C’è un difetto strutturale in quasi tutti gli agenti enterprise che usiamo oggi: aspettano di essere interrogati. RAG, tool calling, ReAct e ogni pattern oggi diffuso partono da un prompt umano. Il paper che introduce i Context Graph ribalta questo schema: che cosa succede se l’intelligenza artificiale non risponde, ma anticipa la domanda? E soprattutto, come si fa a farlo senza inondare i dipendenti di notifiche inutili?

La risposta degli autori è una macchina a tre stadi che poggia su una struttura dati viva e relazionale, il Context Graph. Invece di vettorizzare documenti e cercare similarità a richiesta, il grafo modella entità aziendali — contratti, ticket di incident, opportunità di vendita — con le loro relazioni e, aspetto decisivo, le transizioni di stato nel tempo. Un Delta Detection Engine monitora questi cambiamenti in continuo; uno Scorer valuta urgenza, rilevanza e aderenza al ruolo della persona; un LLM, infine, confeziona e consegna notifiche con la spiegazione ancorata al dato.

Il risultato non è solo teorico. I test condotti su tre casi d’uso generici — gestione del ciclo di vita dei contratti, risposta a incidenti ingegneristici e igiene della pipeline di vendita — parlano chiaro: Precision@5 dello 0,83, tasso di falsi positivi dello 0,11 e un tempo medio per portare in superficie un’informazione utile che crolla da 47 minuti (baseline reattiva) a meno di 30 secondi. Tutto implementato con NetworkX e le API di Anthropic Claude.

Qui nasce la tensione che interessa chi valuta deployment on-premise. L’implementazione di riferimento usa un LLM esterno via API, Claude. Ma il Context Graph, per definizione, ingerisce lo stato vivo dell’impresa: pipeline commerciali, contratti in negoziazione, dettagli di incidenti di sicurezza. Passare questi dati a un endpoint cloud significa accettare un rischio di sovranità che molti settori – finanza, sanità, difesa – non possono permettersi. Non è un dettaglio tecnico, è il crinale che separa un proof-of-concept da un prodotto adottabile.

La buona notizia è che l’intera architettura è modulare: il motore LLM è intercambiabile. Sostituire Claude con un modello self-hosted – un Llama 3 quantizzato, un Mistral con fine-tuning sul dominio – è un passo quasi naturale. Ed è proprio qui che il paper, pur non menzionandolo, manda un segnale di secondo ordine: la proattività sposta il calcolo dal “rispondo quando chiamato” al “monitoro e ragiono in background”, moltiplicando il volume di inference. Un conto è eseguire poche query al giorno, un altro è valutare centinaia o migliaia di eventi di stato all’ora, generare punteggi e, quando serve, chiamare il LLM per produrre la spiegazione.

Questo meccanismo cambia gli incentivi per chi disegna l’infrastruttura. Chi perde sono i servizi LLM che fatturano a token, perché il moltiplicatore di inference spinge a internalizzare il modello per contenere il TCO e proteggere i dati. Chi vince sono i fornitori di hardware per inference on-premise e le piattaforme di orchestrazione che permettono di gestire pipeline di valutazione continue, non solo chatbot reattivi. Anche il mercato del software aziendale potrebbe virare: i classici ERP e CRM che oggi emettono alert statici potrebbero integrare engine di proattività basati su Context Graph, rendendo obsoleto il cruscotto passivo.

C’è poi un effetto di terzo ordine che riguarda la qualità dei dati. Perché uno Scorer di proattività funzioni con bassi falsi positivi, serve un grafo ben modellato e aggiornato in tempo reale: non è un problema risolvibile con un dump notturno. Le aziende sono costrette a investire in integrazioni solide e data engineering, pena notifiche rumorose che distruggono la fiducia degli utenti. In questo senso il framework non vende un sogno di automazione facile, ma un patto: proattività in cambio di disciplina sui dati.

Nel breve termine, la proposta rimane confinata a chi ha team disposti a sperimentare con NetworkX e a montare un servizio di scoring custom. Ma la direzione è tracciata: l’assistente digitale che aspetta in silenzio sta diventando un’idea antiquata. E chi vorrà davvero l’agente che parla prima dovrà inevitabilmente portare l’inference dentro casa.