Chiedi a un agente AI di rispondere a una domanda di business e finisci per imparare più sulla tua infrastruttura dati che sull’agente. Il modello non inciampa perché non è abbastanza intelligente, ma perché non trova ciò che gli serve, non si fida di ciò che trova o non capisce cosa significhino davvero i dati nel contesto specifico dell’azienda. È la tesi di Andrew Madson di Fivetran, ed è un problema di dati, non di AI.
I numeri che cita sono duri. Lo studio del NANDA del MIT, “The GenAI Divide: State of AI in Business 2025”, riporta che il 95% dei pilot di GenAI enterprise non ha prodotto alcun impatto misurabile su conto economico. Gartner prevede che oltre il 40% dei progetti di agentic AI sarà cancellato entro fine 2027, mentre la spesa globale in AI superererà i 2.000 miliardi di dollari nel 2026 (+37% anno su anno). E secondo l’IBM Institute for Business Value, solo il 16% delle iniziative AI è stato scalato con successo. Il MIT attribuisce il divario non alla qualità dei modelli ma a un “learning gap”: workflow fragili e mancanza di apprendimento contestuale.
Integrazione, qualità e freschezza
Un agente vale solo quanto i dati che riesce a raggiungere. Se i dati clienti stanno in Salesforce, l’uso prodotto in un warehouse e i ticket in Zendesk, l’agente lavora con frammenti. A differenza di un analista umano, non improvvisa attorno ai buchi: allucina una risposta sicura oppure restituisce qualcosa di formalmente corretto ma inutile. I requisiti per l’agentic AI sono diversi da quelli di una dashboard: serve accesso programmatico affidabile a dati consolidati e aggiornati, non “aggiornati stanotte” ma correnti. Gartner stima che la scarsa qualità dei dati costi in media 12,9 milioni di dollari l’anno; dare a un sistema autonomo l’autorità di agire su dati sbagliati moltiplica il rischio.
Il contesto separa la demo dalla produzione
Qui cade la maggior parte dei progetti. L’esempio è emblematico: Finance riporta un fatturato di 10,2 milioni, Marketing di 10,4, un copilot AI su Slack di 9,8. Ogni numero è “corretto” data la sua fonte, ma si contraddicono. Un umano risolve con conoscenza istituzionale e riunioni di riconciliazione; un agente ha bisogno che quella conoscenza sia codificata. È il ruolo del semantic layer, che definisce come si calcolano le metriche. Ci sono poi le agent skill (istruzioni strutturate su quali tabelle interrogare e quali join fare), gli embedding e i vector store per i dati non strutturati, e protocolli come MCP, descritto come “l’USB-C della connettività degli agenti”.
Infine la governance, che non è un’aggiunta successiva ma un prerequisito: i controlli di accesso devono viaggiare con i dati, non stare solo a livello applicativo. Il PwC 2025 Responsible AI survey rileva che quasi il 60% dei dirigenti ritiene che le pratiche di AI responsabile migliorino ROI ed efficienza, ma quasi metà fatica a renderle processi operativi.
- Il 95% dei pilot GenAI, secondo il MIT, non produce impatto misurabile: il limite è il data layer, non il modello.
- Gli agenti hanno bisogno di dati integrati, puliti, contestualizzati con un semantic layer e freschi al momento della query.
- La governance è un prerequisito: access control, lineage e classificazione devono valere anche per gli agenti.
Fonte: How data access shapes AI agent performance — https://www.fivetran.com/blog/how-data-access-shapes-ai-agent-performance
Hai qualcosa da aggiungere? Unisciti alla discussione.