L'adozione enterprise degli agenti AI sta incontrando un ostacolo imprevisto. Non è la potenza dei modelli a frenare il deployment, ma la gestione dei permessi. Ogni flusso di lavoro agentico si scontra con la stessa domanda: cosa può toccare questo agente, per conto di chi e come fa il sistema a saperlo? Workday ha risposto con Sana, un sistema che trasforma l'infrastruttura HR e finanziaria in un layer di governance per gli agenti. Come spiegato a VentureBeat, Sana garantisce l'integrità delle approvazioni e del modello di sicurezza, risolvendo il caos che nasce quando le aziende tentano soluzioni fai-da-te.
Il problema della precisione
Per i settori HR e finanza, quasi giusto non è accettabile. Pagare le persone correttamente, chiudere i bilanci o gestire i turni richiede una fedeltà assoluta. Il framework Sana utilizza Gemini come superficie conversazionale, ma l'autenticazione e l'autorizzazione avvengono attraverso il sistema di identità Workday. L'audit trail rimane all'interno del cliente, mentre Gemini conserva solo i log di interazione. La governace deve vivere nel sistema di registrazione, non al di fuori.
Una nuova memoria per i modelli
Parallelamente, il framework MeMo del MIT e di altre università apre una strada alternativa. Invece di riqualificare costosi LLM, MeMo codifica nuova conoscenza in un modello di memoria più piccolo e separato, chiamato MEMORY model, che dialoga con un EXECUTIVE model congelato. Invece di RAG o fine-tuning, utilizza riflessioni, coppie domanda-risposta che coprono ogni angolo del corpus. I test mostrano un incremento di performance fino al 26% cambiando il solo modello esecutivo, senza ritocchi alla memoria.
Cosa cambia per le imprese
Il vero valore di MeMo è l'aggiornamento continuo senza dimenticanza catastrofica. Con il merging di modelli, si possono introdurre nuove policy aziendali senza riaddestrare l'intero sistema. Restano limiti: il costo iniziale di addestramento della memoria è elevato (circa 240 ore GPU H200 per la generazione dei dati) e la provenienza delle informazioni è meno tracciabile rispetto alla RAG tradizionale. Tuttavia, per sintesi su documenti complessi, MeMo ha dominato benchmark come NarrativeQA con il 53.58% di accuratezza contro il 23.21% di HippoRAG2.
In un panorama dove gli agenti AI devono operare con dati sensibili, la combinazione di governance strutturata come Sana e memoria modulare come MeMo potrebbe definire il prossimo standard. Le aziende dovranno scegliere tra governance e sintesi, ma la direzione è chiara: l'AI enterprise non è solo questione di modelli più potenti.
Sponsored Protocol
