Google Cloud sta utilizzando agenti di intelligenza artificiale per automatizzare una parte delle attività svolte dai Forward Deployed Engineer, i tecnici che lavorano direttamente con i clienti enterprise per organizzare, interpretare e collegare i dati aziendali necessari allo sviluppo di applicazioni basate su Gemini. L’azienda continua a prevedere l’assunzione di centinaia di FDE, ma ritiene che affidarsi esclusivamente al lavoro umano non sia sufficiente per preparare l’intero patrimonio informativo delle grandi organizzazioni all’utilizzo da parte dell’AI.
Il compito dei Forward Deployed Engineer consiste infatti nel comprendere come ciascuna azienda organizza i propri dati e tradurre queste strutture in una forma interpretabile dai sistemi di intelligenza artificiale. Lo stesso concetto può avere significati differenti da un’organizzazione all’altra: un indicatore come il fatturato totale, per esempio, può essere calcolato includendo voci diverse oppure seguendo regole contabili specifiche. Gli FDE devono quindi conoscere processi, terminologia interna e struttura dei database affinché i modelli possano attribuire ai dati il significato corretto.
Secondo Google Cloud, questa attività diventa difficilmente sostenibile quando deve essere applicata all’intero patrimonio informativo di una grande impresa. Andi Gutmans, vicepresidente di Google Cloud, ha spiegato che rendere utilizzabile dall’AI il 100% dei dati aziendali richiederebbe una quantità di personale impossibile da assumere. L’automazione viene quindi utilizzata soprattutto per ridurre la parte più ripetitiva del lavoro, lasciando agli FDE le attività che richiedono comprensione del contesto, controllo e interventi specialistici.
Gli agenti sviluppati da Google possono analizzare automaticamente file, contratti legali e altri documenti interni, individuando le relazioni tra questi contenuti e le attività operative dell’organizzazione, come vendite, inventario e gestione dei processi. L’obiettivo non è semplicemente indicizzare i documenti, ma costruire automaticamente il contesto necessario affinché un agente AI possa comprendere che cosa rappresenta ciascun dato e come debba essere utilizzato durante l’esecuzione di un’attività.
La struttura tecnica si basa in particolare su knowledge graph e semantic layer. Il knowledge graph descrive le relazioni tra entità, dati e processi aziendali, mentre il livello semantico assegna un significato coerente alle informazioni provenienti da sistemi differenti. In questo modo gli agenti possono lavorare su dati distribuiti in molte fonti senza dover ricostruire ogni volta manualmente le relazioni esistenti tra documenti, database, indicatori e procedure operative.
Questo tipo di organizzazione diventa particolarmente importante quando un agente deve eseguire workflow composti da più passaggi. Operazioni come l’elaborazione di una fattura o l’onboarding di un nuovo dipendente possono richiedere informazioni provenienti da sistemi differenti e devono rispettare regole interne specifiche. Se il contesto aziendale è già strutturato attraverso knowledge graph e semantic layer, l’agente può individuare più rapidamente i dati necessari e utilizzarli senza dover interpretare separatamente ogni sorgente.
Una prima applicazione su larga scala riguarda Virgin Media O2. La società britannica di telecomunicazioni e media ha utilizzato gli agenti di Google per collegare circa 20.000 dataset che in precedenza erano separati tra loro. Secondo Google Cloud, eseguire manualmente lo stesso lavoro avrebbe richiesto migliaia di ore. La nuova struttura consente ora anche agli agenti AI sviluppati internamente da Virgin Media O2 di individuare più facilmente le informazioni necessarie alle rispettive aree operative.
Google Cloud sta presentando questa tecnologia con il nome Knowledge Catalog. Il sistema è pensato per catalogare non soltanto l’esistenza dei dati, ma anche il loro significato e le relazioni che li collegano ai processi dell’organizzazione. La società considera questa capacità un elemento di differenziazione rispetto alle altre piattaforme enterprise e sta lavorando con Google DeepMind per migliorare la costruzione automatica del contesto necessario agli agenti.
Gemini viene inoltre utilizzato per verificare se gli agenti stanno interpretando e organizzando correttamente i dati. Il modello può quindi svolgere una funzione di valutazione all’interno dello stesso processo che prepara le informazioni aziendali all’impiego da parte di altri sistemi AI. Questa impostazione permette di automatizzare una parte maggiore della costruzione del contesto senza eliminare completamente la supervisione umana.
L’approccio di Google si differenzia in parte dal modello reso noto da Palantir, che ha costruito una parte importante della propria strategia enterprise sull’invio di Forward Deployed Engineer direttamente presso i clienti. Anche OpenAI, Anthropic, Microsoft e Amazon stanno ampliando i team dedicati a questo tipo di attività, utilizzando personale tecnico specializzato per adattare modelli e agenti alle infrastrutture e ai processi delle singole aziende.
Google sta seguendo una strategia ibrida: da un lato aumenta il numero degli FDE, dall’altro cerca di automatizzare con agenti AI le attività ripetitive di analisi, classificazione e collegamento dei dati. L’obiettivo è evitare che la crescita dei progetti enterprise richieda un aumento proporzionale del personale necessario per preparare manualmente ogni nuova fonte informativa.
Il sistema non opera ancora in completa autonomia. Le strutture dati e il contesto generati dagli agenti possono contenere errori e, nella fase attuale, un numero limitato di dipendenti deve ancora verificare i risultati prodotti dall’AI. Il modello operativo resta quindi human-in-the-loop, con persone incaricate di approvare, correggere o rifiutare le strutture create automaticamente.
Google punta però a ridurre progressivamente questa dipendenza. L’obiettivo finale è arrivare a un sistema agentico capace di riconoscere autonomamente nuovi dati, comprenderne il significato rispetto ai processi aziendali e aggiornare di conseguenza knowledge graph e semantic layer. Gli FDE continuerebbero così a occuparsi delle attività più complesse e specifiche del cliente, mentre una parte crescente della manutenzione e dell’organizzazione del contesto aziendale verrebbe eseguita direttamente dagli agenti AI.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)