Splunk e Cisco svelano l'architettura per imprese agentiche che apprendono dai propri dati operativi

Ogni giorno, le organizzazioni scoprono informazioni preziose che i loro sistemi di intelligenza artificiale non riescono mai a riutilizzare. Un analista della sicurezza corregge un'indagine generata dall'AI. Un ingegnere di rete individua la causa principale di un guasto ricorrente. Un team di observability rileva che un pattern di latenza, log e modifiche all'infrastruttura prevede un degrado del servizio. Ogni episodio contiene conoscenza organizzativa di grande valore, ma nella maggior parte delle imprese questa conoscenza si disperde in ticket, dashboard, chat, revisioni post-incidente e nelle menti di esperti isolati.

Il problema della conoscenza persa nei sistemi AI tradizionali

Queste informazioni possono risolvere il problema immediato, ma raramente diventano parte di un sistema riutilizzabile che migliori le decisioni future dell'AI. Questa è la prossima sfida per l'impresa agentica, come sottolineato da Hao Yang, vicepresidente AI di Splunk (una società Cisco), in un recente intervento. Il futuro non sarà definito solo da chi possiede il modello più potente o gli agenti più autonomi. Molte organizzazioni avranno accesso a modelli simili. Il vero differenziatore sarà la capacità di quegli agenti di imparare dall'organizzazione che li circonda, non riaddestrando continuamente il modello, ma catturando l'esperienza operativa, convertendola in conoscenza istituzionale e rendendola disponibile ad agenti, flussi di lavoro e decisioni future.

Feedback loop per trasformare ogni evento in un momento di apprendimento

Ogni flusso agentico genera segnali. Un agente riceve una richiesta, recupera il contesto, ragiona sulle possibili azioni, chiama strumenti e produce risposte. Un umano accetta, rifiuta o modifica quella risposta. I sistemi a valle rivelano se l'azione ha funzionato. L'AI observability offre visibilità su ciò che è accaduto: prompt, risposta, percorso di ragionamento, chiamate a strumenti, fonti dati, passaggi intermedi, modalità di fallimento e risultati. Senza questa visibilità, le organizzazioni non possono capire perché un agente si è comportato in un certo modo, né migliorarlo. Ma l'osservabilità da sola non basta. L'opportunità più ampia è trasformare il comportamento osservato in conoscenza istituzionale. Una traccia non dovrebbe solo aiutare sviluppatori e operatori a fare debug di un agente, ma dovrebbe aiutare l'impresa a capire cosa l'agente ha imparato, cosa l'umano ha corretto, quale risultato è seguito e cosa dovrebbe cambiare prima del prossimo evento simile. Questo è il passaggio dal monitoraggio dell'AI all'insegnamento all'AI.

Architettura di un sistema di apprendimento per l'impresa agentica

Un'impresa agentica orientata all'apprendimento ha bisogno di più di un modello o chatbot. Necessita di un'architettura in grado di catturare l'esperienza, trasformarla in conoscenza utilizzabile, collegarla al contesto operativo e governare come cambia il comportamento futuro degli agenti. La memoria preserva ciò che è accaduto: cosa l'agente ha visto, cosa ha fatto, dove sono intervenuti gli umani e quali risultati sono seguiti. Le knowledge base trasformano quell'esperienza in linee guida riutilizzabili, come playbook, esempi, policy, procedure e prove. Un data fabric connette l'ambiente operativo: i segnali di cui gli agenti hanno bisogno risiedono in log, metriche, tracce, ticket, sistemi di identità, strumenti di sicurezza, telemetria di rete, piattaforme di collaborazione e applicazioni aziendali. Un data fabric rende quei segnali scopribili, correlati, governati e utilizzabili nel contesto. L'AI observability spiega come si comportano gli agenti catturando prompt, chiamate a strumenti, passaggi intermedi, risposte, feedback e risultati. Il control plane governa come l'apprendimento diventa cambiamento: quali conoscenze vengono promosse, quali prompt o policy vengono aggiornati, quali agenti possono usare nuove informazioni, quali approvazioni sono necessarie e come vengono verificati i cambiamenti.

Un esempio concreto tra sicurezza, osservabilità e rete

Consideriamo un servizio che subisce un degrado intermittente. Un agente di observability rileva latenza insolita e tassi di errore. Un agente di rete identifica perdita di pacchetti su un percorso specifico. Un agente di sicurezza nota che nella stessa finestra temporale si verificano comportamenti di autenticazione sospetti e traffico insolito da una fonte mai vista prima. Individualmente, ogni agente ha solo una visione parziale. Insieme, creano un quadro operativo più ricco. La prima volta che si verifica questo incidente, esperti umani devono intervenire. Un ingegnere di rete conferma che la perdita di pacchetti è stata causata da una modifica di routing mal configurata. Un analista della sicurezza determina che il traffico sospetto non era un attacco, ma un effetto collaterale di un servizio interno mal instradato. Un SRE collega l'evento di rete al degrado dell'applicazione. Questa risoluzione contiene conoscenza che l'organizzazione non dovrebbe dover reimparare. Un sistema agentico di apprendimento maturo catturerebbe le tracce, le correzioni umane, il contesto di topologia, i risultati della sicurezza, i segnali di observability e le fasi di remediation finali. La prossima volta che appare un pattern simile, gli agenti non partirebbero da zero: potrebbero recuperare il caso precedente, confrontare le condizioni attuali, raccomandare il percorso diagnostico collaudato e escalation con contesto migliore. Il modello di frontiera sottostante non ha bisogno di essere riaddestrato. L'impresa ha imparato.

Il vantaggio competitivo delle organizzazioni che apprendono più velocemente

Le organizzazioni che costruiscono questo ecosistema creeranno sistemi AI che migliorano a ogni interazione, non perché il modello cambia continuamente, ma perché l'impresa stessa diventa più intelligente. Come discusso nell'articolo su Meta e la rivolta dei suoi ingegneri AI, la gestione del talento è cruciale per un'impresa agentica di successo. Per approfondire i concetti di data fabric, si può consultare la pagina Wikipedia su Data Fabric. La prossima era dell'AI non sarà vinta dai soli modelli, ma dalle organizzazioni che sapranno catturare ciò che imparano da ogni flusso di lavoro, correzione di esperti, incidente, indagine e risultato.

Fonte: https://venturebeat.com/orchestration/why-agentic-enterprises-need-to-become-learning-systems