La crescente autonomia degli agenti AI sta rendendo evidente un problema che non dipende necessariamente dalle capacità del modello linguistico. Un agente può formulare una risposta coerente, dettagliata e apparentemente sicura, ma basarla su una definizione superata, su un documento non recuperato o su dati privi delle corrette relazioni aziendali. In questi casi il sistema non inventa semplicemente un’informazione: elabora in modo plausibile un contesto incompleto o incoerente.
Il fenomeno interessa già una parte rilevante delle implementazioni aziendali. In un’indagine condotta nel giugno 2026 su 101 imprese con più di 100 dipendenti, il 57% ha dichiarato di aver ricondotto almeno una risposta errata, ma espressa con sicurezza da un agente AI, alla mancanza o all’incoerenza del contesto aziendale. Il 31% ha osservato lo stesso problema più di una volta negli ultimi sei mesi.
Il limite emerge soprattutto nei sistemi che affidano il recupero del contesto alla ricerca documentale. Il 38% delle aziende utilizza principalmente documenti e meccanismi di retrieval per fornire informazioni agli agenti. Questa architettura può funzionare bene per individuare contenuti semanticamente simili a una richiesta, ma non garantisce che il materiale recuperato sia aggiornato, autorevole, compatibile con le autorizzazioni dell’utente o coerente con le definizioni applicate nei sistemi gestionali.
Un documento può riportare una formula precedente per il calcolo di un indicatore, mentre il database contiene già la nuova regola. Due reparti possono utilizzare lo stesso termine con significati differenti oppure classificare in modo diverso clienti, ricavi e prodotti. Un agente che recupera soltanto alcuni frammenti non possiede automaticamente gli elementi necessari per riconoscere quale definizione sia valida nel processo che sta eseguendo.
La qualità del contesto non coincide quindi con la quantità di informazioni disponibili. Aggiungere file, pagine indicizzate o vettori a un sistema RAG amplia il materiale consultabile, ma può anche aumentare le ambiguità e le contraddizioni. Per operare correttamente, l’agente deve sapere non soltanto dove si trova un dato, ma che cosa significa, chi può utilizzarlo, da quale sistema proviene, quanto è recente e quali relazioni mantiene con gli altri elementi del processo.
La soluzione proposta dalle nuove architetture enterprise è un livello contestuale governato, condiviso dai diversi agenti e collocato tra i modelli AI e le fonti aziendali. Questo strato non si limita a recuperare testi, ma organizza definizioni, metadati, ontologie, relazioni tra entità, autorizzazioni, memoria operativa e regole di business. L’obiettivo è evitare che ogni agente debba ricostruire autonomamente il significato dei dati a ogni esecuzione.
Soltanto il 25% delle imprese coinvolte nell’indagine dispone già di un agentic context layer in produzione. Un ulteriore 34% lo sta costruendo, mentre il restante 41% non ha ancora iniziato. Nel complesso, tre aziende su quattro non dispongono quindi di un livello contestuale governato già operativo, nonostante gli agenti vengano progressivamente collegati a flussi di lavoro, applicazioni e database aziendali.
Il dato apparentemente contraddittorio è che il 78% delle imprese che possiedono o stanno sviluppando questo livello ha già sperimentato risposte sicure ma errate, contro il 20% delle organizzazioni che non prevede di realizzarlo. La differenza non dimostra che il context layer aumenti gli errori. Indica piuttosto che le aziende già colpite dal problema sono quelle che ne hanno riconosciuto l’urgenza e hanno iniziato a costruire una soluzione strutturale.
Le piattaforme tecnologiche stanno affrontando il problema con architetture differenti. DataHub utilizza i metadati del catalogo e il comportamento degli analisti nelle query come una fonte di conoscenza continuamente aggiornata. Microsoft Fabric IQ costruisce un’ontologia aziendale interrogabile dagli agenti anche attraverso il Model Context Protocol. Couchbase colloca memoria e recupero del contesto vicino ai database operativi e ai sistemi edge, mentre Pinecone Nexus prepara in anticipo una parte della struttura logica all’interno del livello dei metadati.
Snowflake separa le definizioni amministrate direttamente dall’azienda dal contesto inferito automaticamente. Oracle punta invece a riunire dati relazionali, vettoriali e a grafo in un unico motore transazionale, riducendo i problemi di sincronizzazione tra sistemi separati. Google Knowledge Catalog utilizza anche la cronologia delle query per ricostruire il significato operativo dei dati. Non si è quindi ancora affermato un modello unico: alcuni fornitori privilegiano le ontologie, altri i cataloghi, i database operativi, i grafi di conoscenza o l’analisi dei comportamenti degli utenti.
Al di là delle differenze tecnologiche, il requisito comune è offrire agli agenti un contesto governato, aggiornato e disponibile con una latenza compatibile con i processi reali. Il sistema deve collegare fonti strutturate e non strutturate senza perdere provenienza, versioni e controlli di accesso. Deve inoltre rendere verificabile il percorso seguito dall’agente, mostrando quali definizioni e informazioni hanno determinato una risposta o un’azione.
Questo livello diventa ancora più importante quando l’agente non si limita a rispondere a una domanda, ma modifica dati, genera previsioni, aggiorna applicazioni o avvia procedure. Una risposta sbagliata può essere corretta da un operatore; un’azione eseguita utilizzando un contesto errato può invece propagarsi nei sistemi aziendali e produrre effetti difficili da individuare o annullare.
L’affidabilità degli agenti AI dipende quindi sempre meno dal solo modello utilizzato e sempre più dall’infrastruttura che ne governa il contesto. La capacità di recuperare informazioni pertinenti rimane necessaria, ma non è sufficiente. Per prendere decisioni attendibili, un agente deve poter accedere a una rappresentazione coerente di dati, significati, relazioni e regole aziendali, mantenuta come una componente produttiva dell’architettura e non come un semplice archivio di documenti indicizzati.