Gli agenti di intelligenza artificiale per le imprese possono disporre di dati completi e precisi, ma senza una comprensione profonda della struttura aziendale – le relazioni tra clienti, fornitori, prodotti e registri finanziari, i processi che attraversano tali dati e le regole che ne definiscono il significato – rischiano comunque di compiere scelte sbagliate. Un esempio tipico è il blocco di un pagamento valido perché la fattura non rivela il legame del fornitore con una società madre o le condizioni di credito applicabili.

Perché la conoscenza del business è fondamentale

Secondo Yaad Oren, Global Head of Research and Innovation e Managing Director di SAP Labs U.S., l’enterprise AI ha bisogno di tre tipi di conoscenza aziendale che i grandi modelli linguistici generici non possiedono: come le entità aziendali si relazionano tra loro, il processo aziendale che circonda ogni compito e le eccezioni o variazioni operative che emergono nella realtà.

“Recuperare dati con solo il nome del cliente e l’importo totale non basta,” afferma Oren. “Occorrono tutti i collegamenti attorno a quel cliente: quanti ordini di vendita ha, il tasso di soddisfazione, i ritardi nelle spedizioni e da quale stabilimento provengono. Gli agenti hanno bisogno di un knowledge graph che mappi queste relazioni prima di poter ragionare correttamente.”

Il ruolo del contesto di processo

Ogni compito di IA aziendale appartiene a un processo – pagamento, ordine, spedizione o onboarding di dipendenti – e il contesto di processo indica all’agente la fase in cui si trova, cosa è avvenuto prima e cosa seguirà. Le eccezioni derivano dalle persone che gestiscono i processi, approvando o ritardando attività in base a giudizi umani al di fuori dei sistemi.

“Non tutto obbedisce alla lettera di un processo,” spiega Oren. “È necessario riconoscere quando qualcosa è un’eccezione, come gestirla e reintegrarla in un contesto comprensibile per l’attività desiderata.”

Knowledge graph e ontologie: non bastano da sole

Un knowledge graph può collegare ogni fattura di un’azienda, ma può comunque generare segnali contraddittori se diverse parti dell’organizzazione attribuiscono significati diversi al termine “fattura”. Per un dipartimento può indicare un pagamento cliente, per un altro un rimborso viaggio, per un terzo una fattura fornitore. Un’ontologia risolve l’ambiguità fornendo a ciascun termine un significato coerente e propagandolo attraverso sistemi e fonti dati.

“Nelle corporation globali con centinaia di migliaia di persone, i record devono connettersi tra loro e parlare la stessa lingua,” sostiene Oren. “L’ontologia fornisce una verità unica, una voce unica per tutti i dati.”

La piattaforma SAP Business AI (BAIP)

SAP Business AI Platform (BAIP) è progettata per introdurre dati e contesto aziendale in un ambiente governato. Il suo knowledge graph cattura relazioni tra clienti, fornitori, asset, prodotti, strutture organizzative e processi, consentendo il riutilizzo del contesto tra più agenti. Tuttavia, la sola condivisione di significato non è sufficiente: la piattaforma deve anche fornire il contesto operativo, includendo SLA, termini di pagamento, politiche fiscali e di sicurezza, restrizioni regionali e regole di anonimizzazione.

Modelli specifici per dati tabulari

Un’altra sfida è che la maggior parte dei dati aziendali è relazionale e transazionale, organizzata in tabelle anziché in linguaggio naturale. I modelli linguistici generici non sono progettati per questa struttura.

SAP sta colmando il divario con modelli di base tabulari, tra cui RPT-1.6 (Relational Pre‑trained Transformer) e TabPFN-3.5 Plus, sviluppati nel suo laboratorio di frontiera AI, Prior Labs. Questi modelli operano direttamente su dati strutturati, gestendo valori mancanti, tipologie miste e campi ad alta cardinalità. La capacità di orchestrazione tabellare di AI Core seleziona il contesto e l’accesso ai dati a runtime, integrando le previsioni nei flussi di lavoro produttivi.

“I dati interni a un’azienda sono fondamentalmente relazionali e transazionali,” afferma Oren. “Servono modelli che comprendono nativamente quella struttura.”

Governance quando gli agenti agiscono

Il rischio aumenta quando un agente passa dal fornire risposte al compiere azioni. Una risposta sbagliata può essere rivista o ignorata; un pagamento bloccato erroneamente, un ordine rifiutato o un segnale di rischio creditizio può avere effetti immediati su fornitori, clienti o processi.

“Bisogna sempre mettere in discussione la risposta,” sostiene Oren. “La comprensione del business fornisce più conoscenza, ma anche più confini. Quello che recuperi include politiche, considerazioni di sicurezza e tutto il resto rilevante per la decisione.”

Architettura a quattro strati di AI aziendale

Oren descrive l’architettura AI aziendale in quattro livelli:

    • Modello: modelli in grado di interpretare dati relazionali e transazionali.
    • Piattaforma: knowledge graph, layer semantico, contesto e governance, con strumenti per costruire e gestire agenti.
    • Agenti: agenti che operano su applicazioni e funzioni (finanza, supply chain), automatizzando il flusso di transazioni.
    • User experience: interfacce per l’interazione uomo‑macchina, includendo testo, voce e visualizzazioni dinamiche.

Il livello della piattaforma è cruciale per la comprensione del business. Quando relazioni, definizioni e contesto di processo vivono lì, possono essere riutilizzati da più agenti, evitando che ciascuno ricostruisca la semantica di clienti, fornitori o transazioni. La governance è anch’essa centralizzata, garantendo tracciabilità, autorizzazioni e conformità normativa.

Esempio di eccezione: documento “parcheggiato”

Un controller può dover ripartire le fatture di catering su più budget prima di procedere. Se il controller è in ferie, un agente che monitora il processo potrebbe interpretare le fatture in sospeso come un grave ritardo. Con un contesto più ampio, l’agente riconosce la assenza per ferie o congedo parentale e tratta il ritardo come eccezione, non come errore di processo.

Conclusioni

Gli agenti IA aziendali non possono basarsi solo su dati accurati. Hanno bisogno di una comprensione strutturata delle entità, dei processi e delle regole che definiscono il significato di ogni informazione. SAP, con la sua Business AI Platform, i knowledge graph, le ontologie e i modelli tabulari, offre una soluzione integrata per fornire questo contesto, garantendo decisioni più affidabili e una governance solida. Solo combinando dati, semantica e controlli operativi gli agenti potranno trasformare l’IA in un vero motore di valore per le imprese.