Salesforce sottolinea che scalare l'AI a livello enterprise richiede un'attenta pianificazione architetturale, che va oltre la semplice selezione del modello.

Il problema delle "isole incontaminate"

Molti progetti pilota di AI falliscono perché nascono in ambienti controllati, che non riflettono la complessità dei dati reali. Franny Hsiao, EMEA Leader of AI Architects di Salesforce, spiega che l'errore più comune è la mancanza di un'infrastruttura dati di livello production con governance end-to-end integrata fin dall'inizio.

I progetti pilota spesso utilizzano dataset curati e workflow semplificati, ignorando l'integrazione, la normalizzazione e la trasformazione necessarie per gestire il volume e la variabilità dei dati reali. Quando si tenta di scalare questi progetti senza affrontare i problemi dei dati sottostanti, i sistemi si rompono, portando a lacune nei dati e problemi di performance.

Le aziende che superano questa sfida integrano osservabilità e protezione nell'intero ciclo di vita dell'AI, ottenendo visibilità e controllo sull'efficacia dei sistemi e sull'adozione da parte degli utenti.

Reattività percepita e intelligenza offline

Salesforce affronta il problema della latenza, causata dall'elevato carico computazionale dei modelli di ragionamento, concentrandosi sulla "reattività percepita" tramite Agentforce Streaming. Questo permette di fornire risposte generate dall'AI in modo progressivo, anche mentre il motore di ragionamento lavora in background. La trasparenza, con indicatori di progresso e animazioni, aiuta a gestire le aspettative degli utenti e a costruire fiducia.

Per i settori con operazioni sul campo, come utilities e logistica, la connettività cloud continua non è sempre possibile. L'intelligenza on-device permette ai tecnici di identificare componenti difettosi e risolvere problemi anche offline, con la sincronizzazione dei dati che avviene automaticamente quando la connessione viene ripristinata.

Gateway ad alto rischio e standardizzazione

Per garantire la governance, Salesforce prevede un controllo umano per le azioni critiche, come la creazione, il caricamento o l'eliminazione di dati, e per le decisioni che potrebbero essere manipolate. Questo crea un ciclo di feedback in cui gli agenti imparano dall'esperienza umana. Salesforce utilizza un "Session Tracing Data Model (STDM)" per tracciare ogni interazione e fornire visibilità sulla logica dell'agente.

Per l'interoperabilità tra agenti di diversi fornitori, è necessaria una standardizzazione a due livelli: orchestrazione e semantica. Salesforce adotta standard open source come MCP (Model Context Protocol) e A2A (Agent to Agent Protocol) per l'orchestrazione e ha co-fondato OSI (Open Semantic Interchange) per unificare la semantica.

La sfida futura sarà rendere i dati enterprise "agent-ready" attraverso architetture ricercabili e context-aware, che sostituiscano le pipeline ETL tradizionali.