Maya HTT lancia M-Bot, assistente RAG on-premises, mentre le stime danno il mercato a 43,75 miliardi di dollari

M-Bot gira dentro l'infrastruttura del cliente. Maya HTT sostiene che l'assistente tiene i dati ingegneristici sensibili sui sistemi dell'acquirente.

Le promesse sono due. I dati sensibili restano sull'infrastruttura del cliente e i costi sono fissati in partenza, non misurati per token. Il secondo punto conta perché i progetti RAG spesso copiano i file in un database vettoriale separato. Quel passaggio elimina i permessi e lascia dietro duplicati. Nessuno ha però mostrato pubblicamente se un assistente on-premises risponda con precisione a domande tecniche complesse su larga scala. Per i team di ingegneria il vantaggio è chiaro: possono interrogare i documenti interni senza mandarli a un modello esterno. La domanda aperta resta la precisione su larga scala. Quel vuoto lascia agli acquirenti il compito di provare il sistema sui propri documenti.

M-Bot si collega alla conoscenza interna di ingegneria, produzione e operations industriali. Restituisce le risposte in pochi secondi, secondo l'azienda.

L'architettura retrieval-augmented generation è pensata per contenuti tecnici. Vale per testo, immagini, tabelle e grafici che, secondo Maya HTT, i modelli LLM convenzionali non riescono a interpretare. Si collega a Teamcenter e ad altri ambienti PLM, oltre a SharePoint e Confluence. Ogni risposta viene ricondotta al documento di origine. Maya HTT dichiara un recupero fino a 60 volte più rapido della ricerca manuale: una ricerca di cinque minuti diventa circa cinque secondi. Sono numeri del fornitore, non di test indipendenti. L'azienda aggiunge che M-Bot non ha costi di misurazione dei token LLM, così il cliente conosce la spesa prima del deployment.

Remi Duquette è vicepresidente per l'AI industriale di Maya HTT. Ha detto che le organizzazioni di ingegneria accumulano grandi quantità di conoscenza tecnica. Faticano a portare l'informazione giusta alla persona giusta in tempo per influire sulle decisioni.

I settori target sono aerospazio, difesa e manifattura. Le regole sulla proprietà intellettuale spingono gli acquirenti verso sistemi che girano on-premises o dentro un'infrastruttura controllata dal cliente.

Il mercato dietro il lancio

Un rapporto ResearchAndMarkets pubblicato il 30 ottobre ha valutato il mercato globale delle piattaforme RAG 4,00 miliardi di dollari nel 2025 e 5,52 miliardi nel 2026. Stima 43,75 miliardi entro il 2036, con un tasso di crescita annuo composto del 23,0% nel decennio. L'ambito è ampio. Comprende database vettoriali e motori di ricerca, modelli di embedding e reranking, framework di orchestrazione, strumenti di ingestion e parsing, connettori, piattaforme di valutazione e guardrail, servizi RAG gestiti in cloud e assistenti della conoscenza aziendale. Esclude i costi d'uso dei modelli di base e i database generici privi di funzioni di retrieval. Questa definizione conta per chi confronta i fornitori.

L'adozione è più alta in ambito legale, finanziario e sanitario, dove gli output richiedono citazioni, secondo il rapporto. Anche gli agenti AI spingono la domanda. I flussi di lavoro a più passaggi richiedono accesso continuo a dati, applicazioni e strumenti. Il rapporto cita Elastic come prova della domanda. Elastic ha dichiarato oltre 2.200 clienti Elastic Cloud che eseguono carichi di lavoro di AI generativa nel primo trimestre dell'anno fiscale 2026. Ha anche riportato un aumento del 18% dei ricavi del terzo trimestre, a 450 milioni di dollari.

Il rapporto considera parte del mercato anche gli assistenti della conoscenza aziendale. È la categoria in cui rientra M-Bot, non un livello di strumenti separato.

Precisione e sicurezza restano il nodo

La precisione è il punto in cui il discorso di vendita incontra le prove. Uno studio Stanford preregistrato ha rilevato che i prodotti di ricerca legale basati su RAG di LexisNexis e Thomson Reuters hanno prodotto allucinazioni sul 17%–33% delle query. GPT-4, usato da solo, ha allucinato sul 43% nello stesso studio. Il retrieval ha aiutato. Non ha chiuso il divario. Lo studio ha registrato autorità inventate, risposte incomplete e giurisprudenza fraintesa. L'intervallo va dal 17% al 33%, non è un valore unico. Quei risultati fissano un livello per qualsiasi fornitore che venda il retrieval come rimedio alle allucinazioni.

La sicurezza ha un suo storico. Microsoft ha corretto EchoLeak, CVE-2025-32711, a giugno 2025. Era una vulnerabilità zero-click valutata 9,3 sulla scala CVSS. Contenuti malevoli recuperati da un'email potevano manipolare Microsoft 365 Copilot ed esporre informazioni sensibili. Il rapporto dice che le imprese rispondono dando priorità al retrieval consapevole dei permessi, al rilevamento del prompt injection, alla prevenzione della perdita di dati, alla provenienza e alle tracce di audit. Microsoft ora testa Copilot su aziende sintetiche. La sua Industry Evaluation Data Generation Platform costruisce ambienti aziendali simulati da fonti pubbliche, tra cui i dati occupazionali O*NET, annunci di lavoro e documenti SEC. Nessun dato dei clienti entra nel processo. Microsoft afferma che il lavoro serve a stabilire la prima base di valutazione standardizzata per Copilot.

RAG o fine-tuning: la scelta dell'architettura

Ogni acquisto aziendale di RAG finisce nello stesso confronto. Il RAG cambia le informazioni che un modello riceve al momento della risposta; il fine-tuning cambia il modo in cui il modello risponde adattandone il comportamento appreso. Il primo si adatta a documenti e policy che cambiano spesso. Il secondo si adatta all'esecuzione costante di un compito e a formati di output fissi. I metodi parameter-efficient come LoRA riducono il calcolo addestrando un insieme più piccolo di parametri aggiuntivi invece dell'intero modello. Il fine-tuning non dà comunque a un modello un accesso affidabile alle informazioni più recenti dell'azienda. Non va trattato come un modo garantito di eliminare le allucinazioni.

La gestione dei dati decide gran parte del resto. La Dell AI Data Platform permette ai modelli di interrogare file on-premises senza copie duplicate e senza alterare i controlli di accesso ai file. IT Pro l'ha descritta il 29 ottobre. Abbina il software NVIDIA AI Enterprise all'accelerazione GPU. Copiare i file in un archivio vettoriale separato crea shadow data, consuma banda e rimuove i permessi originali, ha riportato IT Pro.

Cosa succede adesso

Maya HTT dice che M-Bot è disponibile per dimostrazioni e deployment aziendali.

La previsione ResearchAndMarkets arriva al 2036, quando stima il mercato a 43,75 miliardi di dollari, in crescita dai 5,52 miliardi del 2026. Microsoft descrive la sua piattaforma di valutazione sintetica come l'inizio di una base standardizzata per Copilot. Non è un benchmark finito.