Generare dati sintetici per addestrare e valutare agenti LLM in contesti aziendali è stato finora un compromesso: o si usano schemi database reali con rischi legali e di sicurezza, o si adottano approcci statistici che falliscono senza dati seed. SAP ha scelto una terza via: simulare l'ambiente aziendale stesso.

Il framework Synthesis Through Simulation (STS), ora open source su GitHub, ribalta il paradigma. Invece di estrarre dati da sistemi reali, un agente LLM esegue operazioni contro API che applicano policy in ambienti simulati. Poiché i dati vengono generati attraverso lo stesso ambiente che definisce cosa è valido, STS garantisce la validità strutturale per costruzione. La chiave sta nel disaccoppiare l'applicazione dei vincoli dalla modellazione della distribuzione: due problemi che finora viaggiavano insieme, spesso a scapito dell'uno o dell'altro.

Il componente centrale, Generalist Populator (GP), è un agente indipendente dal dominio che ha raggiunto una fedeltà marginale media di 0,88 e una soddisfazione dei vincoli del 100% su dieci ambienti, senza accedere agli schemi database. I sintetizzatori statistici non sono applicabili in sette di questi ambienti perché richiedono dati seed, mentre agenti con accesso allo schema falliscono l'82% delle traiettorie nell'ambiente aereo a causa di una composizione dei task troppo fragile.

Per chi valuta deployment on-premise, il messaggio è strutturale. La possibilità di generare dati sintetici coerenti con i vincoli aziendali senza esporre o copiare lo schema reale cambia il calcolo della sovranità dei dati. Non serve più spostare dataset sensibili in cloud per addestrare agenti specializzati: si può costruire una pipeline locale che parte dalla simulazione e arriva al fine-tuning, mantenendo il controllo completo. Questo riduce la dipendenza da fornitori esterni e sposta l'attenzione sulla qualità dell'ambiente simulato, che diventa il nuovo punto critico.

L'approccio STS segnala anche un cambiamento di incentivi per chi sviluppa agenti enterprise. I team che gestiscono infrastrutture self-hosted possono iterare su dataset sintetici senza attendere l'approvazione legale per l'uso dei dati reali, accelerando i cicli di sviluppo. Allo stesso tempo, chi offre servizi cloud di generazione dati deve confrontarsi con la possibilità che le aziende preferiscano soluzioni locali quando la compliance lo richiede.

Non mancano i limiti: la fedeltà marginale di 0,88 indica che alcune distribuzioni restano approssimate, e la qualità della simulazione dipende dalla fedeltà delle policy implementate. Ma l'apertura del codice e dei dieci ambienti permette alla comunità di verificare e adattare il framework ai propri domini, un passo concreto verso agenti LLM più affidabili in contesti regolamentati.