I workflow agentici modificano in modo sostanziale il ruolo del database. In un’applicazione classica il dato viene letto, aggiornato e archiviato attraverso transazioni relativamente prevedibili: una richiesta genera un’operazione, l’operazione produce un risultato e lo stato finale viene salvato. Un agente AI, invece, lavora come un processo continuo. Deve recuperare informazioni, aggiornare il proprio contesto, scegliere strumenti, eseguire azioni, verificare gli esiti e riprendere il ragionamento da uno stato che può cambiare più volte durante la stessa attività.
Il problema non è quindi soltanto memorizzare documenti o conversazioni. Un sistema agentico deve gestire contemporaneamente memoria a breve termine, memoria persistente, stato operativo, risultati intermedi, autorizzazioni, versioni delle fonti e dati generati dagli strumenti utilizzati. Un agente che consulta un CRM, apre un ticket, interroga un catalogo prodotti e aggiorna un record non può basarsi su informazioni vecchie di pochi minuti senza rischiare di prendere decisioni errate o duplicare un’azione già eseguita.
I database relazionali rimangono essenziali per i dati strutturati e le transazioni affidabili, ma non sono nati per combinare ricerca semantica, recupero documentale, cronologia delle azioni e contesto dinamico in un’unica interrogazione. Le basi vettoriali risolvono una parte del problema, perché permettono di recuperare contenuti simili sul piano semantico, ma da sole non gestiscono consistenza operativa, controllo degli aggiornamenti, relazioni tra entità e stato dell’agente.
Per questo l’infrastruttura dei workflow agentici tende a richiedere un livello dati più composito. Servono archivi transazionali per le operazioni critiche, sistemi di ricerca per documenti e conoscenza aziendale, indici vettoriali per il retrieval semantico e meccanismi espliciti per conservare lo stato del processo. Il punto decisivo è fare in modo che l’agente lavori sempre sulla situazione corrente, non su una fotografia ormai superata del contesto.
La retrieval accuracy diventa quindi un requisito operativo, non soltanto una metrica di qualità del modello. Recuperare un documento pertinente ma non aggiornato può essere più dannoso che non recuperarlo affatto, soprattutto quando l’agente deve approvare una richiesta, modificare un dato commerciale, avviare un flusso interno o fornire indicazioni a un cliente. La conoscenza deve essere rilevante, verificabile e collegata alla versione effettivamente valida dell’informazione.
L’evoluzione dei database per l’AI agentica non consiste nel sostituire ogni tecnologia esistente con un unico sistema. Consiste nel progettare un’architettura capace di unire dati strutturati, contenuti non strutturati, memoria, ricerca e stato operativo. Solo in questo modo gli agenti possono passare da semplici interfacce conversazionali a componenti realmente affidabili nei processi aziendali.