Nel 2025, i Copilot di GenAI Emergeranno come l’App Killer che Trasforma il Business e la Gestione dei Dati

Ogni rivoluzione tecnologica ha un momento definitorio quando un caso d’uso specifico propelle la tecnologia verso un’adozione diffusa. Quel momento è arrivato per l’intelligenza artificiale generativa (GenAI) con la rapida diffusione dei copiloti.

La GenAI come tecnologia ha fatto passi significativi negli ultimi anni. Eppure, nonostante tutti i titoli e l’attenzione, la sua adozione da parte delle aziende è ancora nelle fasi iniziali. Il sondaggio del 2024 di Gartner tra i CIO e gli alti dirigenti tecnici colloca l’adozione al 9% di coloro che hanno risposto, con il 34% che afferma di volerlo fare nell’anno successivo. Un recente sondaggio condotto dal gruppo Enterprise Strategy colloca l’adozione di GenAI al 30%. Ma tutti i sondaggi giungono alla stessa conclusione riguardo al 2025.

Previsione 1. La Maggioranza delle Aziende Userà GenAI in Produzione Entro la Fine del 2025

L’adozione di GenAI è considerata fondamentale per migliorare la produttività e la redditività ed è diventata una priorità assoluta per la maggior parte delle aziende. Ma significa che le aziende devono superare le sfide sperimentate finora nei progetti GenAI, tra cui:

• Poor data quality: GenAI ends up only being as good as the data it uses, and many companies still don’t trust their data. Data quality along with incomplete or biased data have all been issues that lead to poor results.
• GenAI costs: training GenAI models like ChatGPT has mostly only been done by the very best of the best GenAI teams and costs millions in computing power. So instead people have been using a technique called retrieval augmented generation (RAG). But even with RAG, it quickly gets expensive to access and prepare data and assemble the experts you need to succeed.
• Limited skill sets: Many of the early GenAI deployments required a lot of coding by a small group of experts in GenAI. While this group is growing, there is still a real shortage.
• Hallucinations: GenAI isn’t perfect. It can hallucinate, and give wrong answers when it thinks it’s right. You need a strategy for preventing wrong answers from impacting your business.
• Data security: GenAI has exposed data to the wrong people because it was used for training, fine-tuning, or RAG. You need to implement security measures to protect against these leaks.

Fortunatamente, l’industria del software ha affrontato queste sfide negli ultimi anni. Il 2025 sembra l’anno in cui diverse di queste sfide iniziano a essere risolte e GenAI diventa mainstream.

Previsione 2. I Copilot Modulari RAG Diventeranno l’Uso più Comune di GenAI

L’uso più comune di GenAI è creare assistenti, o copiloti, che aiutano le persone a trovare informazioni più velocemente. I copiloti sono solitamente costruiti utilizzando pipeline RAG. RAG è il modo. È il modo più comune per utilizzare GenAI. Poiché i Large Language Models (LLM) sono modelli general-purpose che non hanno tutti o anche i dati più recenti, è necessario aumentare le query, altrimenti note come prompt, per ottenere una risposta più precisa.
I copiloti aiutano i lavoratori della conoscenza a essere più produttivi, affrontare domande precedentemente insormontabili e fornire indicazioni esperte mentre a volte eseguono anche compiti di routine. Forse il caso d’uso di copilota più di successo fino ad oggi è come aiutano gli sviluppatori di software a codificare o modernizzare il codice legacy.

Ma i copiloti sono destinati ad avere un impatto maggiore quando utilizzati al di fuori dell’IT. Esempi includono:

• Nel servizio clienti, i copiloti possono ricevere una richiesta di supporto e sia escalare a un intervento umano che fornire una risoluzione per query semplici come il reset della password o l’accesso all’account, risultando in punteggi CSAT più alti.
• Nella produzione, i copiloti possono aiutare i tecnici a diagnosticare e raccomandare azioni o riparazioni specifiche per macchinari complessi, riducendo il downtime.
• Nel settore sanitario, i clinici possono utilizzare i copiloti per accedere alla storia del paziente e alla ricerca pertinente e aiutare a guidare la diagnosi e la cura clinica, migliorando l’efficienza e gli esiti clinici.

Le pipeline RAG hanno lavorato per lo più allo stesso modo. Il primo passo è caricare una base di conoscenza in un database vettoriale. Ogni volta che una persona fa una domanda, una pipeline RAG GenAI viene invocata. Rielabora la domanda in un prompt, interroga il database vettoriale codificando il prompt per trovare le informazioni più rilevanti, invoca un LLM con il prompt utilizzando le informazioni recuperate come contesto, valuta e formatta i risultati e li visualizza all’utente.

Ma si scopre che non puoi supportare tutti i copiloti allo stesso modo con una sola pipeline RAG. Quindi RAG è evoluta in un’architettura più modulare chiamata RAG modulare dove puoi utilizzare moduli diversi per ciascuno dei molti passaggi coinvolti:

• Indicizzazione, compresa la suddivisione dei dati e l’organizzazione
• Pre-ricerca, compresa l’ingegneria e l’ottimizzazione della query (prompt)
• Ricerca con tecniche di fine-tuning del retriever e altre
• Riclassificazione e selezione post-ricerca
• Generazione con fine-tuning del generatore, utilizzando e confrontando più LLM e verifica
• Orchestrazione che gestisce questo processo e lo rende iterativo per ottenere i migliori risultati

Avrai bisogno di implementare un’architettura RAG modulare per supportare più copiloti.

Previsione 3. Gli Strumenti No-Code/Low-Code GenAI Diventeranno il Modo

A questo punto, potresti renderti conto che GenAI RAG è molto complesso e in rapida evoluzione. Non è solo che nuove best practice stanno emergendo costantemente. Tutta la tecnologia coinvolta nelle pipeline GenAI sta cambiando così velocemente che finirai per dover sostituire alcune di esse o supportarne più di una. Inoltre, GenAI non è solo questione di RAG modulare. Il fine-tuning aumentato della ricerca (RAFT) e l’addestramento completo del modello stanno diventando convenienti in termini di costo. La tua architettura dovrà supportare tutti questi cambiamenti e nascondere la complessità ai tuoi ingegneri.
Fortunatamente, gli strumenti GenAI no-code/low-code migliori forniscono questa architettura. Stanno costantemente aggiungendo supporto per le principali fonti di dati, database vettoriali e LLM, e rendendo possibile costruire pipeline RAG modulari o alimentare i dati in LLM per il fine-tuning o l’addestramento. Le aziende stanno utilizzando con successo questi strumenti per distribuire copiloti utilizzando le risorse interne.

Nexla non utilizza solo GenAI per semplificare l’integrazione. Include un’architettura di pipeline RAG modulare con avanzata suddivisione dei dati, ingegneria della query, riordinamento e selezione, supporto multi-LLM con classificazione e selezione dei risultati, orchestrazione e altro – tutto configurato senza codice.

Previsione 4. La Linea tra Copiloti e Agenti Si Sfumerà

I copiloti GenAI come i chatbot sono agenti che supportano le persone. Alla fine, le persone prendono la decisione su cosa fare con i risultati generati. Ma gli agenti GenAI possono automatizzare completamente le risposte senza coinvolgere le persone. Questi sono spesso indicati come agenti o AI agente.

Alcune persone vedono queste come due approcci separati. Ma la realtà è più complessa. I copiloti stanno già iniziando ad automatizzare alcuni compiti di base, consentendo agli utenti di confermare azioni e automatizzare i passaggi necessari per completarle.

Aspettati che i copiloti evolvano nel tempo in una combinazione di copiloti e agenti. Proprio come le applicazioni aiutano a riorganizzare e ottimizzare i processi aziendali, gli assistenti potrebbero e dovrebbero iniziare a essere utilizzati per automatizzare i passaggi intermedi dei compiti che supportano. Gli agenti basati su GenAI dovrebbero anche includere le persone per gestire eccezioni o approvare un piano generato utilizzando un LLM.

Previsione 5. GenAI Guida l’Adozione di Data Fabric, Data Product e Standard di Dati Aperti

GenAI è atteso come il più grande driver di cambiamento nell’IT nei prossimi anni perché l’IT dovrà adattarsi per consentire alle aziende di realizzare i pieni benefici di GenAI.

Come parte dei cicli di iper-attività di Gartner per la gestione dei dati, 2024, Gartner ha identificato 3, e solo 3 tecnologie come trasformative per la gestione dei dati e per le organizzazioni che dipendono dai dati: Data Fabric, Data Product e Open Table Format. Tutte e tre aiutano a rendere i dati molto più accessibili per l’uso con GenAI perché rendono più facile per i dati essere utilizzati da questi nuovi set di strumenti GenAI.

Nexla ha implementato un’architettura di prodotto dati costruita su un data fabric per questo motivo. Il data fabric fornisce uno strato unificato per gestire tutti i dati allo stesso modo indipendentemente dalle differenze di formati, velocità o protocolli di accesso. I prodotti dati vengono quindi creati per supportare esigenze di dati specifiche, come ad esempio per RAG.

Per esempio, una grande azienda di servizi finanziari sta implementando GenAI per migliorare la gestione dei rischi. Stanno utilizzando Nexla per creare un data fabric unificato. Nexla rileva automaticamente lo schema e genera connettori e prodotti dati. L’azienda definisce quindi prodotti dati per metriche di rischio specifiche che aggregano, puliscono e trasformano i dati nel formato giusto come input per l’implementazione di agenti RAG per la segnalazione regolamentare dinamica. Nexla fornisce i controlli di governance dei dati, compresa la discendenza dei dati e i controlli di accesso, per garantire la conformità normativa.
La nostra piattaforma di integrazione per l’analisi, le operazioni, il B2B e GenAI è implementata su un’architettura di data fabric dove GenAI viene utilizzato per creare connettori, prodotti dati e flussi di lavoro riutilizzabili. Il supporto per gli standard di dati aperti come Apache Iceberg rende più facile accedere a più dati.

Come Pilotare il Tuo Modo Verso l’AI Agente

Quindi, come dovresti prepararti per rendere GenAI mainstream nella tua azienda in base a queste previsioni?
Innanzitutto, se non l’hai già fatto, inizia con il tuo primo assistente GenAI RAG per i tuoi clienti o dipendenti. Identifica un caso d’uso importante e relativamente semplice dove hai già la base di conoscenza giusta per avere successo.

In secondo luogo, assicurati di avere un piccolo team di esperti GenAI che possano aiutare a mettere in place l’architettura RAG modulare giusta con gli strumenti di integrazione giusti per supportare i tuoi primi progetti. Non avere paura di valutare nuovi fornitori con strumenti no-code/low-code.

In terzo luogo, inizia a identificare quelle best practice di gestione dei dati che ti serviranno per avere successo. Ciò non include solo un data fabric e concetti come prodotti dati. Avrai anche bisogno di governare i tuoi dati per l’AI.

Il momento è ora. Il 2025 è l’anno in cui la maggioranza avrà successo. Non rimanere indietro.