L’evoluzione dei sistemi di intelligenza artificiale verso modelli agentici capaci di agire autonomamente richiede una profonda revisione dell’infrastruttura informatica aziendale. Per passare da semplici strumenti di supporto decisionale a soluzioni realmente operative, l’Agentic AI necessita di un’architettura capace di interpretare la realtà complessa in cui si trova ad agire. Questa sfida architetturale trova una risposta nel modello di rappresentazione dinamica noto come World Model, un sistema in grado di conferire capacità esecutiva e razionalità operativa agli agenti software.
La struttura e i principi di funzionamento di questo paradigma sono stati dettagliati da Andrea De Marco, CIO e Co-Founder di BitBang, durante il convegno Innovation Challenge 2026 – Soluzioni per evitare la disillusione dell’AI, promosso dagli Osservatori Digital Innovation del Politecnico di Milano.
Indice degli argomenti:
Dal context layer all’integrazione semantica dei dati aziendali
Il punto di partenza per l’infrastruttura dell’Agentic AI risiede nella costruzione di un context layer solido ed efficace. All’interno delle organizzazioni moderne, le informazioni sono frammentate in molteplici fonti eterogenee, tra cui sistemi gestionali ERP, piattaforme di produzione MES, reti di sensori IoT e flussi di telecamere. In assenza di un livello di sintesi, questi dati rimangono isolati in silos informativi privi di una sintassi comune. Il context layer agisce come un traduttore universale, riconciliando le entità informative per convertirle in un linguaggio semantico condiviso.
Per coordinare flussi informativi così diversificati, l’architettura fa ricorso a ontologie e knowledge graph. L’uso del grafo di conoscenza permette di rappresentare non soltanto i singoli dati, ma anche le relazioni logiche e operative che intercorrono tra di essi. Come evidenziato da De Marco, «Un context layer efficace deve riconciliare entità provenienti da fonti eterogenee, come ERP, MES, sensori o telecamere, traducendole in un linguaggio semantico condiviso mediante l’uso di ontologie e knowledge graph».
Identità e tempo nel grafo di conoscenza
Un elemento centrale dell’architettura descritta da BitBang riguarda la gestione delle dimensioni strutturali dell’informazione. Il Knowledge graph non si limita a mappare le relazioni statiche tra le entità, ma integra in modo sistematico i concetti di identità e tempo. Questa integrazione è indispensabile per permettere agli agenti di distinguere con precisione la cronologia degli eventi.
L’assegnazione di un’identità univoca e di una marcatura temporale consente al sistema di separare nettamente le rilevazioni che avvengono in tempo reale dallo storico consolidato delle operazioni aziendali. Senza questa distinzione temporale, un World Model non sarebbe in grado di comprendere se una determinata rilevazione rappresenti uno stato attuale o una condizione superata del sistema.
L’Architettura della memoria per un World model operativo
Per consentire all’Agentic AI di prendere decisioni coerenti con gli obiettivi dell’organizzazione, l’architettura del World model implementa una suddivisione funzionale della memoria. Il sistema articola l’elaborazione dei dati attraverso due livelli complementari: la memoria a breve termine e la memoria a lungo termine.
La memoria a breve termine monitora ed esamina costantemente i flussi informativi generati negli ultimi secondi. La sua funzione principale è l’identificazione tempestiva di eventuali anomalie operative o variazioni impreviste nello stato dei sistemi. Al contrario, la memoria a lungo termine rappresenta la base di conoscenza fondamentale, denominata ground truth. All’interno della memoria a lungo termine, gli esperti di dominio provvedono a codificare in modo esplicito le regole di business, le policy aziendali e i vincoli operativi imprescindibili.
Spiegando la sinergia tra questi due componenti, il co-founder di BitBang ha affermato: «Questo sistema integra la memoria a breve termine, che analizza i flussi informativi degli ultimi secondi per rilevare anomalie operative, con la memoria a lungo termine, in cui gli esperti di dominio hanno codificato le regole di business, le policy e i vincoli fondamentali». La presenza della ground truth garantisce che l’agente software rispetti sempre le direttive strategiche definite dalla dirigenza.
La gestione dell’imprevisto: surprise detection e supervisione umana
Uno dei principali ostacoli all’adozione dell’intelligenza artificiale nei processi critici è rappresentato dalla gestione delle situazioni inedite. Nel modello proposto da BitBang, la capacità dell’agente di operare in sicurezza si basa sulla misurazione quantitativa della deviazione rispetto alle aspettative, un processo definito surprise detection.
Quando il sistema si trova di fronte a un evento non previsto, l’architettura calcola il livello di “sorpresa” dello scenario. La valutazione del grado di sorpresa determina direttamente il livello di autonomia operativa concesso all’agente artificiale.
L’autonomia decisionale viene regolata sulla base di una soglia prefissata. Se la situazione rilevata risulta coerente con lo storico delle operazioni e con le regole codificate nella memoria a lungo termine, l’agente esegue le procedure stabilite in completa autonomia. Qualora il livello di sorpresa superi invece la soglia di tolleranza, il sistema sospende l’esecuzione autonoma, passa a una modalità di alta osservabilità e richiede la supervisione umana.
Questo modello Human-in-the-loop assicura un controllo costante sui comportamenti dell’AI nei momenti di incertezza.
Dal rinforzo di Google al controllo dei sistemi informativi
L’impianto teorico che guida la surprise detection all’interno del World model trae origine dalla ricerca scientifica avanzata sul reinforcement learning. L’architettura sviluppata da BitBang riprende concetti formali studiati da Google nell’ambito dei modelli ad apprendimento per rinforzo, come la celebre architettura AlphaGo.
Nelle sperimentazioni condotte da Google su AlphaGo, la capacità dell’algoritmo di valutare in modo matematico gli scenari imprevisti e le mosse inattese dell’avversario si è rivelata determinante per superare le prestazioni umane. Trasferire questi medesimi principi dai giochi complessi o dalla robotica umanoide ai sistemi informativi aziendali consente di dotare gli agenti software di un rigoroso modello di autovalutazione.
Applicazioni pratiche: Il World Model nel fintech e nei processi complessi
I principi dell’architettura World model trovano un’applicazione concreta e immediata nella gestione dei processi aziendali complessi e nel settore fintech. Nei contesti finanziari, caratterizzati da elevata volatilità e dalla necessità di risposte rapide, l’abilità dell’agente di anticipare le conseguenze delle proprie azioni è fondamentale.
Attraverso la what-if analysis svolta in tempo reale, il World model simula molteplici scenari ipotetici prima di autorizzare l’esecuzione di una qualsiasi operazione. L’agente analizza le diverse opzioni disponibili e seleziona l’azione ottimale per chiudere il ciclo decisionale, perseguendo KPI specifici definiti dall’azienda. Tra i principali indicatori di prestazione rientrano la minimizzazione del rischio di portafoglio o di credito e la massimizzazione del rendimento finanziario.
Governance e garanzie operative per l’agentic AI
L’adozione del World model offre una risposta strutturata alle esigenze di governance e controllo dell’agentic AI. Collegando la percezione dei dati in tempo reale attraverso il context layer alla conoscenza consolidata e ai vincoli stabiliti dagli esperti di dominio, le organizzazioni possono implementare automazioni avanzate senza rinunciare alla sicurezza operativa.
La combinazione tra knowledge graph, distinzione temporale degli eventi, doppio livello di memoria e algoritmo di surprise detection consente agli agenti software di agire in modo prevedibile e trasparente. L’integrazione di questi elementi garantisce che l’intelligenza artificiale operi esclusivamente all’interno dei confini e dei parametri fissati dagli esperti umani, trasferendo la responsabilità decisionale alle persone ogni volta che si verificano scenari che travalicano le regole predefinite.
Partecipa alla community