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

Ogni rivoluzione tecnologica ha un momento definitorio in cui un caso d’uso specifico spinge la tecnologia verso un’adozione su larga scala. 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. Tuttavia, nonostante tutti gli articoli e l’attenzione, la sua adozione da parte delle aziende è ancora in una fase iniziale. Il sondaggio CIO e Tech Executive di Gartner del 2024 stima l’adozione al 9% di coloro che hanno risposto, con il 34% che afferma di pianificare di farlo nell’anno successivo. Un recente sondaggio dell’Enterprise Strategy Group stima l’adozione della GenAI al 30%. Tuttavia, tutti i sondaggi giungono alla stessa conclusione riguardo al 2025.

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

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

• Qualità dei dati scadente: la GenAI è solo buona quanto i dati che utilizza, e molte aziende non si fidano ancora dei propri dati. La qualità dei dati, insieme ai dati incompleti o distorti, sono stati tutti problemi che hanno portato a risultati scadenti.
• Costi della GenAI: l’addestramento dei modelli di GenAI come ChatGPT è stato fatto principalmente solo dalle migliori squadre di GenAI e costa milioni in potenza di calcolo. Pertanto, le persone hanno utilizzato una tecnica chiamata generazione aumentata di recupero (RAG). Tuttavia, anche con RAG, diventa rapidamente costoso accedere e preparare i dati e assemblare gli esperti necessari per avere successo.
• Set di abilità limitati: molte delle prime implementazioni di GenAI richiedevano una grande quantità di codifica da parte di un piccolo gruppo di esperti in GenAI. Sebbene questo gruppo stia crescendo, c’è ancora una reale carenza.
• Allucinazioni: la GenAI non è perfetta. Può allucinare e fornire risposte errate quando pensa di essere nel giusto. È necessario avere una strategia per prevenire che le risposte errate abbiano un impatto sull’attività.
• Sicurezza dei dati: la GenAI ha esposto i dati alle persone sbagliate perché è stata utilizzata per l’addestramento, la fine-tuning o il RAG. È necessario implementare misure di sicurezza per proteggere contro queste perdite di dati.

Fortunatamente, l’industria del software sta affrontando queste sfide da alcuni anni. Il 2025 sembra l’anno in cui alcune di queste sfide iniziano a essere risolte e la GenAI diventa mainstream.

Predizione 2. I Copiloti RAG Modulari Diventeranno l’Uso più Comune della GenAI

L’uso più comune della 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 la GenAI. Poiché i Large Language Model (LLM) sono modelli generici 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 orientamento esperto mentre a volte eseguono anche compiti di routine. Forse il caso d’uso di copilota più di successo fino ad ora è come aiutano gli sviluppatori di software a codificare o modernizzare il codice legacy.

Tuttavia, i copiloti sono attesi 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 specifiche o riparazioni 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 principalmente allo stesso modo. Il primo passo è caricare una base di conoscenza in un database vettoriale. Ogni volta che una persona pone una domanda, una pipeline RAG di 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.

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

• Indicizzazione, inclusa la suddivisione dei dati e l’organizzazione
• Pre-recupero, inclusa l’ingegneria e l’ottimizzazione della query (prompt)
• Recupero con fine-tuning del recupero e altre tecniche
• Post-recupero, riordinamento e selezione
• 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

Sarà necessario implementare un’architettura RAG modulare per supportare più copiloti.

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

A questo punto, potreste rendervi conto che la GenAI RAG è molto complessa e in rapida evoluzione. Non è solo che le migliori pratiche emergono costantemente. Tutta la tecnologia coinvolta nelle pipeline di GenAI sta cambiando così rapidamente che finirete per dover sostituire alcuni di essi o supportarne più di uno. Inoltre, la GenAI non è solo questione di RAG modulare. La fine-tuning aumentata di recupero (RAFT) e l’addestramento completo del modello stanno diventando convenienti in termini di costo. La vostra architettura dovrà supportare tutti questi cambiamenti e nascondere la complessità ai vostri ingegneri.
Fortunatamente, gli strumenti di 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 la fine-tuning o l’addestramento. Le aziende stanno utilizzando con successo questi strumenti per distribuire copiloti utilizzando le risorse interne.

Nexla non utilizza solo la 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 codifica.

Predizione 4. La Linea tra Copiloti e Agenti Si Sfumerà

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

Alcune persone considerano questi due approcci separati. Tuttavia, la realtà è più complessa. I copiloti stanno già iniziando ad automatizzare alcuni compiti di base, consentendo agli utenti di confermare le azioni e automatizzando i passaggi necessari per completarle.

Aspettatevi 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.

Predizione 5. La GenAI Guiderà l’Adozione di Teli di Dati, Prodotti di Dati e Standard di Dati Aperti

La GenAI è attesa essere il più grande driver di cambiamento nel settore IT nei prossimi anni, poiché l’IT dovrà adattarsi per consentire alle aziende di realizzare appieno i benefici della GenAI.

Come parte dei cicli di hype 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: Teli di dati, Prodotti di dati e Format di tabella aperti. Tutte e tre aiutano a rendere i dati molto più accessibili per l’uso con la GenAI, poiché rendono più facile l’uso di questi nuovi set di strumenti di GenAI.

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

Ad esempio, una grande società di servizi finanziari sta implementando la GenAI per migliorare la gestione del rischio. Stanno utilizzando Nexla per creare un telo di dati unificato. Nexla rileva automaticamente lo schema e genera connettori e prodotti di dati. La società definisce quindi prodotti di 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, inclusa 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 la GenAI è implementata su un’architettura di telo di dati in cui la GenAI viene utilizzata per creare connettori riutilizzabili, prodotti di dati e flussi di lavoro. Il supporto per gli standard di dati aperti come Apache Iceberg rende più facile accedere a più dati.

Come Pilotare il Vostro Modo Verso l’Intelligenza Artificiale Agente

Quindi, come dovreste prepararvi per rendere la GenAI mainstream nella vostra azienda in base a queste previsioni?
Primo, se non l’avete già fatto, iniziate con il vostro primo assistente RAG di GenAI per i vostri clienti o dipendenti. Identificate un caso d’uso importante e relativamente semplice in cui già avete la conoscenza giusta per avere successo.

Secondo, assicuratevi di avere una piccola squadra di esperti di GenAI che possano aiutare a mettere in place l’architettura RAG modulare giusta, con gli strumenti di integrazione giusti per supportare i vostri primi progetti. Non abbiate paura di valutare nuovi fornitori con strumenti no-code/low-code.

Terzo, iniziate a identificare quelle migliori pratiche di gestione dei dati che avrete bisogno per avere successo. Ciò non include solo un telo di dati e concetti come prodotti di dati. Avete anche bisogno di governare i vostri dati per l’AI.

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