Oltre il 40% dei progetti di AI agentica verrà cancellato entro la fine del 2027 per costi crescenti, valore di business poco chiaro e controlli del rischio inadeguati (Gartner, 2025). Nella maggior parte dei casi il limite non è il modello: è che l’azienda chiede agli agenti di decidere prima di aver reso esplicito su quali definizioni, obiettivi e vincoli quelle decisioni si fondano.

Chiedi a tre assistenti AI qual è stato il margine del mese scorso e rischi di ottenere tre numeri diversi: 18,4%, 21,1%, 16,9%. Nessuno ha sbagliato i conti. Semplicemente, uno somma le fatture dell’ERP, uno usa gli ordini del CRM, uno ricostruisce dal magazzino. Stessi dati, tre definizioni implicite della parola “margine”.

È la distanza tra dati pronti per l’AI e decisioni pronte per l’AI, e con gli agenti si allarga: McKinsey (2025) rileva che meno di un’azienda su dieci porta gli agenti oltre il pilota, mentre otto su dieci indicano nei dati il principale ostacolo allo scaling. Rendere i dati AI-ready è condizione necessaria; trasformarli in decisioni richiede due livelli distinti: un semantic layer e un decision layer.

Perché gli agenti danno tre risposte allo stesso dato

Gli agenti accedono agli stessi dati, ma non conoscono le stesse regole. La parola “margine” non è scritta in nessun sistema: va ricostruita ogni volta da tabelle, join e convenzioni implicite. È qui che tre agenti, o tre sessioni dello stesso agente, divergono.

Il punto non è la qualità del dato, ma la grana e la semantica con cui viene letto. Una tabella ordini non dice se il fatturato è al lordo o al netto dei resi, se si riconosce alla data dell’ordine o della spedizione, se la valuta è già convertita, quale fuso orario chiude il “mese”. Davanti a questa ambiguità il modello sceglie un join plausibile e una convenzione plausibile, e lo fa in modo diverso a ogni esecuzione. McKinsey (2025) lo sintetizza così: senza una base semantica condivisa “gli agenti agiscono su interpretazioni incomplete o in conflitto degli stessi dati”.

Un modello più potente non chiude questa forbice: la rende più insidiosa, perché produce risposte più fluenti e sicure sopra le stesse ambiguità. In un sistema multi-agente l’effetto si moltiplica: ogni agente propaga a valle la propria definizione, e la coerenza tra le decisioni si perde prima ancora di arrivare all’azione.

Che cos’è il semantic layer

Il semantic layer è un catalogo di definizioni di business approvate, costruito sopra i dati che esistono già. Ogni metrica è dichiarata una volta sola (cosa significa, su quali tabelle poggia, con quali join, con quale grana temporale e quali filtri) e da lì diventa l’unica versione che umani e agenti leggono.

In pratica separa due piani che oggi si confondono. Le misure (margine lordo, ricavi netti, coperto medio) e le dimensioni (tempo, cliente, prodotto, area) sono definite nel layer; la query che le calcola viene generata in modo deterministico a partire da quella definizione. L’agente non scrive più l’SQL: seleziona misure e dimensioni per nome, per esempio “margine lordo per area, ultimi 4 trimestri”, e il layer emette sempre lo stesso SQL, con gli stessi join path e la stessa grana. Meno ricostruzione significa meno allucinazioni di metrica.

Questo sposta anche la governance nel punto giusto. Con un protocollo come MCP (Model Context Protocol) gli agenti scoprono e richiamano le metriche governate per nome, invece di interrogare le tabelle grezze. I permessi (ruolo, area, tenant) entrano nella generazione della query, non a valle: l’agente non può costruire una query che restituisce righe che non dovrebbe vedere. Una definizione, un solo punto di controllo, un solo posto in cui aggiornarla: si cambia la regola una volta e tutti gli agenti la ereditano.

Perché il semantic layer è necessario, ma non sufficiente

Con il semantic layer la domanda sul margine ha una sola risposta: 19,6% di margine lordo, calcolato sulle fatture ERP, resi esclusi per definizione. Il dato è ora corretto, condiviso e tracciabile. Ma sapere qual è il margine non dice ancora cosa fare per proteggerlo.

Una definizione condivisa elimina l’ambiguità del dato. Non tocca l’ambiguità della decisione: comprare ora le materie prime o aspettare, alzare il prezzo o tenerlo, spostare o no la produzione. Queste scelte dipendono da obiettivi, leve, vincoli e soglie che nel semantic layer non esistono. Un dato comprensibile non è ancora una decisione governabile: per questo serve un secondo livello, costruito sopra le stesse definizioni.

Che cos’è il decision layer

Il decision layer è il livello che collega le metriche approvate a obiettivi, leve, vincoli e modelli: è dove l’azienda rende esplicito come decide. Poggia sul semantic layer, perché ogni KPI richiama una metrica approvata, così non esistono definizioni divergenti tra ciò che si misura e ciò su cui si decide.

Contiene quattro elementi. Gli obiettivi economici e i KPI da proteggere o massimizzare, per esempio un margine di periodo sopra una soglia. Le leve controllabili (prezzo, quantità, timing, allocazione), cioè le variabili su cui l’azienda può davvero agire. I vincoli e le soglie: cassa, capacità, copertura, margine minimo, oltre i quali un’alternativa non è ammissibile. E i modelli che legano tutto: predittivi (cosa accadrà), causali (l’effetto di una leva sul risultato) e di ottimizzazione (la combinazione migliore sotto i vincoli).

Su questa base l’agente non inventa obiettivi né vincoli: costruisce scenari ammissibili, li valuta sugli stessi KPI e restituisce una probabilità di realizzazione con la distribuzione dell’impatto atteso, non un numero puntuale spacciato per certezza. Sempre l’agente confronta i risultati e propone l’alternativa migliore, con il riferimento al calcolo, al modello e ai vincoli usati. È la disciplina che Gartner (2025) classifica come “trasformazionale” con il nome di Decision Intelligence: modellare le decisioni come asset, per confrontarle e migliorarle nel tempo.

Come si governa il ciclo di vita di una decisione

Definizioni e decisioni seguono lo stesso ciclo di vita a tre stati: proposto, approvato, in drift. L’agente scrive la bozza: una metrica, una soglia, un nuovo driver dell’albero dei KPI. Un owner di business la promuove: da quel momento è la versione approvata che tutti leggono. Quando la tabella di origine cambia, o i risultati osservati si allontanano stabilmente da quelli attesi, la definizione entra in drift e torna in revisione. Modificare una definizione approvata la riporta a “proposto”.

Il drift non è un controllo manuale ma una misura continua: si confronta la decisione presa con l’esito osservato e si aggiorna il modello. Ogni decisione porta con sé i suoi metadati di governance (owner, obiettivo, perimetro, importo massimo, log) e vive dentro quel perimetro. L’agente propone; oltre la soglia di importo o fuori perimetro, decide una persona.

È il principio “l’AI propone, l’umano risponde”. La fiducia non nasce perché l’AI spiega una risposta a posteriori, ma perché ogni decisione è tracciabile prima di essere presa e il suo impatto viene misurato dopo. Un agente, di fatto, opera come un nuovo assunto: con obiettivi, un perimetro e un registro di ciò che ha deciso.

Come si innesta sui sistemi esistenti

L’architettura a due layer non chiede di rifare lo stack dati. Legge dalle fonti che l’azienda ha già (ERP, CRM, data warehouse) e dai dati esterni che contano per la decisione, come prezzi delle materie prime, cambi e domanda, facendoli passare attraverso il semantic layer. I due layer si aggiungono sopra, non sostituiscono.

Per questo il punto di partenza non è un programma pluriennale ma una decisione circoscritta: un acquisto, un prezzo, un livello di scorta. Si definiscono le metriche che servono, si modella quella decisione, se ne misura il valore e da lì si estende ad altre decisioni che condividono le stesse definizioni. È un approccio enterprise-grade accessibile anche al mid-market e alle PMI industriali.

Il contesto spinge in questa direzione: Gartner (2025) prevede che entro la fine del 2026 il 40% delle applicazioni enterprise integrerà agenti task-specific, contro meno del 5% del 2025. La domanda non è più se gli agenti prenderanno decisioni, ma con quali definizioni e quale governance.

PUNTI CHIAVE

• Oltre il 40% dei progetti di AI agentica verrà cancellato entro il 2027 (Gartner, 2025): spesso il limite non è il modello, ma le decisioni non rese esplicite.
• Gli agenti divergono sullo stesso dato perché condividono le tabelle, non le definizioni, i join e la grana temporale.
• Il semantic layer definisce ogni metrica una volta e genera query deterministiche: il dato diventa corretto e leggibile da persone e agenti.
• Il semantic layer è necessario ma non sufficiente: il decision layer aggiunge obiettivi, leve, vincoli e modelli, e rende la decisione modellabile, confrontabile e misurabile.
• La fiducia nasce dalla tracciabilità: l’agente propone entro un perimetro, l’owner approva, l’esito viene misurato e il modello si aggiorna.

FAQ

Che cos’è un semantic layer?

Un semantic layer è un catalogo di definizioni di business approvate, costruito sopra i dati aziendali esistenti: stabilisce una volta sola cosa significa ogni metrica, su quali tabelle poggia e come si collegano le fonti, così che persone e agenti AI leggano la stessa definizione invece di ricostruirla a ogni interrogazione.

Qual è la differenza tra semantic layer e decision layer?

Il semantic layer definisce cosa significano i dati e li rende comprensibili; il decision layer collega quelle metriche a obiettivi, leve, vincoli e modelli per stabilire quale decisione prendere. Il primo rende corretto il dato, il secondo rende la decisione modellabile, confrontabile e misurabile.

Perché gli agenti AI danno risposte diverse alla stessa domanda?

Perché accedono agli stessi dati ma non alle stesse definizioni. In assenza di una base semantica condivisa, ogni agente risolve le ambiguità (join, resi, periodi, valute) in modo plausibile e diverso a ogni sessione. Un modello più potente non elimina l’ambiguità: la nasconde sotto risposte più sicure.

Che cos’è la Decision Intelligence?

La Decision Intelligence è la disciplina che modella le decisioni come asset, collegando dati, modelli e vincoli per rendere ogni scelta esplicita, tracciabile e migliorabile nel tempo. Gartner la classifica come tecnologia trasformazionale nel suo AI Hype Cycle 2025.

Serve riscrivere i sistemi aziendali per adottare un decision layer?

No. Il decision layer si innesta sui sistemi esistenti (ERP, CRM, data warehouse e dati esterni), leggendoli attraverso il semantic layer. Si parte da una decisione circoscritta, se ne misura il valore e si scala, senza rifare l’infrastruttura dati.

Come si mantiene la fiducia nelle decisioni prese con l’AI?

La fiducia si mantiene rendendo ogni decisione tracciabile: l’agente propone dentro un perimetro definito, un owner approva e l’esito viene confrontato con quello atteso. Non conta che l’AI spieghi una risposta, ma che la decisione sia governata prima e misurata dopo.

WhAI: l’architettura a due layer

Su questa architettura è costruito WhAI, la piattaforma di Decision Intelligence di Vedrai. Il semantic layer definisce le metriche una volta e le rende leggibili da persone e agenti; il decision layer le collega a obiettivi, leve, vincoli e modelli, così che ogni raccomandazione arrivi con la sua fonte, il suo intervallo di confidenza e il suo impatto atteso sul margine. L’agente propone, l’owner approva entro un perimetro definito, e ogni decisione resta tracciabile e confrontabile con il risultato osservato. È il passaggio dai dati AI-ready alle decisioni AI-ready: non una risposta più veloce, ma una decisione che l’azienda può governare, difendere e migliorare nel tempo.

‍