Sicurezza, dati, infrastrutture, apertura: sono un po’ queste le keyword attorno alle quali ruota la strategia di Oracle. Con la promessa di portare l’AI oltre la generazione di risposte e suggerimenti, affidandole una parte crescente del lavoro operativo nelle varie funzioni aziendali: dall’amministrazione alle risorse umane, dalla supply chain alla customer experience per citarne alcune. Perché questo passaggio sia sostenibile, però, le aziende devono poter vedere che cosa fanno gli agenti, quali informazioni utilizzano, quali risultati producono e quanto costano.
È il quadro tracciato da Andrea Sinopoli, Country Leader Italy e Vice President Technology & Cloud di Oracle. Una strategia che, accanto all’evoluzione delle applicazioni, poggia come detto su ambiti specifici: sicurezza, infrastruttura e dati.
Indice degli argomenti
Oracle Fusion Claw porta gli agenti nei processi aziendali
Partiamo dalle applicazioni. Oracle Fusion Claw è il runtime alla base delle Fusion Agentic Applications, progettato per affrontare attività aziendali complesse. Il suo funzionamento si basa sulla separazione tra il ragionamento del modello AI e l’esecuzione delle attività: il modello interpreta l’obiettivo, valuta le alternative e definisce un piano; un livello distinto si occupa dei calcoli e delle operazioni ripetitive su larga scala.
Oracle indica come disponibili 25 applicazioni agentiche basate su Claw, in ambiti che vanno dall’amministrazione alle risorse umane, dalla supply chain alla customer experience. Nella pianificazione produttiva, per esempio, un’applicazione può valutare come distribuire materiali e capacità limitati tra esigenze concorrenti, confrontare scenari e preparare un piano da sottoporre alla revisione dei team.
La separazione delle attività risponde, nella lettura illustrata da Andrea Sinopoli, a due esigenze. La prima riguarda l’ottimizzazione delle risorse infrastrutturali: riservare il modello AI alle fasi che richiedono ragionamento e affidare calcoli e operazioni ripetitive a sistemi tradizionali consente di utilizzare la capacità di elaborazione in modo più efficiente. Una scelta che assume rilievo con la crescita della domanda di calcolo e dei costi legati all’AI.
«Il secondo obiettivo è il controllo» commenta Sinopoli. Le persone definiscono obiettivi, policy, autorizzazioni e i guardrail entro cui l’applicazione agentica può lavorare. Il modello può elaborare un piano e proporre azioni, ma non può attribuirsi autonomamente nuovi permessi: le attività vengono eseguite secondo le regole e i livelli di approvazione stabiliti dall’organizzazione.
La delega richiede anche la possibilità di verificare che cosa accade durante il processo. «All’interno delle nostre soluzioni applicative è stata introdotta una console dedicata che permette di misurare, tracciare e monitorare costantemente le azioni compiute dagli agenti», spiega Sinopoli. La misurabilità delle attività e dei risultati diventa così parte del modello di governo, insieme alla possibilità di individuare le operazioni che richiedono un intervento umano.
In questa direzione si muove Fusion Agentic Home, attraverso cui gli utenti possono definire obiettivi, delegare il lavoro e seguirne l’avanzamento. Oracle AI Agent Studio for Fusion Applications offre invece strumenti per creare, estendere e gestire agenti e applicazioni agentiche, con funzionalità di osservabilità, misurazione del ritorno sugli investimenti e controllo.
La crescita del numero di agenti apre anche una questione economica. «Siamo entrati in una nuova fase del mercato in cui il tema FinOps 2.0 è prioritario», osserva Sinopoli. «Da un lato occorre evitare di porre troppi vincoli che rischiano di soffocare l’innovazione e far perdere vantaggio competitivo, dall’altro è indispensabile introdurre una governance e un controllo minimi per gestire la spesa aziendale».
Sicurezza: chi può fare che cosa, e su quali dati
Secondo punto: la sicurezza. Che deve accompagnare l’agente lungo l’intero processo, dalla lettura delle informazioni all’avvio del task. Occorre definirne l’identità, i dati accessibili, le operazioni consentite e i casi in cui è necessaria un’approvazione.
«Quando l’utente attiva un agente di IA, l’agente può attingere alla base dati aziendale ed eseguire compiti complessi, ma la sua visibilità resta rigorosamente perimetrata entro le credenziali dell’utente titolare», ha spiegato Sinopoli, descrivendo il controllo degli accessi in Oracle.
La Deep Trust AI Architecture estende questo principio ai livelli sottostanti le applicazioni. Prevede, tra l’altro, regole di accesso e di business applicate nel database: agenti e applicazioni che interrogano i dati restano così soggetti ai controlli stabiliti.
Il controllo riguarda anche la gestione delle identità. «In futuro, sotto l’identità dell’utente padre verranno create più sotto-identità agentiche, ciascuna con ruoli, responsabilità e permessi d’azione ben delimitati a seconda del task assegnato», ha osservato Sinopoli.
Alla protezione degli agenti si affianca l’uso dell’AI per la sicurezza. Oracle ha annunciato AI Security Mesh, sviluppato con modelli OpenAI per la cybersicurezza, per aiutare i team a individuare vulnerabilità, valutarne le priorità e verificare possibili correzioni. Secondo l’azienda, gli interventi correttivi vengono applicati dopo l’approvazione del cliente.
In ogni caso, resta centrale la supervisione umana nelle decisioni, soprattutto con l’adozione dell’AI nelle diverse funzioni aziendali.
Infrastruttura AI: la rete conta quanto il calcolo
Terzo punto: l’infrastruttura. L’estensione degli agenti nei processi aziendali richiede risorse di calcolo e infrastrutture capaci di alimentare applicazioni e modelli con i dati necessari. Per Oracle, la partita riguarda sia la disponibilità di acceleratori dedicati sia l’efficienza dei collegamenti tra le componenti.
Tra gli annunci dell’Oracle AI World di Las Vegas spicca l’arrivo previsto delle TPU di Google su Oracle Cloud Infrastructure. Le Tensor Processing Unit, progettate per i carichi AI, amplieranno le opzioni disponibili su OCI: una scelta che Oracle collega alla possibilità di selezionare risorse diverse in base alle caratteristiche dei workload.
Sinopoli ha affiancato a questo annuncio quello sulle nuove funzionalità di Oracle Acceleron, la suite di tecnologie di networking e infrastruttura cloud dell’azienda. Il loro obiettivo è sostenere il trasferimento dei dati e la comunicazione tra carichi di lavoro AI distribuiti, anche attraverso la selezione di percorsi alternativi in caso di problemi di rete.
«Un celebre motto diceva che la potenza è nulla senza controllo», ha osservato il manager. «Il successo non dipende solo da chi costruisce le gigafactory più grandi, ma da chi riesce a ottimizzare le risorse di rete per sfruttare appieno la potenza elaborativa».
Del resto, è chiaro che le prestazioni dipendono dall’insieme dell’architettura, oltre che dalla capacità di calcolo installata.
Openness: Snowflake arriva su Oracle Cloud Infrastructure
La strategia infrastrutturale e quella sui dati si incontrano nella scelta di Oracle di ampliare l’ecosistema di tecnologie disponibili sulla propria piattaforma cloud. L’esempio più significativo è la partnership con Snowflake, azienda con cui Oracle compete nel mercato delle data platform.
Le due società hanno annunciato che Snowflake AI Data Cloud sarà disponibile come servizio nativo su Oracle Cloud Infrastructure. I clienti potranno acquistarlo e attivarlo attraverso Oracle, con fatturazione unificata e la possibilità di utilizzare gli Oracle Universal Credits.
«Solo 5 o 6 anni fa sarebbe stato impensabile vedere Oracle aprire la propria infrastruttura a un diretto concorrente nel mercato delle data platform», ha osservato Sinopoli. «Oggi la nostra visione è profondamente diversa: rendere le tecnologie aperte e complementari permette di aggregare basi dati eterogenee, fornendo il massimo valore possibile ai modelli di intelligenza artificiale».
L’accordo punta ad avvicinare le funzionalità di analytics, data engineering e AI di Snowflake ai dati presenti nelle applicazioni e nei database Oracle su OCI. Le integrazioni previste comprendono Fusion Applications, NetSuite e diversi database Oracle: l’obiettivo dichiarato è semplificare le connessioni e ridurre la necessità di sviluppare pipeline personalizzate o trasferire dati tra cloud differenti.
| Ambito | Annuncio o soluzione | Funzione nell’AI aziendale |
| Applicazioni | Fusion Claw e Fusion Agentic Applications | Ragionamento, pianificazione ed esecuzione di attività entro limiti definiti |
| Governo degli agenti | Fusion Agentic Home e AI Agent Studio | Delega e monitoraggio del lavoro; creazione e gestione degli agenti |
| Sicurezza | Deep Trust AI Architecture e AI Security Mesh | Controlli sull’accesso ai dati e supporto all’individuazione delle vulnerabilità |
| Infrastruttura | TPU Google su OCI e Oracle Acceleron | Ampliamento delle opzioni di calcolo e miglioramento della connettività per carichi AI |
| Apertura e dati | Snowflake su OCI e AI Data Platform | Integrazione prevista con Snowflake e costruzione del contesto aziendale per l’AI |
Data quality e data discovery: dare contesto agli agenti
Gli agenti possono agire sui processi soltanto se riescono a individuare le informazioni pertinenti e a interpretarle correttamente. È qui che entrano in gioco data discovery, qualità dei dati e conoscenza del business.
Oracle ha annunciato nuove funzionalità per la propria AI Data Platform, tra cui un agente di discovery che analizza schemi dei database, modelli semantici, documentazione e contenuti non strutturati per contribuire alla costruzione delle ontologie aziendali. Si tratta delle definizioni che descrivono concetti, relazioni e regole utilizzati dall’organizzazione: una base comune per aiutare applicazioni e agenti a interpretare i dati.
«Gli annunci legati alla Data Platform introducono l’automatizzazione delle ontologie aziendali», ha spiegato Sinopoli. «Questo consente di contestualizzare il dato e fornirgli una precisa connotazione semantica». Il valore, per un agente, è poter collegare un’informazione al processo e alle regole dell’organizzazione che la utilizza.
In questo senso rientra anche il principio della gravità del dato, cioè l’opportunità di analizzare le informazioni dove già risiedono. «La Data Platform Oracle permette di effettuare data discovery ed eseguire interrogazioni direttamente dove il dato risiede, senza dover movimentare o migrare i dati», spiega Sinopoli.
Individuare e contestualizzare i dati è un primo passo; resta poi necessario verificarne accuratezza, aggiornamento e coerenza, assegnando responsabilità sulla loro gestione.
Make or buy: agenti pronti e sviluppo personalizzato
Per le imprese, l’introduzione dell’AI agentica apre un grande interrogativo: adottare funzionalità già integrate nelle applicazioni oppure sviluppare applicazioni proprie? La risposta dipende dai processi coinvolti, dalle competenze disponibili e dal livello di personalizzazione richiesto.
«Nella modernizzazione dei processi aziendali, le aziende italiane si chiedono spesso se acquistare soluzioni out-of-the-box o costruire autonomamente i propri agenti» commenta Sinopoli. «Ed è importante disporre di una dorsale applicativa enterprise strutturata, arricchita nativamente da funzionalità di AI e integrabile con i propri agenti».
Il modello lascia quindi spazio a una combinazione: usare le applicazioni agentiche disponibili per attività comuni e intervenire con sviluppi specifici dove i processi aziendali richiedono logiche differenti.
Più AI, più spazio alle persone
La diffusione degli agenti cambia anche il rapporto tra persone e tecnologia. Se una parte delle attività operative viene affidata all’AI, le persone possono dedicare maggiore attenzione alla definizione degli obiettivi, alle decisioni e alla ricerca di nuove opportunità.
Riprendendo le riflessioni condivise da Sam Altman, CEO di OpenAI, durante l’AI World, Sinopoli ha sottolineato il potenziale dell’AI come strumento di ampliamento delle capacità individuali, anche nello sviluppo software: la possibilità di descrivere un’applicazione in linguaggio naturale abbassa la soglia di accesso alla sperimentazione e alla creazione di soluzioni.
«L’AI non mette in discussione il ruolo dell’uomo, ma ne esalta la creatività e la produttività», commenta Sinopoli. Mentre agli agenti vengono delegate più attività, restano alle organizzazioni la scelta degli obiettivi e la responsabilità dei risultati.







































Partecipa alla community