L'AI agentica incontra il divario di identità: il problema RAG aziendale che nessuno ha risolto
La base di utenti dell'AI generativa in Cina ha superato i 700 milioni alla fine di giugno, in aumento del 16 per cento rispetto ai 602 milioni della fine del 2025, secondo il China Internet Network Information Centre, che ha diffuso i dati il 29 settembre. Per le imprese che costruiscono sistemi di retrieval augmented generation il problema più difficile è la governance, non l'adozione.

Il China Internet Network Information Centre ha calcolato che alla fine di giugno gli utenti dell'AI generativa in Cina erano più di 700 milioni, con un tasso di penetrazione superiore alla metà della popolazione. Il South China Morning Post ha riportato la cifra il 29 settembre. Si tratta di un aumento del 16 per cento rispetto alla fine del 2025, quando la Cina contava 602 milioni di utenti di AI generativa e un tasso di penetrazione del 42,8 per cento. La stessa indagine ha rilevato che il 76 per cento degli utenti si rivolge all'AI per ottenere risposte, il 48 per cento per immagini o video, il 38 per cento per l'elaborazione di testi e il 33 per cento per riassunti di lavoro, verbali di riunioni o presentazioni.
Questi numeri descrivono il comportamento dei consumatori. Non dicono nulla sull'affidabilità dei sistemi che rispondono a quelle domande all'interno di un'azienda.
Il problema della fiducia è oggi al centro del dibattito sul RAG in ambito aziendale. Il retrieval augmented generation ancora l'output di un modello linguistico a documenti recuperati al momento della query. È diventato l'architettura predefinita per l'AI aziendale. Costruire un prototipo funzionante richiede giorni. Renderlo abbastanza affidabile da gestire un processo di business è una disciplina ingegneristica diversa, come ha osservato VentureBeat il 27 settembre. La maggior parte delle implementazioni si blocca proprio nel divario tra le due cose.
Di chi è l'agente?
The Hacker News ha pubblicato un framework il 28 settembre. Tratta ogni agente AI come un'identità non umana con un proprietario umano, uno scopo definito, un'autorizzazione limitata, una scadenza e un monitoraggio continuo. L'articolo elenca cinque modalità di fallimento che la gestione tradizionale delle identità e degli accessi non è mai stata progettata per intercettare: assenza di titolarità, segreti di lunga durata, delega senza limiti, istanziazione invisibile e nessuna scadenza. Cita la OWASP Top 10 for Large Language Model Applications, che elenca l'agenzia eccessiva come LLM06. Significa che un agente a cui vengono concessi ampi permessi o autonomia esercita capacità oltre il compito approvato.
L'articolo distingue tra configurazione e telemetria. L'assegnazione statica dei ruoli non può delimitare ciò che un agente fa in fase di esecuzione, e rivedere la configurazione non può misurarlo. I risultati della configurazione descrivono la possibilità; la telemetria descrive ciò che è realmente accaduto. È una sfida diretta al modo in cui la maggior parte delle imprese attualmente verifica i propri sistemi di AI.
La scala del problema di governance si vede nei numeri. Lo studio Foundry 2026 Cloud Computing Study ha rilevato che il 74 per cento delle imprese ha accelerato le migrazioni al cloud nell'ultimo anno, secondo Data Center Knowledge. Il Private Cloud Outlook 2026 di VMware indica che l'83 per cento delle imprese ha completato o sta pianificando il rimpatrio dei carichi di lavoro dal cloud pubblico. Preoccupazioni di sicurezza, costi, conformità e prestazioni guidano questo spostamento. Quei carichi di lavoro includono sempre più spesso l'inferenza AI. Data Center Knowledge ha riportato che l'inferenza si sta spostando verso strutture di colocation, dove gli operatori possono offrire armadi da 35 kW con raffreddamento ad aria e armadi da 70 a 150 kW con raffreddamento a liquido.
Il motivo non è solo la densità. Le imprese dei settori regolamentati preferiscono eseguire l'inferenza su dati finanziari, operativi e di ricerca riservati all'interno di suite di colocation private. Queste suite dispongono di circuiti di rete dedicati e firewall gestiti direttamente. L'alternativa è inviare quei dati a startup di AI di terze parti. Questa preferenza ha una conseguenza diretta per le architetture RAG, perché il recupero implica che il sistema debba accedere al corpus aziendale a ogni query.
I fornitori di infrastruttura si muovono
I fornitori di infrastruttura stanno riposizionandosi intorno a questa esigenza. CoreWeave ha presentato Forge il 30 settembre al suo evento Fully Connected di San Francisco. È una piattaforma software integrata per sviluppare, eseguire e migliorare modelli e agenti AI. Corey Sanders, vicepresidente senior della gestione prodotto di CoreWeave, ha parlato in un briefing con la stampa. Ha detto che l'azienda è passata dalla volontà di essere il miglior fornitore di infrastruttura per l'AI alla fornitura di servizi AI, così che i clienti possano costruire applicazioni sulla sua piattaforma. Forge è disponibile nelle edizioni Free, Pro ed Enterprise. Include CoreWeave Notebooks, Agent Lens per l'osservabilità degli agenti in produzione e RL Rollouts. Tra i primi partner figurano VAST Data, CrowdStrike e ClickHouse.
L'analista IDC Dave McCarthy ha detto a Data Center Knowledge che CoreWeave sta cercando di distinguersi dai fornitori specializzati di cloud per l'AI come Nebius, Lambda e Vultr, competendo al tempo stesso con AWS, Google Cloud e Microsoft Azure. Il suo ragionamento è che conquistare i laboratori di AI non basta per un business sostenibile. Le imprese hanno bisogno di un ecosistema software più ampio e di capacità che sembrino pronte all'uso anziché fai-da-te.
Microsoft ha preso la strada opposta lo stesso giorno. Azure Container Apps Express ha raggiunto la disponibilità generale, secondo InfoQ. Il modello di distribuzione elimina la fase di predisposizione dell'ambiente e sostituisce gran parte della configurazione con impostazioni predefinite decise dal fornitore. Esce insieme alla disponibilità generale di Azure Container Apps Sandboxes, il livello di calcolo isolato su cui gira Express. Le sandbox vengono create da pool preriscaldati per un avvio in meno di un secondo. Isolano ogni carico di lavoro in un confine microVM isolato a livello hardware e supportano sospensione e ripresa con snapshot completo dello stato. La documentazione di Microsoft, citata da InfoQ, afferma che Express è costruito interamente su quel livello. Descrive il prodotto come pensato prima per gli sviluppatori e per gli agenti.
I flussi di lavoro assistiti dall'AI possono creare e aggiornare applicazioni molto più velocemente di quanto chiunque possa configurare l'infrastruttura a mano.
Questa frase, dalla documentazione di Microsoft, è l'affermazione più chiara del perché il problema dell'identità sia diventato urgente. Se gli agenti possono creare e modificare l'infrastruttura più velocemente di quanto gli esseri umani possano verificarla, allora anche il livello di governance deve essere automatizzato. InfoQ ha notato che la reazione su Reddit suggeriva che la primitiva Sandboxes fosse in uso ben prima dell'annuncio. Un commentatore ha sostenuto che è alla base di servizi Azure principali, tra cui Foundry Hosted Agents, un dettaglio che il materiale di Microsoft non riporta.
La ricerca spinge su entrambi i fronti
La letteratura scientifica pubblicata nell'ultima settimana mostra la stessa tensione da angolazioni diverse. Un articolo inviato ad arXiv il 29 settembre da Yining Lu, Aurelie Lozano, Xi Yang, Naoki Abe, Yu Deng e Meng Jiang propone MoFlow. Il metodo genera flussi di lavoro agentici che ottimizzano insieme accuratezza, costo, latenza, robustezza e coerenza, invece di fissare un unico compromesso. Gli autori formulano il problema come un processo decisionale di Markov multi-obiettivo e lo risolvono con Convex-Hull Monte Carlo Tree Search. MoFlow è stato valutato rispetto a sei baseline su sei benchmark che coprono matematica, codice e risposta a domande. Ha ottenuto l'ipervolume medio più alto. Gli autori ammettono che il confronto con ottimizzatori a scalare singolo è difficile, perché quelle baseline sono state rieseguite per ogni preferenza di test mentre MoFlow non le ha mai viste.
Un altro articolo arXiv, inviato il 30 settembre da Tianyu Chen, Mingyuan Zhou e Jiaxing Wu, attacca la fase di recupero stessa. Il loro VHOP-Router addestra un modello di embedding in un retriever autoregressivo a più passaggi che opera direttamente nello spazio latente visivo. Recupera catene di immagini collegate in una singola chiamata di strumento, senza che l'agente formuli query testuali intermedie. I risultati riportati sono notevoli. Le prestazioni di recupero sono passate da meno del 5 per cento al 76,3 per cento. I tassi di successo delle attività sono migliorati del 52,7 per cento. La lunghezza media dei token è scesa del 61 per cento, da 1886 a 728. Le immagini nel contesto sono diminuite di un fattore 23 e il payload cumulativo delle API di un fattore 35. Migliorare l'agente stesso ha prodotto solo un guadagno del 3,7 per cento in confronto.
Un terzo articolo, inviato il 29 settembre da Sumit Asthana, Michael Ion e Kevyn Collins Thompson, affronta i dati sintetici usati per mettere a punto i sistemi conversazionali. Gli autori sostengono che sollecitare direttamente i modelli linguistici produce dati di scarsa diversità che collassano sulle modalità dominanti. Propongono di addestrare Generative Flow Networks sulla struttura latente delle conversazioni, usando una densità di miscela gaussiana sulle caratteristiche dell'interazione. Su dialoghi di tutoraggio e di supporto emotivo riportano un equilibrio migliore tra fedeltà, copertura delle modalità e autenticità rispetto alle baseline di reinforcement learning e ai modelli linguistici end-to-end, senza copiare i dati di addestramento.
Altri due invii ad arXiv della stessa finestra sono più ristretti ma rilevanti per chi gestisce il recupero su larga scala. Un articolo inviato il 26 settembre da Junoh Kang, Kiseop Lee e Bohyung Han descrive ReLOBGen, un metodo per generare messaggi di limit order book riproducibili per costruzione. Ha raggiunto il 100 per cento di riproducibilità in rollout da 500 messaggi e un'accelerazione da 2,7 a 3,6 volte per messaggio riprodotto rispetto alla baseline LOBS5. Un articolo inviato il 28 settembre da Julien Moreau e Marc Lelarge propone EnJoi, un algoritmo di assimilazione dei dati basato sulla diffusione che apprende la distribuzione congiunta di stati passati e futuri. Mostra una ricostruzione migliore su simulazioni di flussi fluidi e di traffico in cui le osservazioni sono scarse e non omogenee.
Nessuno di questi articoli parla direttamente di RAG aziendale. La loro rilevanza è strutturale. Ognuno cerca di rendere il comportamento di un sistema generativo più prevedibile, più misurabile o più controllabile. È esattamente ciò che il framework di identità pubblicato da The Hacker News indica come mancante nella maggior parte delle implementazioni aziendali.
I numeri sotto
La pressione hardware aggrava il problema. Data Center Knowledge ha riportato il 24 settembre che i generatori di pettine di frequenza ottica vengono valutati per i collegamenti dei data center AI. Producono molte lunghezze d'onda equispaziate da un singolo laser di pompaggio invece che da una serie di laser individuali. Marcello Girardi, amministratore delegato e cofondatore di Solinide, ha detto alla testata che quattro lunghezze d'onda sono un problema risolto per gli array di laser. La difficoltà inizia a otto, e a 16 il numero di componenti diventa un limite. Steven Estrella, direttore della gestione prodotto di Quintessent, ha affermato che i pettini riducono il numero di laser necessari per lo stesso numero di canali. Questo si traduce in meno punti di guasto e minore complessità nel controllo delle lunghezze d'onda. Ha osservato che, con l'attuale carenza di fornitura di laser DFB a onda continua in fosfuro di indio, ridurre il numero di laser necessari conta più che mai.
Anche il bilancio ambientale viene conteggiato. Uno studio del Fraunhofer Center for Silicon Photovoltaics, commissionato dalla German Mineral Resources Agency e riportato da pv magazine il 1 ottobre, ha rilevato che i moduli installati in Germania entro la fine del 2023 rappresentavano uno stock di materiali di circa 5.350.000 tonnellate metriche. Comprende 3.850.000 tonnellate di vetro, 663.000 tonnellate di alluminio, 208.000 tonnellate di silicio, 53.500 tonnellate di rame e 3.900 tonnellate di argento. Il valore potenziale dei materiali è di 4.800.000.000 di euro. Entro il 2030 potrebbero prodursi più di 600.000 tonnellate di rifiuti fotovoltaici. Ma il volume registrato di moduli a fine vita è diminuito tra il 2022 e il 2024, contrariamente alle attese. I ricercatori citano l'esportazione dei moduli usati come una possibile ragione. Nel 2024 erano disponibili più di 50.000 tonnellate di capacità di riciclo, mentre solo circa 9.300 tonnellate sono state sottoposte a trattamento iniziale.
Questo disallineamento tra capacità installata e volume effettivo ha un parallelo evidente nell'AI aziendale. Le capacità vengono distribuite più velocemente dei sistemi per governarle, misurarle e ritirarle.
Dove le due storie si incontrano
Generative Bionics, la startup nata dall'Istituto Italiano di Tecnologia, offre un esempio concreto di quanto rapidamente si accumulino gli impegni. Il Sole 24 ORE ha riportato il 1 ottobre che l'azienda ha chiuso un round da 70.000.000 di euro il 4 dicembre 2025, guidato da Cdp Venture Capital con la partecipazione, tra gli altri, di Eni Next. È diventata operativa il 7 gennaio e ha presentato il suo robot Gene.01 a luglio. Ha un programma quadriennale con Fincantieri per un umanoide da saldatura, con il primo impiego previsto all'inizio del 2027. Ha anche un accordo appena firmato con Eni per valutare collaborazioni industriali a partire da Gene.01, che coprono ispezione, teleoperazione, assistenza remota e supporto in ambienti complessi.
L'amministratore delegato Daniele Pucci ha detto a Il Sole 24 ORE che un robot che fa tutto fa tutto male. Ha descritto l'approccio dell'azienda come una piattaforma comune personalizzata su tre livelli: il modello di AI, il design esterno e le mani e i piedi. L'azienda afferma di aver lanciato quella strategia per prima a febbraio e di vedere ora altri seguirla.
Ognuno di questi scenari di impiego, dalla saldatura alla logistica ospedaliera, genera la stessa domanda che solleva il framework di identità: chi è responsabile quando l'agente agisce fuori dal compito approvato? La risposta, secondo il framework, non può venire solo dalla revisione della configurazione. Deve venire dalla telemetria in fase di esecuzione, e la maggior parte delle imprese non ha ancora costruito quella capacità.
La domanda altrove non mostra segni di rallentamento. PopWheels, una startup di Brooklyn, sta testando un modello di scambio batterie per i carretti alimentari di New York che sostituisce i generatori a combustibili fossili, secondo Canary Media. Sta conducendo un progetto pilota di sei mesi avviato a luglio con due armadi di ricarica a Flushing Meadows Corona Park e 10 venditori partecipanti. Il progetto è sostenuto da 46.000 dollari della City Parks Foundation e da 30.900 dollari di Resilient Cities Catalyst. Il venditore William Arevalo ha detto alla testata che il suo generatore costa circa da 500 a 600 dollari al mese di carburante. L'azienda già fa pagare ai fattorini tra 65 e 95 dollari al mese per l'accesso alle batterie delle e-bike da più di 45 armadi in tutta la città.
Infrastrutture più economiche e più pulite continuano ad arrivare. Il livello di governance continua a restare indietro.
Fonti
14- 01China's generative AI user base crosses 700 million, covering over half the populationEN
- 02IAM for AI agents: A Practical Enterprise FrameworkEN
- 03CoreWeave Targets Enterprises with Forge PlatformEN
- 04Container Apps Express Reaches GA on a Newly Generally Available Sandbox LayerEN
- 05Enterprises Adopt Colocation for AI and Hybrid Cloud InitiativesEN
- 06The Role of Optical Frequency Comb Generators in AI Data CentersEN
- 07MoFlow: Multi-Objective Agentic Workflow GenerationEN
- 08Learning to Route in Visual Space via Multi-Step Embedding RetrievalEN
- 09Beyond Mode Collapse: Generating Diverse Synthetic Expert Conversations via Generative Flow NetworksEN
- 10ReLOBGen: Replayable Limit Order Book Message GenerationEN
- 11EnJoi: Ensemble Joint Score Filter for Generative Data AssimilationEN
- 12Germany could generate over 600,000 tonnes of PV module waste by 2030EN
- 13This startup helps food carts switch loud, dirty generators for batteriesEN
- 14Generative Bionics, la start up che in meno di un anno ha stretto accordi con Eni e FincantieriEN
Tutti i numeri e le citazioni di questo testo provengono dalle fonti elencate sotto.
I contenuti sono stati preparati dalla redazione con il supporto dell'IA.
Commenti
0- Nessun commento — sii il primo.