Gli agenti di intelligenza artificiale nelle aziende stanno dando risposte sbagliate con grande sicurezza. Il problema non è il modello linguistico, ma l'assenza di un contesto dati condiviso. Come riportato da VentureBeat durante lo Snowflake Summit 26 a San Francisco, il vendor del data cloud ha annunciato una soluzione a due strati: Horizon Context e Cortex Sense. L'obiettivo è fornire una definizione governata della logica di business che ogni agente, strumento BI e sistema esterno possa utilizzare, senza interpretazioni divergenti. Questo arriva in un momento critico: i dati di VB Pulse mostrano che l'intento di retrieval ibrido è triplicato dal 10,3% a gennaio al 33,3% a marzo 2026, rendendo la frammentazione semantica un problema di produzione immediato.
Perché il contesto è diventato il campo di battaglia
Christian Kleinerman, EVP of Product di Snowflake, ha spiegato che il contesto è oggi distribuito tra SQL, dashboard BI e istruzioni degli agenti, senza un sistema che ne possieda la definizione. Quando più agenti interrogano gli stessi dati, ragionano su schemi diversi e restituiscono risposte diverse. La soluzione proposta da Snowflake aggancia il contesto al catalogo dei dati e al layer di governance, non all'agente stesso. Horizon Context copre ciò che i clienti dichiarano esplicitamente, mentre Cortex Sense deriva il contesto dall'uso dei dati in modo automatico. Entrambi si collegano a Cortex Search, l'implementazione RAG di Snowflake, per fluire nei flussi di retrieval. L'azienda ha anche legato Horizon Context all'Open Semantic Interchange, garantendo portabilità tra cataloghi e strumenti di terze parti.
L'implicazione concreta per le imprese
Il problema del contesto non riguarda solo Snowflake. Zip, la piattaforma di procurement valutata 2,2 miliardi di dollari, ha lanciato cinque Superagenti e una implementazione nativa del Model Context Protocol (MCP) per garantire che ogni azione degli agenti sia governata, tracciata e verificabile. In parallelo, ZeroDrift ha raccolto 10 milioni di dollari per un servizio che si pone tra i modelli AI e gli utenti finali, bloccando messaggi non conformi. Il filo conduttore è chiaro: gli agenti AI autonomi non possono essere adottati su larga scala senza un layer di contesto affidabile e verificabile. Secondo Devin Pratt di IDC, il contesto, non il modello, è la cosa da osservare ora. Le aziende che non risolvono la frammentazione semantica rischiano risposte errate a scala, con danni immediati e conseguenze normative (come le multe SOX fino a 25 milioni di dollari). La lezione è che il prossimo grande investimento enterprise non sarà in modelli più grandi, ma in infrastrutture di contesto che rendano gli agenti affidabili e verificabili.
Sponsored Protocol
