Una nuova architettura dati per l’Enterprise autonomo

Il concetto di Autonomous Enterprise non si basa esclusivamente sull’intelligenza artificiale, ma su una architettura dati capace di aggregare informazioni provenienti da fonti eterogenee e di collocarle in un contesto di business affidabile. In questo scenario, Joule rimane il motore di fondo, mentre la SAP Business Data Cloud (BDC) diventa il punto centrale di un ecosistema in cui gli agenti IA possono accedere a dati certificati e comprenderne il significato economico.

Durante la SAP TechEd 2026 a Berlino, l’azienda ha annunciato una serie di iniziative per ridurre la frammentazione dei dati aziendali, problema che ostacola gli agenti IA quando le informazioni sono distribuite su sistemi, database o stack cloud diversi.

Semantica, open data e nuovi modelli IA

Le novità si articolano attorno a tre pilastri:

    • Collegamento semantico dei dati aziendali;
    • Espansione di piattaforme dati aperte;
    • Sviluppo di modelli IA specifici per informazioni strutturate.

Un sistema IA può elaborare dati dal punto di vista tecnico, ma senza comprenderne il contesto di business il risultato è spesso privo di valore. Una cifra, ad esempio, può rappresentare il fatturato, un importo netto, un credito aperto o una dimensione di pianificazione; senza il contesto, la stessa informazione è poco utile per decisioni complesse.

Ontology Manager e SAP Knowledge Graph

Per affrontare questa sfida, SAP amplia la Business Data Cloud con un Ontology Manager. Questo strumento descrive le relazioni tra dati, oggetti di business e processi, creando una rete semantica che consente agli agenti IA di capire, ad esempio, quali ordini cliente sono colpiti da un collo di bottiglia nella fornitura, quali ordini di produzione ne dipendono e quali impatti finanziari ne derivano.

Il SAP Knowledge Graph completa la soluzione fornendo collegamenti tra le informazioni commerciali, rendendo possibile la generazione di proposte operative basate su una comprensione approfondita del contesto.

La chiave è mantenere un modello dati affidabile: dati master incompleti o definizioni di termini aziendali incoerenti possono portare gli agenti IA a conclusioni errate. Come ha sottolineato Manoj Swaminathan, President and Chief Product Officer di SAP Autonomous Suite, “anche la IA più potente non può compensare un modello dati difettoso”.

Apertura della architettura e integrazioni strategiche

Un altro focus è l’apertura della data architecture. SAP rafforza la partnership con Databricks, integrando funzionalità di data engineering, IA e gestione dei dati nella Business Data Cloud, tra cui:

    • Lakeflow
    • Agent Bricks
    • Lakebase

Un legame più stretto tra Joule e Databricks Genie semplifica le query e l’analisi dei dati aziendali.

Parallelamente, SAP amplia la sua architettura Lakehouse con Dremio**, aggiungendo il supporto a Apache Iceberg e Apache Polaris. Una engine di query federata consentirà l’accesso a dati distribuiti senza la necessità di spostarli o copiarli, fondamentale per le imprese che mantengono depositi dati su piattaforme diverse.

Questa federazione, tuttavia, introduce nuove sfide: gestione dei permessi, metadati, qualità dei dati e performance delle query distribuite richiedono un’attenta governance.

Gestione dei dati master con SAP Reltio

Per garantire coerenza e riusabilità, SAP introduce SAP Reltio, una soluzione di master data management (MDM) che unifica informazioni su clienti, fornitori e prodotti provenienti da sistemi disparati, trasformandole in data products riutilizzabili.

Modelli IA specializzati per dati strutturati

Oltre alla generative AI, SAP investe in modelli specifici per dati strutturati. Il nuovo SAP‑RPT‑2.0 (Relational Pre‑trained Transformer) amplia le capacità del precedente modello, supportando:

    • Classificazioni e regressioni;
    • Rilevamento di anomalie e outlier;
    • Analisi di correlazioni su più tabelle.

Queste funzioni sono particolarmente rilevanti per applicazioni operative, dove il focus è su dati tabulari anziché su testo. Possibili casi d’uso includono:

    • Identificazione di transazioni contabili anomale;
    • Analisi della catena di fornitura per individuare colli di bottiglia;
    • Rilevazione di problemi di qualità nella produzione.

Previsioni temporali con SAP‑RPT‑TS

Con SAP‑RPT‑TS, SAP lancia un modello dedicato alle serie temporali, capace di prevedere evoluzioni della domanda nella pianificazione della supply chain senza richiedere alle aziende di sviluppare da zero modelli di machine learning.

Dimostrazione pratica: IA a bordo della Stazione Spaziale Internazionale

Un esempio spettacolare ma con radici concrete è l’utilizzo di SAP‑RPT sul HPE Spaceborne Computer‑2 installato sulla International Space Station (ISS). L’obiettivo è analizzare dati sensoriali in tempo reale, rilevare anomalie tecniche, prevedere possibili guasti e ricostruire valori mancanti basandosi su dati storici, il tutto direttamente a bordo, senza inviare i dati sulla Terra.

Questo progetto funge da dimostratore per l’Edge AI: se la tecnologia si dimostra affidabile nello spazio, può essere replicata in impianti industriali, centri logistici o altre realtà dove la latenza e la larghezza di banda sono limitate.

Implicazioni di mercato e prospettive future

Con l’ampliamento della Business Data Cloud, SAP risponde a una tendenza di mercato in cui le imprese desiderano implementare soluzioni IA oltre i confini dei sistemi proprietari, mantenendo però una certa indipendenza da un singolo fornitore. L’adozione di formati aperti e l’integrazione di partner tecnologici non è solo un “extra” tecnico, ma una condizione indispensabile per realizzare una strategia IA efficace in ambienti eterogenei.

Rimane, però, una tensione: se da un lato SAP apre l’accesso ai dati e incorpora tecnologie di terze parti, dall’altro la orchestrazione dei processi aziendali e degli agenti IA continua a dipendere in larga misura dalle proprie piattaforme. La domanda che si pone è quanto sia realmente “aperta” l’architettura e quali nuove dipendenze possano emergere.

In sintesi, la strategia di SAP punta a costruire un fondamento dati solido e semantico che consenta agli agenti IA di operare con cognizione di causa, riducendo la frammentazione e sfruttando sia ambienti cloud che edge. Il successo dipenderà dalla capacità delle aziende di mantenere dati master accurati, gestire le complessità delle architetture federate e integrare in modo efficace le nuove capacità IA specializzate.