Le moderne imprese non conservano la propria conoscenza in un unico luogo. Fatti critici riguardanti clienti, contratti e performance finanziarie risiedono in database strutturati, dove i dati sono organizzati in righe e colonne. Nel frattempo, le storie che si celano dietro quei numeri — rapporti di incidenti, documenti di policy e log operativi — risiedono in file di testo non strutturati, fogli di calcolo e PDF. Per decenni, i sistemi di intelligenza artificiale hanno faticato a colmare questo divario. Un tipo di sistema, noto come generazione aumentata dalla ricerca (RAG), eccelle nel trovare risposte all'interno di vaste biblioteche di testo ma non può eseguire i calcoli precisi richiesti da un database. Un altro tipo, capace di tradurre domande umane in query di database, può elaborare numeri ma non può leggere un manuale di policy o comprendere la sequenza di eventi in un rapporto narrativo. Questa separazione costringe le aziende a scegliere tra accuratezza e contesto, lasciandole spesso con risposte incomplete a domande complesse che richiedono entrambi.

Un nuovo approccio, dettagliato in una recente ricerca di Harshil Lodhiya di Sliced Health, propone una soluzione unificata che tratta la conoscenza aziendale come un singolo ecosistema interconnesso piuttosto che come una collezione di silos isolati. Il ricercatore introduce un sistema chiamato Self-Optimizing Enterprise RAG+SQL Knowledge Agent. Questo non è meramente uno strumento che cerca testo o scrive codice; è un'architettura middleware progettata per agire come un direttore d'orchestra centrale per diverse fonti di informazione. Prende una domanda in linguaggio naturale, la scompone in compiti specifici e poi orchestra una sequenza di azioni: recupera documenti rilevanti, attraversa una mappa di relazioni tra eventi ed esegue query di database precise. Fondamentalmente, il sistema non si ferma alla generazione di una risposta. Monitora continuamente le proprie prestazioni, imparando da ogni interazione per migliorare il modo in cui seleziona gli strumenti, recupera le informazioni e valida il proprio lavoro. Il risultato è un sistema in grado di rispondere a domande come: "Quali clienti colpiti dal disservizio della scorsa settimana hanno anche un supporto premium nei loro contratti?", leggendo simultaneamente il rapporto dell'incidente, controllando il database per gli account interessati e verificando i termini del contratto, il tutto garantendo che la risposta finale sia sicura, accurata e completamente documentata.

L'innovazione principale risiede nel modo in cui il sistema pianifica il proprio lavoro prima di iniziare. Invece di chiedere a un singolo modello di intelligenza artificiale di indovinare la risposta, l'agente decompone prima la domanda dell'utente in un piano di evidenze tipizzato. Questo piano è una sequenza strutturata di operazioni, simile a una lista di controllo per un investigatore esperto. Per una query complessa, l'agente potrebbe prima identificare l'incidente specifico in un log, poi usare quell'informazione per trovare i nomi dei clienti rilevanti e infine usare quei nomi per filtrare un database per i dettagli del contratto. Ogni passaggio in questo piano ha un compito specifico assegnato a uno strumento: uno per leggere il testo, un altro per navigare in un grafo di relazioni e un terzo per scrivere ed eseguire comandi di database. Separando la fase di pianificazione dalla fase di esecuzione, il sistema assicura che ogni pezzo di informazione raccolto sia pertinente e che la logica che li connette sia verificabile. Questa struttura impedisce al sistema di allucinare fatti o fare salti non supportati, poiché ogni affermazione nella risposta finale deve essere avvalorata da una specifica prova raccolta durante il processo.

Per gestire la natura vasta e variegata dei dati aziendali, il sistema impiega una strategia di recupero ibrida che combina tre metodi distinti. Utilizza la ricerca vettoriale densa per trovare testi semanticamente simili alla domanda, anche se le parole non corrispondono esattamente. Impiega il matching lessicale per trovare termini esatti, il che è vitale per codici o nomi specifici. Ancora più importante, utilizza un approccio basato su grafi per comprendere le relazioni. In questo grafo, eventi, documenti e record di database sono collegati tra loro. Se una domanda riguarda la catena di eventi che ha portato a un guasto, il sistema può attraversare questo grafo per seguire il percorso causale dall'errore iniziale all'impatto finale, invece di limitarsi a cercare parole chiave. Ciò consente all'agente di ricostruire narrazioni complesse, come la sequenza di eventi dietro un fallimento nel batch di pagamenti, collegando i punti tra una voce di log, una violazione della policy e una specifica riga di database.

La sicurezza e l'accuratezza sono garantite da rigorosi passaggi di validazione che avvengono prima che qualsiasi risposta finale venga presentata a un utente. Quando il sistema genera una query di database, non si limita a eseguirla. Prima controlla la query contro una versione ridotta dello schema del database, assicurandosi che acceda solo alle tabelle e alle colonne che l'utente è autorizzato a vedere. La query viene poi testata in un sandbox in sola lettura, un ambiente sicuro in cui può essere eseguita senza il rischio di alterare o eliminare qualsiasi dato. Il sistema verifica che la query sia sintatticamente corretta e che i risultati abbiano senso nel contesto della domanda. Se una query fallisce la validazione o se le evidenze recuperate sono insufficienti, il sistema è progettato per astenersi dal fornire una risposta piuttosto che tirare a indovinare. Spiegherà invece quali informazioni mancano o perché non può procedere, una caratteristica fondamentale per mantenere la fiducia in ambienti ad alto rischio come la finanza o la conformità.

L'aspetto forse più dinamico di questa architettura è la sua capacità di auto-ottimizzazione. Il sistema opera come un problema di controllo a ciclo chiuso, regolando costantemente il proprio comportamento in base al feedback dal mondo reale. Mentre il sistema elabora migliaia di query, raccoglie dati di telemetria riguardanti il costo, la velocità e l'accuratezza delle sue decisioni. Traccia quali modelli hanno performato meglio per specifici tipi di compiti, quali metodi di recupero hanno prodotto i documenti più rilevanti e dove le soglie di validazione necessitavano di aggiustamenti. Utilizzando questi dati, il sistema aggiorna automaticamente le proprie policy interne. Se un particolare modello di intelligenza artificiale diventa più lento o meno accurato nel tempo, il sistema impara a instradare meno compiti verso di esso. Se un certo tipo di recupero documentale fallisce costantemente nel trovare le informazioni corrette, il sistema regola i propri pesi di ricerca per dare priorità ad altri metodi. Questo ciclo di apprendimento continuo assicura che l'agente non rimanga statico ma evolva insieme al mutare del panorama dei dati aziendali, delle necessità degli utenti e della tecnologia disponibile.

La ricerca delinea un blueprint pratico per costruire un tale sistema utilizzando tecnologie esistenti e robuste. Suggerisce l'uso di database relazionali standard per memorizzare metadati e strutture grafiche, insieme a database vettoriali per gestire gli embedding testuali. L'architettura è modulare, permettendo alle organizzazioni di adottare componenti individuali, come la traduzione di query consapevole dello schema o il ragionamento su grafi di eventi, prima di integrare l'intero ciclo di auto-ottimizzazione. Questa flessibilità significa che anche implementazioni parziali possono fornire un valore significativo migliorando l'accuratezza di compiti specifici, come la generazione di report di database o la sintesi di log di incidenti. L'obiettivo finale non è sostituire gli analisti umani, ma fornire loro un assistente potente e affidabile che possa navigare nella complessità della conoscenza aziendale moderna, trasformando dati frammentati in insight coerenti e azionabili.

I risultati suggeriscono che trattare l'interrogazione aziendale come un problema di controllo multi-strumento, piuttosto che come una semplice ricerca testuale, offre una via per un'intelligenza artificiale affidabile nel business. Combinando i punti di forza del recupero testuale, del ragionamento su grafi e dell'esecuzione di database all'interno di un unico framework autocorrettivo, il sistema affronta i limiti fondamentali degli approcci precedenti. Riconosce che nessun singolo modello o metodo può risolvere ogni problema e si concentra invece sull'orchestrare un insieme diversificato di strumenti per produrre un risultato unificato. La ricerca dimostra che con una progettazione attenta, inclusi controlli rigorosi, controllo degli accessi e ottimizzazione continua, è possibile costruire agenti che siano non solo intelligenti, ma anche sicuri, trasparenti e capaci di migliorare nel tempo. Questo approccio rappresenta un passo significativo verso la realizzazione del potenziale dell'intelligenza artificiale nel comprendere davvero e interagire con la realtà complessa e sfaccettata dell'impresa moderna.