La rincorsa verso modelli di dati centralizzati e monolitici rischia di trasformarsi in un collo di bottiglia strutturale per le aziende che intendono fare della democratizzazione dell’insight un reale fattore competitivo.
Nel corso del Use Case Session 2026 degli Osservatori Digital Innovation, è emerso chiaramente come il superamento di questa rigidità passi oggi dall’introduzione della Agentic AI.
Il caso emblematico è quello di PhotoSì, realtà operante nel mercato della stampa fotografica digitale con una base clienti di 1 milione e mezzo di utenti, in forte espansione europea.
In un business dove il traffico è fortemente influenzato dalle campagne di advertising e l’esigenza di acquisto va costantemente stimolata, mappare i comportamenti d’uso richiede di guardare ogni singolo dominio informativo all’interno di un’unica visione integrata.
La risposta sviluppata dall’azienda insieme al partner tecnologico BitBang dimostra come un’architettura orchestrata di agenti intelligenti possa svincolare l’IT dal ruolo di mero estrattore di report, accelerando le decisioni strategiche delle linee di business.
Indice degli argomenti
Come evolve l’architettura dati con l’Agentic AI
La modernizzazione dello stack tecnologico rappresenta il primo pilastro per abilitare scenari di analisi avanzati.
Nel percorso condiviso da PhotoSì insieme a BitBang, la priorità iniziale ha riguardato la migrazione dei dati relativi ai clienti verso una piattaforma in cloud, puntando alla costruzione del cosiddetto Golden Record. Questo elemento costituisce il nucleo fondamentale per raggiungere una 360 Customer View reale, l’unica architettura in grado di alimentare in modo diretto i modelli analitici, gli algoritmi predittivi e i sistemi di clustering della clientela.
L’integrazione deve muoversi attraverso cerchi concentrici di complessità. Si parte dalle fonti legacy e dai dati strutturati del CRM, per poi inglobare le metriche prodotte dall’analytics delle property digitali e i flussi relativi alla Customer Experience su applicazioni e siti web.
Il livello più esterno dell’architettura prevede l’inserimento di dati contestuali, come la stagionalità e le informazioni promozionali relative all’offerta aziendale e a quella dei competitor.
Come evidenziato da Amir Vaziri, Account Executive di BitBang, l’obiettivo primario di questa impostazione risiede nello «sviluppare i modelli nello stesso data hub in cui sono stati caricati i dati preventivamente, in modo tale da dare un accesso privilegiato senza tecnologie intermediarie».
Le strategie anti abbandono
I modelli predittivi così integrati abilitano azioni mirate su tre fronti specifici: il contrasto all’abbandono del carrello tramite strategie anti-churn, l’individuazione della propensione d’acquisto per convertire i lead in clienti attivi e la definizione di contenuti personalizzati secondo logiche di Next Best Action e cross-selling.
Dalla Business Intelligence tradizionale all’autonomia dei sistemi multi agente
Una volta consolidata la Data Platform, le organizzazioni si scontrano con la necessità di rendere questi dati fruibili alle linee di business in tempi rapidi.
La Business Intelligence tradizionale mostra spesso il fiato corto quando si tenta di democratizzare l’accesso alle informazioni. L’introduzione dell’Agentic AI cambia l’interazione tra utente e infrastruttura, trasformando la ricerca di insight da un processo di estrazione tecnica a una conversazione fluida e contestuale.
L’adozione di sistemi multi-agente permette di superare la rigidità dei cruscotti tradizionali. Non si tratta semplicemente di interrogare un database tramite linguaggio naturale, ma di disporre di entità software autonome capaci di comprendere il contesto della richiesta, selezionare le tabelle pertinenti ed elaborare una risposta di valore aziendale.
Un approccio che accelera il time-to-market delle decisioni operative, scaricando il reparto IT dalle attività ripetitive di reportistica e focalizzando le risorse umane su compiti a maggior valore aggiunto.
Come progettare un ecosistema di analisi basato su orchestratore e agenti verticali
Il passaggio cruciale nella progettazione di un ecosistema di Agentic AI risiede nel motivo logico che spinge a rifiutare un approccio monolitico.
La tendenza spontanea dei manager, di fronte a una nuova piattaforma dati, è richiedere un unico grande modello centralizzato che contenga ogni variabile aziendale. Questa impostazione si rivela fallimentare sul piano pratico. Ciascun dominio aziendale possiede le proprie granularità e i propri ritmi informativi; cercare un denominatore comune costringe a scartare entità fondamentali o a effettuare aggregazioni forzate che distruggono il valore dell’analisi.
La risposta architetturale più efficiente consiste nel segmentare l’intelligenza in agenti verticali specializzati, coordinati da un livello superiore di orchestrazione. Andrea Sozzo, Chief Data Officer di PhotoSì, ha descritto la scelta strategica di «non fare un solo agente, ma di avere diversi analisti che sono anch’essi agenti, che si occupano di uno specifico dominio, lo conoscono, sanno come fare la join delle eventuali tabelle e sanno come arriveranno le richieste dai propri user».
AI agentica verticale e orchestrazione centrale
La frammentazione delle tassonomie rappresenta un altro ostacolo per i modelli centralizzati tradizionali. I dati aziendali provengono spesso da sistemi legacy differenti o da piattaforme di terze parti, situazioni in cui la medesima entità di business viene registrata con nomenclature diverse. Sebbene sia possibile creare mappature manuali, la loro manutenzione richiede un carico di lavoro costante e strutturalmente inefficiente.
L’architettura basata su un orchestratore centrale risolve questa criticità alla radice. L’orchestratore si pone come interfaccia tra l’utente finale e gli agenti verticali: conosce le diverse nomenclature utilizzate dal personale di business, identifica l’agente specifico da attivare per risolvere il quesito, impacchetta i dati provenienti da sorgenti distinte e restituisce un insight unico e coerente. Questo modello organizzativo ridefinisce il ruolo del team dati all’interno dell’organigramma aziendale e permette di superare la vecchia logica del data team come semplice fornitore di numeri, per farlo evolvere in un partner in grado di suggerire soluzioni concrete e vicine alle esigenze di business.
Linee guida per la governance dei costi computazionali e la ottimizzazione delle query
Abilitare un’architettura di Agentic AI richiede una strategia di governance chiara fin dal primo giorno, focalizzata sia sulla qualità dei modelli sia sulla sostenibilità economica dell’infrastruttura.
Un errore comune è progettare l’alleato tecnologico partendo da ipotesi astratte formulate in astrusi tavoli di lavoro, anziché analizzare le reali frizioni quotidiane dei dipendenti. L’efficacia del sistema si misura sulla sua aderenza alle necessità reali.
Per mappare i veri casi d’uso, è necessario analizzare gli storici delle conversazioni sui canali di comunicazione interna come Slack, le piattaforme di Project Management come Jira e i flussi di email aziendali, costruendo un backlog solido basato sulle richieste più diffuse.
La fase di test trae enorme beneficio dal coinvolgimento diretto degli utenti più scettici o meno inclini alla tecnologia. Sottoporre lo strumento a stress test con i profili aziendali più esigenti permette di far emergere tempestivamente le lacune logiche o i problemi di interpretazione dei prompt, accelerando il processo di ottimizzazione e rifinitura del sistema.
Monitoraggio dei feedback degli utenti e controllo del consumo di token
L’ottimizzazione continua si basa su meccanismi di valutazione immediati e strutturati. Implementare sistemi di feedback semplificati all’interno dell’interfaccia di conversazione consente dagli utenti di validare o respingere l’output con un semplice click. I dati raccolti attraverso queste interazioni vengono poi integrati nei dataset di valutazione per affinare i prompt e migliorare le risposte future del sistema.
Accanto alla governance funzionale, la sostenibilità finanziaria rappresenta l’aspetto più critico quando si opera con modelli di frontiera.
L’accesso incontrollato alle query aziendali rischia di generare costi computazionali elevati e difficilmente prevedibili. La soluzione risiede nella responsabilizzazione diretta dei dipartimenti attraverso l’assegnazione di budget operativi precisi.
Come sottolineato da Sozzo, la priorità è stata «la governance dal giorno zero. Abbiamo responsabilizzato i team dandogli un budget a livello di token in modo da fargli capire che tutto questo ha un costo». Stabilire una soglia massima di consumo impedisce la proliferazione di interrogazioni ridondanti o inefficienti, garantendo il pieno controllo economico sull’infrastruttura di intelligenza artificiale.
Partecipa alla community