Sempre più aziende si stanno concentrando sull’uso dell’intelligenza artificiale per migliorare la produttività, ma spesso la complessità operativa e infrastrutturale impedisce loro di ottenere risultati concreti. Anche se la generazione di codice con l’AI è rapida, renderlo affidabile in un ambiente aziendale integrato con sistemi esistenti e governato per la conformità e la manutenibilità richiede lavoro fondamentale che la maggior parte delle organizzazioni ignora.
Solo il 12-16% delle aziende riesce ad arrivare all’esecuzione AI, anche se l’81% di esse possiede una strategia dettagliata, spiega Michael Ameling, Chief Product Officer di SAP Business Technology Platform. Le ragioni sono spesso legate al passaggio dal codice generato all’operabilità aziendale reale, problema che la qualità del codice non risolve.
La sfida della scalabilità AI
"Le imprese in tutti i settori che hanno investito in strumenti AI stanno colpendo un muro quando il codice generato interagisce con l’ambiente esistente, perché generare codice e metterlo in funzione non sono lo stesso problema,” spiega Ameling. Il codice dovrà operare all’interno di sistemi legacy, di ambienti cloud, di architetture framelate e di centinaia di applicazioni che non erano state mai progettate per comunicare tra loro.
La produttività ottenuta con la generazione del codice AI è reale, ma lo stato di avanzamento che molte organizzazioni si credono di aver raggiunto risulta sovrastimato. Generare codice è una cosa, ma i clienti aziendali, inclusi multinazionali, devono assicurarsi che non vi siano compromessi in termini di conformità o sicurezza. I sistemi, inoltre, devono essere manutenibili, aggiornabili e comprensibili nel corso di decenni. La gestione del ciclo di vita non si genera automaticamente.
Problemi tecnici e di integrazione
Uno dei problemi principali che le organizzazioni incontrano non è di natura tecnica, ma di disponibilità dei dati e di accesso alle infrastrutture necessarie. Molti team sviluppano qualcosa di interessante, solo per scoprire successivamente di non disporre dei dati, delle integrazioni o dei permessi necessari per far funzionare il codice in un ambiente reale.
Quando l’AI inizia a eseguire azioni anziché produrre semplicemente codice, i requisiti cambiano radicalmente. La latenza, i costi e il carico del sistema aumentano considerevolmente quando il codice funziona in continuo su dati live, rispetto a quando produce un output singolo. L'esecuzione di un autonomo agente AI su sistemi di una multinazionale richiede standard di prestazione molto diversi da quelli di un semplice copilota di programmazione.
L’unione di dati e sistemi frammentati
Il problema principale risiede nell'integrazione. I veri ambienti aziendali non sono mai un foglio bianco: spesso combinano sistemi cloud, infrastrutture di proprietà obsoletate, archivi dati frammentati e applicazioni non comunicanti. Fare funzionare in modo affidabile logiche AI generate su tutte queste piattaforme richiede uno strato di unificazione che non può essere ignorato.
Organizzazioni che vedono l’AI come un motivo per procrastinare la modernizzazione delle infrastrutture si sbagliano. La modernizzazione è necessaria, perché con l’AI il valore che si aggiunge è maggiore. La capacità di gestire l’accesso federato ai dati, e la coerenza tra i processi, non sono alternative all’aggiornamento, ma la motivazione principale per farlo.
L’architettura e i requisiti tecnici
A livello di piattaforma, gli ambienti devono soddisfare alcuni requisiti tecnici fondamentali. Sono necessari l’integrazione dati strutturata, la visibilità completa end-to-end, e la capacità di scoprire e connettersi a API in sistemi sia moderni che legacy. SAP Business AI Platform, ad esempio, utilizza soluzioni come Joule Studio, Integration Suite, Business Data Cloud, e SAP AI Agent Hub per fornire un contesto operativo rilevante all’AI.
L’obiettivo della piattaforma è dare al sistema AI una conoscenza precisa e aggiornata di ciò che l'azienda sta facendo e come. Non è sufficiente fornire accesso ai dati grezzi all'AI.
Coordinamento e divisione del lavoro
Il modo in cui i sistemi AI risolvono problemi complessi è tramite la divisione in piccoli compiti autonomi, con ciascun agente responsabile di un dominio specifico. Ad esempio, il processo di chiusura finanziaria implica dozzine di sottoprocessi separati. Agenti in grado di eseguire ognuno in parallelo, all’interno dei propri vincoli, possono ridurre drasticamente i tempi di completamento.
- I tempi ciclici si compressano notevolmente.
- Un singolo errore su uno degli agenti non blocca l’intero processo.
- Il coordinamento tra task richiede un livello di integrazione coerente.
Per essere efficaci, però, queste logiche devono operare su sistemi coerenzi e accessibili.
Governance e tracciabilità dell’AI
Quando l’AI va oltre la posizione di un assistente per diventare un operatore autonomo, sorge un problema di governance. Gli agenti che avviano workflow, aggiornano registrazioni e interagiscono con sistemi aziendali devono operare sotto lo stesso framework di responsabilità che regola i dipendenti umani: identità, privilegi definiti, comportamento tracciabile.
Due modelli di governance:
- Propagazione del principale: l'agente agisce a nome di un utente, ereditando i permessi e lo scope associati.
- Agente attivato dal sistema: l'agente funziona con una propria identità e privilegi definiti, agendo come un automazione HR, non come un assistente personale.
In entrambi i casi, è essenziale disporre di un hub dove gli operatori possono rivedere chi sono i vari agenti esistenti e cosa possono fare.
Il test e la gestione del modello
Nel ciclo produttivo, l’osservabilità assume un ruolo fondamentale. È necessario combinare tecniche di osservabilità tecnica e valutazioni aziendali per verificare se gli agenti non solo eseguono correttamente, ma riescono davvero a migliorare gli indicatori di prestazione per cui sono stati attivati.
I test tradizionali in ambienti di sviluppo, test e produzione spesso non garantiscono risultati in ambiti diversi. La validazione in produzione richiede un approccio completamente nuovo, con test A/B/C per assicurare l’affidabilità e ripetibilità.
Il ruolo del software developer nell'era AI
Ruolo del developer non scompare, ma cambia. La produttività aumenta quando i programmatori eseguono paralleli agenti di codifica aperti su terminali diversi. Tuttavia, tale aumento introduce una nuova forma di carico cognitivo, poiché l