrazione del potere trasformativo dell’architettura di intelligenza artificiale basata sul contesto. Il loro “Ontologia” approach — creare precedenti linguistici per mappare concetti aziendali, relazioni e regole in formati leggibili dalle macchine — trasforma l’intelligenza artificiale dal riconoscimento di pattern in ragionamento aziendale chiaro e mostra come la comprensione semantica consenta all’intelligenza artificiale di funzionare efficacemente, anche in ambienti offline o con risorse limitate.

Ad esempio, riguardo alle loro iniziative di energia nucleare, l’intelligenza artificiale di Palantir non prevede solo guasti di attrezzature — capisce gli impatti aziendali a catena attraverso le catene di approvvigionamento e la conformità normativa che portano a o risultano da questi guasti. Allo stesso modo, nella produzione, i loro sistemi comprendono le interdipendenze tra controllo qualità, gestione degli inventari e impegni con i clienti, consentendo una visione olistica delle operazioni che aiuta a prevedere e prevenire problemi.

Come ha notato un dirigente di Palantir, “L’approccio basato sull’ontologia consente agli utenti di costruire flussi di lavoro che incorporano e combinano asset logici eterogenei”, consentendo all’intelligenza artificiale di essere “introdotta in modo sicuro in contesti decisionali sempre più complessi”.

La rivoluzione dell’infrastruttura basata sul contesto

Il passaggio da architetture basate sull’efficienza a quelle basate sul significato rappresenta un ripensamento fondamentale dell’intelligenza artificiale aziendale. Secondo il Data & Analytics Summit di Gartner del 2025, questa trasformazione si basa su tre fattori critici:

• Architettura dei dati semantici: ogni punto dati deve portare significato aziendale, non solo valore computazionale. Come mostra la ricerca della società di consulenza Enterprise Knowledge, i livelli semantici servono da ponti tra dati grezzi e applicazioni, fornendo “viste unificate e contestualizzate” che consentono interazioni utente intuitive.
• Integrazione della logica aziendale: per offrire il massimo valore, l’intelligenza artificiale moderna richiede l’integrazione con contesti aziendali predefiniti, propri delle esigenze di qualsiasi organizzazione. Oracle’s AI Agent Studio esemplifica questo approccio fornendo l’accesso alle API di Oracle Fusion Applications, archivi di conoscenza e strumenti predefiniti che preservano la logica aziendale specifica dell’impresa all’interno dei flussi di lavoro guidati dall’intelligenza artificiale. Tali soluzioni abilitano i sistemi di intelligenza artificiale agente integrando le ontologie aziendali con i protocolli di contesto del modello (MCP), che consentono un’interpretazione dei dati ricca di contesto e senza soluzione di continuità e permettono agli agenti di intelligenza artificiale di funzionare su varie fonti di dati aziendali.
• Motori decisionali contestuali: il rapporto di McKinsey del 2025 sull’intelligenza artificiale nel posto di lavoro sottolinea che i sistemi di intelligenza artificiale aziendale di successo devono comprendere a fondo le implicazioni aziendali di qualsiasi attività, per qualsiasi organizzazione. Tuttavia, solo l’1% delle aziende ritiene di aver raggiunto la maturità dell’intelligenza artificiale, evidenziando il divario tra le capacità attuali e le esigenze contestuali.

Le implicazioni competitive

Le organizzazioni che possono stabilire con successo sistemi di intelligenza artificiale ricchi di contesto creeranno vantaggi auto-rinforzanti per se stesse.

Ogni interazione aziendale ha il potenziale di approfondire la comprensione dell’intelligenza artificiale agente delle esigenze specifiche di qualsiasi azienda, migliorando le prestazioni e creando vantaggi competitivi che saranno difficili da replicare attraverso la sola potenza computazionale. Il rapporto di Deloitte sullo stato dell’intelligenza artificiale generativa conferma che mentre il 60% delle organizzazioni persegue fino a 20 esperimenti di intelligenza artificiale, quelle che si concentrano su “sfide specifiche di settore e aziendale” vedono risultati drasticamente migliori.

Le implicazioni per il talento sono altrettanto significative. Mentre gli ingegneri di intelligenza artificiale richiedono salari premium, la vera scarsità è di professionisti che comprendono sia l’implementazione dell’intelligenza artificiale che l’ontologia del dominio aziendale. Le previsioni di PwC del 2025 sottolineano che “il successo dell’intelligenza artificiale sarà tanto una questione di visione quanto di adozione, con le aziende che necessitano di approcci sistematici e trasparenti per confermare il valore sostenibile”. In altre parole, se le persone che addestrano l’intelligenza artificiale a comprendere le esigenze aziendali non comprendono quelle esigenze, neanche gli agenti di intelligenza artificiale che creano le capiranno.

L’imperativo strategico

Quindi, quali sono esattamente i cambiamenti architettonici che le organizzazioni devono apportare?

Il Data & Analytics Summit di Gartner sottolinea l’importanza di passare dai metadati tecnici ai metadati semantici—dati arricchiti con definizioni aziendali predefinite, ontologie e relazioni. Questo passaggio a “Progettazione semantica” è critico per le organizzazioni che mirano a trarre insight significativi e garantire chiarezza tra i sistemi. Allo stesso tempo, una governance dell’intelligenza artificiale contestuale efficace è cruciale per differenziare le vere capacità di intelligenza artificiale agente da modelli insufficienti che offrono solo automazione di base ma sono commercializzati in modo fuorviante come agente.

Le aziende che avranno successo con l’intelligenza artificiale agente saranno quelle le cui intelligenze artificiali saranno state configurate strategicamente per comprendere i contesti aziendali in modo così profondo da poter agire in modo autonomo ed efficace.

L’opportunità di intelligenza artificiale agente

Gartner prevede che il 33% del software aziendale includerà intelligenza artificiale agente entro il 2028, rispetto all’1% nel 2024. L’ascesa dell’intelligenza artificiale agente rende l’infrastruttura semantica essenziale; per raggiungere questo, i sistemi di intelligenza artificiale richiedono:

• Comprensione contestuale profonda per prendere decisioni autonome allineate con gli obiettivi aziendali.
• Coerenza semantica in tutte le fonti di dati per prevenire azioni in conflitto tra dipartimenti e attività diversi
• Integrazione della logica aziendale per garantire la conformità con le regole e le norme dell’organizzazione

Mentre le organizzazioni investono miliardi nello sviluppo dell’intelligenza artificiale agente, quelle senza fondamenta semantiche affronteranno tassi di fallimento in aumento.

L’imperativo del contesto

Man mano che i sistemi di intelligenza artificiale agente diventano più diffusi, il divario tra le organizzazioni con infrastrutture semantiche e quelle senza si allargherà. Per le imprese che investono nell’intelligenza artificiale agente, la scelta è chiara: costruire fondamenta semantiche ora o guardare mentre i concorrenti consapevoli del contesto trasformano gli investimenti più astuti nell’intelligenza artificiale in vantaggi imbattibili.

Nell’era della potenza computazionale abbondante, il contesto è il nuovo oro, e coloro che possono insegnare ai loro sistemi di intelligenza artificiale a comprendere veramente l’azienda che servono guadagneranno il loro tocco di Mida.