Quando le iniziative di AI della tua organizzazione — che si tratti di copiloti o di sistemi agentici più avanzati — non producono un impatto concreto sul business, è facile pensare che il problema risieda nei dati, soprattutto se hai investito in modo significativo in data lake, piattaforme dati, data warehouse e dashboard.
Sebbene una gestione inadeguata dei dati in un contesto di AI possa portare a risposte imprecise, allucinazioni e a una generale perdita di fiducia da parte del business, spesso la sfida è più ampia.
In altre parole, l'AI non si basa esclusivamente sui dati. Ha bisogno della conoscenza aziendale (enterprise knowledge), che non può essere semplicemente caricata in un sistema e considerata pronta all'uso. Richiede struttura, contesto, una chiara definizione delle responsabilità e una gestione continua per mantenerla aggiornata e rilevante.
Sulla base dell'esperienza di NTT DATA nei progetti di AI enterprise, ecco otto modi per mettere la conoscenza aziendale al servizio dell'intelligenza artificiale.
1. Utilizza la conoscenza aziendale per potenziare le prestazioni dell'AI
Immagina che una società globale di servizi finanziari decida di implementare un copilota AI interno a supporto dei gestori delle relazioni con i clienti. Le basi dati sono solide: dati cliente puliti, sistemi di prodotto integrati e una moderna piattaforma dati. Perché allora il copilota fatica a rispondere a domande apparentemente semplici come: "Quali prodotti sono più adatti a questo segmento di clientela?"
Il problema è che ai dati manca il significato. Il sistema AI non dispone di una definizione condivisa di "segmento di clientela", non comprende le relazioni tra prodotti e casi d'uso e non possiede il contesto necessario sulle regole di business dell'azienda.
L'aggiunta di un livello di conoscenza (knowledge layer) arricchisce i dati di significato, contesto e relazioni.
Il messaggio chiave: i dati raccontano cosa è successo. La conoscenza permette all'AI di comprenderne il significato e di decidere come agire.
2. Definisci un linguaggio comune prima di scalare l'AI
Sia le persone sia i sistemi di AI devono interpretare i dati in modo coerente. Per questo, una delle prime sfide da affrontare è la standardizzazione semantica.
In un'azienda di telecomunicazioni, ad esempio, team diversi possono utilizzare definizioni differenti di "cliente attivo". Quando iniziano a utilizzare strumenti di analytics basati sull'AI a livello aziendale, ciascun team ottiene quindi una risposta diversa alla stessa domanda.
Questo problema può essere evitato definendo un significato condiviso attraverso glossari di business, metriche standardizzate e definizioni comuni tra tutti i sistemi.
Il messaggio chiave: se la tua organizzazione non condivide le stesse definizioni, nemmeno la tua AI potrà farlo.
3. Combina knowledge graph e ricerca vettoriale
Per una gestione ottimale dei dati, è meglio investire nei knowledge graph o utilizzare esclusivamente database vettoriali?
Immagina un'azienda sanitaria che utilizza la ricerca vettoriale per alimentare un assistente clinico. Inizialmente le prestazioni sono soddisfacenti, perché il sistema recupera documenti da grandi volumi di dati non strutturati. Tuttavia, quando gli viene chiesto di interpretare normative di compliance o applicare protocolli terapeutici, le risposte iniziano a perdere precisione. Il semplice recupero delle informazioni non è sufficiente quando accuratezza e capacità di ragionamento sono fondamentali.
Introducendo un knowledge graph, vengono modellate le relazioni tra pazienti, trattamenti e normative. L'assistente è così in grado di comprendere come gli elementi siano collegati tra loro. Le sue risposte diventano spiegabili — un requisito essenziale per la compliance — e riesce a gestire anche i casi più complessi con maggiore affidabilità.
I vettori offrono flessibilità nella gestione di contenuti non strutturati e complessi. I knowledge graph forniscono struttura, contesto e una base di ragionamento affidabile. Entrambi sono indispensabili.
Il messaggio chiave: la conoscenza abilitata dall'AI è, per sua natura, ibrida.
4. Gestisci la conoscenza come un prodotto lungo tutto il suo ciclo di vita
Un'azienda manifatturiera può costruire una solida base di conoscenza per le procedure di manutenzione, che funzionerà efficacemente per un certo periodo. Ma nel momento in cui i processi cambiano, l'AI continuerà a suggerire istruzioni obsolete, causando frustrazione tra gli operatori.
L'errore consiste nel considerare la conoscenza un elemento statico. In realtà, si comporta molto più come un software: richiede versioning, aggiornamenti, test e miglioramenti continui. Occorre quindi gestirla come un asset dinamico, attraverso attività quali:
- acquisire sia la conoscenza documentata sia l'esperienza non formalizzata dei dipendenti;
- organizzarla mediante una semantica chiara e criteri di classificazione;
- integrarla lungo pipeline, knowledge graph ed embedding;
- renderla disponibile tramite ricerca, agenti AI e Retrieval-Augmented Generation (RAG);
- mantenerla aggiornata attraverso controlli di qualità, revisioni continue e una corretta archiviazione.
Il messaggio chiave: una conoscenza non aggiornata diventa un fattore di rischio.
5. Individua e valorizza la conoscenza non documentata
Una parte del patrimonio informativo più prezioso di un'organizzazione non è mai stata formalizzata. Si manifesta nel modo in cui i professionisti più esperti prendono decisioni, nelle scorciatoie operative che adottano, nelle conversazioni quotidiane e nelle abitudini maturate con l'esperienza.
Pensiamo a un'azienda di logistica in cui i migliori responsabili della pianificazione superano costantemente le prestazioni dell'AI grazie all'intuito e alle euristiche sviluppate in anni di lavoro. Come può l'azienda acquisire questa conoscenza tacita e trasferirla al sistema?
- Process mining: analizzare i dati reali di esecuzione per individuare schemi decisionali e percorsi operativi nascosti dietro i processi formalizzati.
- Trascrizione assistita dall'AI delle decisioni: acquisire e strutturare il processo decisionale in tempo reale trasformando conversazioni, chiamate e appunti in conoscenza riutilizzabile.
- Cicli di feedback strutturati: creare modalità semplici e coerenti che consentano agli esperti di correggere e perfezionare gli output dell'AI, permettendo al sistema di apprendere progressivamente.
Acquisire questo tipo di conoscenza è complesso e richiede la giusta combinazione di strumenti, governance e competenze di dominio, ma il valore generato per il business può essere significativo.
Il messaggio chiave: se la conoscenza rimane solo nella mente dei dipendenti, l'AI non potrà mai apprenderla.
6. Progetta il retrieval pensando all'AI, non alle persone
La gestione tradizionale della conoscenza è stata progettata per gli utenti umani. L'AI, però, non "cerca" le informazioni come facciamo noi: recupera solo il contesto necessario per compiere il passo successivo.
Ad esempio, quando un'azienda del retail implementa un chatbot basato esclusivamente sulla ricerca documentale tradizionale, il sistema tende a restituire risposte lunghe e poco pertinenti, perché recupera documenti completi anziché identificare le informazioni realmente rilevanti rispetto al contesto.
Per risolvere il problema è necessario riprogettare il livello di retrieval introducendo:
- Retrieval-Augmented Generation (RAG): recuperare solo gli estratti di informazione più pertinenti, utilizzandoli per fondare la risposta dell'AI invece di affidarsi a documenti completi.
- Ricerca ibrida (parole chiave, semantica e knowledge graph): combinare corrispondenze esatte, ricerca basata sul significato e interrogazioni che tengono conto delle relazioni tra i dati, ottenendo maggiore precisione e contesto.
- Filtri contestuali: selezionare i risultati in base alla situazione specifica — chi pone la domanda, quale attività sta svolgendo e quali informazioni sono rilevanti in quel momento — affinché l'AI utilizzi esclusivamente ciò che serve.
Il messaggio chiave: l'obiettivo non è garantire l'accesso alla conoscenza, ma renderla pronta per essere utilizzata dall'AI.
7. Trasforma la governance in una pratica operativa
La governance non è un'opzione nei progetti di AI enterprise, soprattutto nei settori altamente regolamentati come i servizi finanziari e la sanità.
Prendiamo il caso di una banca che valuta l'introduzione dell'AI. Se non è possibile tracciare l'origine dei dati, comprendere come sono stati utilizzati o ricostruire le relazioni tra i diversi elementi di conoscenza, il progetto rischia di bloccarsi perché le risposte non possono essere spiegate né considerate affidabili.
Implementando knowledge graph e framework di governance, la banca può invece risalire alle fonti delle risposte, comprendere come vengono generate le decisioni e applicare lungo tutto il processo le corrette regole di rischio e compliance.
Il messaggio chiave: senza governance non c'è fiducia, e senza fiducia non c'è adozione.
8. Parti da un progetto circoscritto, ma progetta fin dall'inizio per la scalabilità
Tentare di trasformare in un'unica iniziativa la gestione della conoscenza di tutta l'organizzazione è quasi sempre destinato a fallire: il perimetro è troppo ampio e gli obiettivi troppo astratti.
Un approccio più efficace consiste nell'avviare un caso d'uso ad alto valore, ad esempio nell'assistenza clienti o nelle operations, e costruire progressivamente su quella base. Concentrati sulla creazione di componenti riutilizzabili, come ontologie, pipeline della conoscenza e modelli di retrieval. Una volta dimostrato il loro valore, potranno essere estesi ad altre aree aziendali.
Ad esempio, un'azienda del settore utilities potrebbe iniziare affrontando un problema specifico: tradurre il linguaggio naturale in query SQL per l'accesso ai dati operativi. Basando il sistema su ontologie ben definite, logiche deterministiche e modelli linguistici di grandi dimensioni (LLM) utilizzati in modo mirato, il risultato sarà una soluzione realmente affidabile, non una semplice dimostrazione tecnologica.
Il messaggio chiave: pensa in grande, inizia in piccolo e scala rapidamente.
L'Agentic AI alza l'asticella
L'Agentic AI amplia notevolmente le capacità dei sistemi di intelligenza artificiale, ma aumenta anche il livello di complessità. Per questo motivo, una solida strategia di gestione della conoscenza aziendale deve diventare un fattore abilitante, capace di rendere questi sistemi più affidabili e spiegabili.
Quando si utilizzano ontologie e conoscenza strutturata per interpretare in modo deterministico l'intento dell'utente, ricorrendo ai modelli linguistici di grandi dimensioni (LLM) solo quando necessario e vincolandone gli output attraverso contesto e regole, il livello di conoscenza diventa il vero "cervello" del sistema, ancora più del modello stesso.
Questo avviene quando si smette di affidare al modello il compito di interpretare ogni aspetto del problema. Le ontologie e la conoscenza strutturata vengono utilizzate per risolvere l'intento ogni volta che è possibile; gli LLM intervengono solo quando apportano un reale valore aggiunto e sempre all'interno di un contesto controllato e governato da regole. In questo scenario, è il knowledge layer a svolgere la maggior parte del lavoro: il modello diventa una componente del sistema, non il suo elemento centrale.
Se c'è un messaggio conclusivo da ricordare, è questo: il vero problema dell'AI non è il modello, ma la conoscenza. Tratta la conoscenza come un asset strategico e tutto il resto inizierà a trovare il proprio posto.