From Business Events to Auditable Decisions: Ontology-Governed Graph Simulation for Enterprise AI

Each language version is independently generated for its own context, not a direct translation.

Il Problema: L'Intelligenza Artificiale "Sognante" vs. la Realtà Aziendale

Immagina di avere un assistente personale molto intelligente (un'IA generica) che ha letto tutti i libri del mondo. Se gli chiedi "Qual è il modo più veloce per andare da A a B?", lui ti risponde subito con una risposta fluida e convincente.

Il problema è questo: nella vita reale, specialmente in un'azienda, non puoi semplicemente chiedere "qual è la strada migliore?". Devi chiedere: "Qual è la strada migliore oggi, considerando che il camion del corriere X è in sciopero, che il budget del dipartimento Y è stato tagliato e che il manager Z ha il permesso di firmare solo fino a mezzogiorno?".

Le IA attuali tendono a ignorare queste regole specifiche del momento. Rispondono basandosi sulla loro conoscenza generale (come se il mondo fosse sempre uguale), producendo risposte che sembrano perfette ma che, nella realtà, sono impossibili da eseguire o illegali. È come se un navigatore GPS ti dicesse di prendere l'autostrada, ignorando che c'è un ponte crollato da due giorni.

La Soluzione: LOM-action (L'Architetto che Costruisce la Realtà)

Gli autori propongono un nuovo sistema chiamato LOM-action. Invece di far rispondere l'IA direttamente, creano un laboratorio di simulazione (una "sandbox") prima di prendere qualsiasi decisione.

Ecco come funziona, usando un'analogia con un film:

L'Evento (Il Copione): Arriva una richiesta aziendale (es. "Approva questa spesa").
La Simulazione (Le Prove): Prima di girare la scena finale, il regista (l'IA) prende il copione e lo adatta alle condizioni di oggi.
- Nel laboratorio: L'IA prende una copia della mappa dell'azienda (l'Ontologia) e la modifica. Rimuove i nodi che non hanno i permessi, aggiunge i nuovi costi, blocca le strade chiuse.
- Regola d'oro: L'IA non può decidere nulla finché non ha creato questa "mappa aggiornata" del momento esatto.
La Decisione (La Scena): Solo dopo aver creato questa mappa specifica, l'IA guarda la mappa e dice: "Ok, sulla mia mappa aggiornata, l'unica strada possibile è questa".

I Due Modelli di Funzionamento

Il sistema ha due modalità, come un'auto che può guidare in cruise control o in modalità sportiva:

Modalità Abilità (Skill Mode): Se l'IA sa già come fare (es. "C'è un pulsante pre-registrato per approvare spese"), usa quel pulsante. È veloce, sicuro e non deve pensare troppo.
Modalità Ragionamento (Reasoning Mode): Se la situazione è nuova e non esiste un pulsante pre-registrato, l'IA prende la mappa aggiornata dal laboratorio, la studia e calcola la soluzione da sola.

Il Concetto Chiave: "L'Accuratezza Illusoria"

Questa è la parte più affascinante del paper. Gli autori hanno scoperto un fenomeno chiamato "Accuratezza Illusoria".

Immagina due studenti che fanno un esame di matematica:

Studente A (LOM-action): Mostra tutti i passaggi, usa il righello, segue le regole e arriva al risultato giusto.
Studente B (IA generica): Guarda la domanda, indovina la risposta giusta senza fare i calcoli (magari perché l'ha già vista in un libro), ma non sa come si è arrivati a quel risultato.

Se guardi solo il voto finale (l'accuratezza), entrambi hanno il 100%. Ma se devi controllare i compiti (l'audit), lo Studente B fallisce perché non ha seguito il processo corretto.

Nel paper, le IA famose (come Doubao o DeepSeek) ottengono un 80% di risposte corrette, ma il loro "processo di pensiero" (la catena di strumenti usati) è corretto solo il 24-36% delle volte. LOM-action, invece, ottiene il 98% di correttezza nel processo.

Perché è Importante per le Aziende?

Tracciabilità (Audit): Se un'IA prende una decisione sbagliata, puoi aprire il "libro degli appunti" del laboratorio e vedere esattamente quali regole sono state applicate. Non è una scatola nera.
Sicurezza: L'IA non può inventare regole. Deve prima "simulare" la situazione nel laboratorio autorizzato. Se la simulazione dice "no", l'IA non può dire "sì".
Adattabilità: Il sistema non deve essere riaddestrato ogni volta che cambia una regola aziendale. Basta aggiornare le regole nel "laboratorio" (l'Ontologia) e l'IA le applica automaticamente alla prossima domanda.

In Sintesi

Il paper ci dice che per avere un'IA affidabile nelle aziende, non basta avere un modello più grande o più intelligente. Serve un'architettura diversa: un sistema che prima simula la realtà (costruendo il contesto specifico) e poi decide.

È la differenza tra un oracolo che indovina il futuro e un ingegnere che costruisce un ponte verificando ogni singolo mattone prima di lasciarci passare sopra. LOM-action è l'ingegnere che assicura che ogni decisione sia solida, tracciabile e sicura.

Each language version is independently generated for its own context, not a direct translation.

1. Il Problema: L'Inaffidabilità degli Agenti AI Aziendali

Il paper identifica un fallimento architetturale comune nei sistemi di agenti basati su Large Language Models (LLM) per l'uso aziendale.

Spazio di conoscenza non vincolato: Gli LLM generici rispondono attingendo a uno spazio di conoscenza illimitato e statico, senza prima simulare come le condizioni attive di un scenario aziendale specifico (es. contratti di trasporto vigenti, politiche di spesa, ambito organizzativo) ridisegnino quel spazio.
Decisioni fluide ma non radicate: Questo porta a decisioni che sono linguisticamente fluide ma "non radicate" (ungrounded) nella realtà operativa dell'evento.
Mancanza di tracciabilità: Le decisioni non hanno una "scia di audit" (audit trail) verificabile.
Il fenomeno della "Precisione Illusoria" (Illusive Accuracy): Gli LLM possono raggiungere un'alta accuratezza nelle risposte finali (es. 80%) ma fallire completamente nel seguire il processo logico corretto (F1 della catena degli strumenti vicino allo 0%), producendo risposte corrette per caso o ignorando i vincoli di simulazione.

2. Metodologia: LOM-action

Il paper presenta LOM-action, un sistema che equipaggia l'AI aziendale con una simulazione ontologica guidata dagli eventi. L'approccio si basa su un principio fondamentale: "Simulation-First" (Prima la simulazione).

Architettura e Pipeline

Il sistema opera attraverso una pipeline rigorosa in tre fasi, gestita da un'architettura a doppio modo (Skill Mode e Reasoning Mode):

Fase 1: Analisi dello Scenario (Scenario Parsing)
- L'evento aziendale in arrivo (payload strutturato) viene allineato alla semantica dell'Ontologia Aziendale (EO - Enterprise Ontology).
- Vengono identificate le condizioni attive dello scenario (predicati di vincolo o di arricchimento) che definiscono quali parti del grafo sono valide per quella specifica decisione.
- Per scenari complessi, viene generato un "programma di scenario" (sequenza ordinata di operazioni) invece di un semplice predicato booleano.
Fase 2: Simulazione in Sandbox (Sandbox Simulation)
- Viene istanziata una copia di lavoro isolata dell'ontologia aziendale in una sandbox (ambiente sicuro e non persistente).
- Le condizioni dello scenario vengono applicate deterministicamente a questa copia:
  - Vincoli (Constraint): Rimozione di nodi/archi che violano le policy (es. un utente non autorizzato).
  - Arricchimento (Augmentation): Aggiunta di nuovi nodi/archi o ridimensionamento dei pesi (es. nuove unità organizzative o sovrapprezzi).
- Il risultato è un grafo di simulazione valido per lo scenario, denotato come $G_{sim}$ (o $G_{\mathcal{R}}$ per i vincoli).
- Importante: Nessuna decisione può essere derivata prima di questa fase. Il grafo originale statico non viene mai toccato.
Fase 3: Derivazione della Decisione (Decision Derivation)
- L'agente esegue chiamate agli strumenti (tool calls) esclusivamente su $G_{sim}$ .
- Modalità Skill: Se esiste un'abilità registrata nell'ontologia per il compito, viene eseguita direttamente sulla sandbox (senza caricare il grafo nel contesto dell'LLM).
- Modalità Reasoning: Se il compito è nuovo e non coperto dalle skill, il grafo simulato (fuso e pulito) viene caricato nel contesto dell'LLM per il ragionamento in-context.
- Ogni decisione genera un registro di audit completo e riproducibile che traccia l'evento, la simulazione eseguita e la decisione finale.

Gestione dello Stato e Contesto

Sandbox Isolata: Lo stato del grafo è mantenuto in un archivio in memoria isolato, identificato da un graph_id. Questo risolve il problema del contesto infinito: l'LLM non deve ricordare la storia grezza, ma solo i log delle transazioni (triplette tipizzate) e lo stato corrente della sandbox.
Dual-Mode: Il sistema alterna tra l'esecuzione di strumenti pre-registrati (per efficienza e precisione) e il ragionamento generativo (per casi non previsti), garantendo che anche nel ragionamento si operi su un grafo già simulato.

3. Contributi Chiave

Innovazione nella Simulazione dello Scenario: L'introduzione di un motore di simulazione sandbox che evolve una copia dell'ontologia aziendale prima di qualsiasi decisione. Questo chiude il "gap di simulazione" lasciato aperto dagli LLM frontali.
Innovazione nella Derivazione della Decisione: La pipeline Evento → Simulazione → Decisione con un'architettura a doppio modo, che produce tracce di decisione completamente tracciabili e riproducibili.
Principio "Simulation-First" e Indice di Precisione Illusoria:
- Definizione del principio secondo cui la migliore decisione è quella derivabile solo dal grafo simulato valido.
- Introduzione dell'indice IA(M) = Acc(M) - F1_chain(M) per quantificare il divario tra risposte corrette e processi corretti. Un alto IA indica che il modello sta "indovinando" o bypassando la simulazione.

4. Risultati Sperimentali

Il sistema è stato valutato su un benchmark di 11 compiti (2.200 campioni di addestramento, 1.100 di test) confrontato con modelli frontali zero-shot (Doubao-1.8 e DeepSeek-V3.2).

Accuratezza vs. F1 della Catena Strumentale:
- LOM-action: 93,82% di Accuratezza e 98,74% di F1 (catena strumenti).
- Baseline (Doubao/DeepSeek): ~80% di Accuratezza ma solo 24-36% di F1.
Il Fenomeno della Precisione Illusoria: Le baseline hanno raggiunto quasi il 100% di accuratezza sui compiti di base (es. connettività) con un F1 di 0,00. Questo significa che fornivano la risposta corretta senza mai eseguire la simulazione richiesta (bypassando la Fase 2), operando direttamente sul grafo non vincolato.
Vantaggio nei Compiti Aziendali: Nei compiti di simulazione vincolata (es. fc_constraint_connection), LOM-action ha superato le baseline con un divario di accuratezza del 34% (100% vs 66%), dimostrando che la simulazione è cruciale per scenari reali.
Validazione Statistica: L'analisi a gruppi conferma che il vantaggio di LOM-action è statisticamente significativo e di natura architetturale, non solo di addestramento.

5. Significato e Implicazioni

Il paper stabilisce che per l'AI aziendale affidabile, la scala del modello non è il prerequisito fondamentale, ma l'architettura governata dall'ontologia.

Cambiamento di Paradigma: Si passa da un approccio "retrieval-augmented" (dove l'ontologia è solo un contesto di ricerca) a un approccio "simulation-governed" (dove l'ontologia è un'autorità che modifica l'ambiente di esecuzione prima del ragionamento).
Audit e Compliance: Ogni decisione è provabile e riproducibile, essenziale per settori regolamentati (finanza, logistica, risorse umane).
Principi di Deployment: Il paper propone quattro principi per il deployment produttivo, tra cui la minimizzazione della logica di business nel codice (spostandola nell'ontologia) e l'uso di un ciclo di feedback umano (HITL) per risolvere l'ambiguità degli input prima della simulazione.

In sintesi, LOM-action dimostra che l'intelligenza decisionale aziendale affidabile richiede un'architettura che forzi la simulazione dello scenario aziendale come prerequisito obbligatorio, trasformando l'AI da un generatore di risposte fluide a un motore di decisioni auditable e governate.