Dun & Bradstreet ha avviato una profonda ricostruzione della propria infrastruttura dati per adattare il Commercial Graph da 642 milioni di aziende all’utilizzo da parte degli agenti AI autonomi. La piattaforma, nata per essere interrogata da analisti umani attraverso query SQL, interfacce dedicate e processi di verifica manuale, non era progettata per sostenere workflow automatizzati con tempi di risposta sub-secondo, verifiche continue di identità e orchestrazione multi-agente.
Il problema principale era architetturale: il database era composto da sistemi separati, sviluppati nel tempo per mercati e casi d’uso differenti, connessi tramite integrazioni personalizzate. In uno scenario tradizionale questo approccio poteva essere gestito da operatori umani, ma gli agenti AI necessitano di dati normalizzati, accessibili in tempo reale e soprattutto coerenti lungo tutta la catena decisionale. La crescita del grafo commerciale, passato da oltre 300 a 642 milioni di record aziendali in cinque anni, ha ulteriormente amplificato la complessità, considerando che ogni record può contenere circa 11.000 campi informativi e che la piattaforma esegue oltre 100 miliardi di controlli qualità mensili.
La ricostruzione ha previsto la migrazione verso infrastrutture cloud, la creazione di un data fabric unificato e la realizzazione di un knowledge graph capace di tracciare miliardi di relazioni aziendali dinamiche. Uno degli aspetti più rilevanti riguarda infatti il passaggio da relazioni statiche a relazioni contestuali e temporali: non basta più sapere che un CEO appartiene a un’azienda, ma occorre comprendere come cambiano reputazione, rischio, proprietà e gerarchie societarie quando una figura manageriale cambia organizzazione o quando una controllata viene acquisita.
Per supportare gli agenti AI, Dun & Bradstreet ha sviluppato un layer di accesso strutturato basato su MCP, evitando che gli agenti interroghino direttamente il database tramite SQL. Ogni richiesta passa attraverso motori di entity resolution che verificano l’identità reale dell’azienda interrogata, riducendo ambiguità e mismatch tra record simili. Questo passaggio è fondamentale nei processi automatizzati di credito, procurement e supply chain, dove errori di identificazione possono propagarsi lungo workflow multi-agente.
L’azienda ha introdotto anche un modello denominato “Know Your Agent”, concettualmente simile ai sistemi Know Your Customer utilizzati nella finanza. Gli agenti devono registrarsi tramite IP verificati e chiavi di accesso individuali, diventando identità riconosciute all’interno della piattaforma. Parallelamente è stato implementato un sistema di verifica persistente che consente a più agenti operanti nello stesso workflow di confermare continuamente che stanno lavorando sulla medesima entità aziendale, evitando divergenze informative durante le fasi di analisi.
L’iniziativa evidenzia un problema sempre più centrale nell’adozione enterprise dell’intelligenza artificiale: molti sistemi dati costruiti negli ultimi decenni erano pensati per utenti umani e non per ecosistemi di agenti autonomi che operano in modo continuo, distribuito e coordinato. In questo scenario, qualità del dato, lineage verificabile, normalizzazione semantica e gestione dell’identità diventano componenti infrastrutturali indispensabili per consentire agli agenti AI di prendere decisioni affidabili in ambiti critici come rischio finanziario, compliance e supply chain globale.