Pilastro 5: Tecnologia e dati

La tecnologia e i dati forniscono le basi che gli agenti devono operare in modo affidabile, sicuro e su larga scala.

Man mano che le organizzazioni passano da piccoli piloti alla distribuzione aziendale di agenti, scelte tecniche ad hoc e accesso frammentato ai dati diventano rapidamente fattori limitati. Senza una chiara architettura, standard e gestione del ciclo di vita, è difficile gestire soluzioni di IA, difficili da gestire e rischiose ridimensionarle.

Questo pilastro è incentrato sul modo in cui le organizzazioni creano le basi tecniche e dei dati necessarie per supportare l'adozione sostenuta dell'IA dallo sviluppo e dalla distribuzione al monitoraggio e al miglioramento continuo.

Annotazioni

Le operazioni e la gestione del ciclo di vita e l'IA responsabile e la fiducia sono funzionalità trasversali. Per supportare una valutazione più chiara della maturità, questo modello li separa in pilastri distinti, anche se sono incorporati in tutta la sicurezza, la tecnologia e l'esecuzione dei processi in pratica.

Perché la tecnologia e i dati sono importanti per gli agenti di intelligenza artificiale

Gli agenti sono efficaci come la tecnologia e le basi dei dati su cui si basano. L'integrazione debole, l'accesso ai dati incoerente o le architetture fragili limitano le operazioni che gli agenti possono eseguire e impedire loro di operare in modo affidabile tra i sistemi.

Per operare in modo efficace, gli agenti devono:

• Informazioni sul contesto del flusso di lavoro (stato del processo, dipendenze e regole business).
• Recuperare le informazioni corrette al momento giusto.
• Eseguire azioni in tutti i sistemi usando integrazioni sicure e controllabili.

Senza solide basi tecnologiche e dati:

• Gli agenti potrebbero rimanere limitati alle domande e alle risposte o alle attività in un unico passaggio.
• Ogni nuovo agente diventa uno sforzo ingegneristico su misura.
• Il rischio, il sovraccarico operativo e l'incoerenza aumentano più velocemente del valore aziendale.

Con le basi mature disponibili, è possibile riutilizzare, comporre e orchestrare gli agenti tra processi. I team possono concentrarsi sulla progettazione del flusso di lavoro e sulla realizzazione di valori invece di ricompilare i sistemi idraulici.

Cosa significa alto livello di maturità

A maturità elevata, l'organizzazione opera con una solida piattaforma di intelligenza artificiale di livello aziendale.

Le caratteristiche includono:

• Architettura e piattaforme degli agenti standardizzati. Gli agenti sono costruiti su piattaforme approvate utilizzando architetture di riferimento condivise, modelli e schemi.
• Ciclo di vita di sviluppo gestito e automatizzato. Lo sviluppo, il test e la separazione dell'ambiente di produzione, il controllo del codice sorgente, CI/CD, le approvazioni e il rollback sono standard per tutti gli agenti di produzione.
• Accesso sicuro e regolamentato ai dati e all'integrazione. Gli agenti utilizzano connettori approvati, identità gestite e fonti di dati regolamentate, eliminando l'accesso non autorizzato e la proliferazione delle credenziali.
• Inventario esplicito di sistemi e integrazioni. I sistemi, le API e gli strumenti con cui interagiscono gli agenti vengono inventariati, di cui sono proprietari e trattati come asset architetturali condivisi.
• Componenti riutilizzabili. Le azioni comuni, i flussi di lavoro e le integrazioni vengono compilate una sola volta e riutilizzate per abilitare l'esecuzione multisezione tra sistemi.
• Osservabilità e valutazione predefinite. L'utilizzo, la qualità, la sicurezza e le prestazioni vengono acquisiti automaticamente e continuamente esaminati.

A maturità elevata, si aggiornano gli standard dell'architettura man mano che emergono nuovi modelli di agente , ad esempio l'orchestrazione multi-agente. I team federati creano e distribuiscono rapidamente gli agenti senza colli di bottiglia centrali perché le protezioni sono incorporate dalla progettazione.

Come leggere la tabella di maturità

La tabella illustra come le funzionalità tecnologiche e dei dati si evolvono in cinque livelli di maturità.

Per ogni livello, si noti quanto illustrato di seguito:

• Stato della tecnologia e dei dati: caratteristiche tecniche osservabili.
• Opportunità di avanzamento: aree di interesse pratiche che consentono la fase successiva.

Le organizzazioni possono operare a livelli diversi tra piattaforme o domini. Usare la tabella per identificare il modello dominante e assegnare priorità ai miglioramenti che rimuovono i vincoli di ridimensionamento.

Maturità tecnologica e dei dati

livello	Stato della tecnologia e dei dati	Opportunità di avanzamento
100: Iniziale	Il lavoro dell'agente è esplorativo e frammentato. I team sperimentano con richieste o agenti leggeri, senza avere un piano tecnologico definito. L'accesso ai dati è ad hoc, spesso limitato ai documenti in Microsoft 365 o alle chiamate di sistema dirette senza una strategia di recupero coerente. Nessuna chiarezza su quando usare agenti SaaS rispetto alla costruzione di agenti personalizzati e nessuna base dati condivisa per consentire agli agenti di ragionare. Non esistono standard coerenti per la piattaforma, l'ALM o l'integrazione. I team creano agenti come prove di concetto isolate senza un'architettura standard. Le soluzioni sono fragili, non documentate e difficili da riutilizzare o ridimensionare.	Definire un piano tecnologico iniziale. Standardizzare su un piccolo set di piattaforme approvate. Ad esempio, Agent Builder in Microsoft 365 Copilot è l'impostazione predefinita per gli agenti rapidi e basati sulle conoscenze in Microsoft 365; Copilot Studio è lo standard per gli agenti che richiedono flussi di lavoro, integrazioni e gestione del ciclo di vita aziendale. Inventario in cui si trovano i dati pertinenti, ad esempio in Microsoft 365 o nei sistemi operativi e documentare le lacune di connettività.
200: ripetibile	I team iniziano a convergere su un piccolo set di piattaforme (ad esempio, Generatore agenti o Copilot Studio), ma le scelte sono incoerenti e guidate dalla preferenza del team anziché dal caso d'uso. I dati sono parzialmente preparati: il contenuto di Microsoft 365 è accessibile, ma i dati aziendali strutturati rimangono isolati nei sistemi, con connettori limitati approvati o disponibili. Gli agenti si basano su integrazioni di recupero di base o puntuali, il che limita l'affidabilità e il riutilizzo. La separazione tra ambienti di sviluppo e test potrebbe esistere, ma ALM e i dati di telemetria sono incoerenti. Il controllo della versione viene usato in modo incoerente e la documentazione è leggera. I modelli sono basati sull'esperienza dei singoli team anziché sulle linee guida aziendali.	Standardizzare dove si creano gli agenti: usare Agent Builder o Copilot Studio in modo intenzionale in base all'ambito e alla complessità. Definire architetture di riferimento e modelli di integrazione. Standardizzare le procedure ALM e introdurre dati di telemetria di base. Stabilire modelli di soluzione standard, connettori approvati e pipeline CI/CD di base per promuovere la coerenza e ridurre le rielaborazioni.
300: Definito	Esiste un piano tecnologico documentato. L'organizzazione distingue in modo coerente tra agenti SaaS,agenti di Copilot Studio e percorsi di compilazione più avanzati. L'architettura dei dati segue un modello chiaro: Microsoft 365 per il contenuto di collaborazione e Fabric OneLake per i dati aziendali unificati. I dati sono organizzati usando un'architettura medallion, consentendo agli agenti di basare le risposte nelle origini convalidate. L'organizzazione documenta la posizione dei dati critici e il modo in cui gli agenti devono accedervi. Le piattaforme standard, le architetture di riferimento e i modelli di integrazione vengono definiti e riutilizzati. Le procedure ALM vengono stabilite per gli agenti di produzione. Teams usano un framework di progettazione strutturata per pianificare lo sviluppo di agenti.	Rafforzare la scalabilità, la sicurezza e l'osservabilità. Incorporare il monitoraggio, la registrazione e la valutazione nell'architettura standard e assicurarsi che i modelli di accesso ai dati siano completamente regolati. Convalidare l'agente singolo rispetto alle esigenze multi-agente tramite esperimenti strutturati. Espandere e certificare i set di dati per i domini ad alto valore.
400: Capace	Le basi tecnologiche e dei dati sono di livello aziendale. La visibilità dei sistemi, delle API e dei dati usati nei flussi di lavoro è chiara. I modelli di accesso sicuri in base alla progettazione, i dati di telemetria centralizzati e le valutazioni automatizzate sono standard. Le distribuzioni sono automatizzate e affidabili. Il monitoraggio centralizzato e i dati di telemetria offrono visibilità sul comportamento e sulle prestazioni degli agenti nell'organizzazione. Usare Copilot Studio per gli agenti orientati ai processi e Microsoft Foundry per scenari avanzati, se necessario.	Passare dall'implementazione centrale alla consegna federata. Incorporare barriere nelle piattaforme, espandere in modo sicuro il servizio autonomo e sviluppare standard per supportare una maggiore autonomia e nuovi schemi di agenti. Valutare nuove funzionalità e modelli e incorporarli in standard in cui aggiungono valore.
500: Efficiente	Le basi tecnologiche e dei dati si evolvono continuamente in base ai dati di telemetria e ai modelli degli agenti emergenti. I modelli di dati e le integrazioni del flusso di lavoro vengono gestiti attivamente come asset aziendali condivisi. Le squadre federate lavorano in modo indipendente mentre i paletti garantiscono la qualità per impostazione predefinita. L'organizzazione gestisce una piattaforma di intelligenza artificiale matura e ottimizzata. L'architettura supporta scenari complessi multi-agente e sviluppo federato su larga scala. Il miglioramento continuo degli standard tecnici è incorporato nel modello operativo.	Mantenere l'eccellenza attraverso revisioni architettoniche continue, la sperimentazione e la condivisione delle conoscenze. Investire nell'evoluzione della piattaforma per rimanere al passo con i modelli e i requisiti emergenti dell'IA.

Anti-pattern comuni

Osservare questi segnali che la tecnologia e i fondamenti dei dati potrebbero limitare l'adozione degli agenti di intelligenza artificiale.

Livello 100 - Iniziale: "Sperimentazione basata su demo"

• Le squadre costruiscono agenti utilizzando solo prompt, senza veri dati o integrazione di azioni. Questo approccio crea demo impressionanti che non possono sopravvivere a flussi di lavoro reali o casi limite.
• I team aggirano i connettori e la governance appropriati per "farlo funzionare a tutti i costi", creando rischi per la sicurezza, la conformità e l'affidabilità.
• Gli agenti vengono eseguiti da account personali o da ambienti di test senza un chiaro proprietario, ciclo di vita o percorso di produzione.
• Teams promuovono direttamente il codice sperimentale o le configurazioni nell'ambiente di produzione senza un piano di ALM, test o rollback.

Livello 200 - Ripetibile: "Progettazione hero"

• I team reimplementano autonomamente i connettori negli stessi sistemi, portando a duplicazione e incoerenza.
• Solo pochi individui comprendono il funzionamento dei sistemi e la documentazione è di tipo sparse o obsoleto.
• Alcuni agenti hanno ambienti di sviluppo, test e produzione. Altri no. La promozione all'ambiente di produzione è manuale e soggetta a errori.
• Lo stato di avanzamento dipende da tecnici specifici anziché da modelli riutilizzabili e servizi condivisi.
• Teams comprende alcune dipendenze dei dati, ma non abbastanza per abilitare l'esecuzione end-to-end.

Livello 300 – Definito: "Priorità al processo piuttosto che all'abilitazione"

• I requisiti di architettura pesanti vengono applicati agli agenti semplici, il che rallenta la consegna e frustra i team.
• Esistono architetture di riferimento e standard, ma non sono incorporati in modelli o strumenti.
• I modelli funzionano per i progetti pilota, ma non vengono convalidati su larga scala, tra domini o sotto carico.
• Un piccolo gruppo prende tutte le decisioni, il che limita il throughput, provoca frustrazione e causa il disimpegno dei team.

Livello 400 - In grado di: "Stabile ma lento"

• Le piattaforme sono solide, ma solo alcuni team possono creare o distribuire agenti.
• I dashboard esistono, ma le informazioni dettagliate non determinano la definizione delle priorità, il miglioramento o le decisioni di ritiro.
• I team vincolano strettamente gli agenti anche quando i dati mostrano che possono fare di più.
• L'attenzione riguarda l'ottimizzazione degli agenti esistenti anziché l'abilitazione di nuovi modelli o funzionalità.

Livello 500 – Efficiente: "Maturità compiaciuta"

• Teams considera le piattaforme e gli standard completi, nonostante i modelli di agente in rapida evoluzione.
• Le guardrail esistono ma non vengono aggiornate, il che porta alla divergenza e all'incoerenza nel tempo.
• Le squadre scartano l'orchestrazione multi-agente, l'autonomia aumentata o i nuovi modelli di esecuzione come "attività futura".
• Man mano che gli agenti diventano più capaci, i team non aggiornano i controlli e le valutazioni allo stesso ritmo.

Uso di questo pilastro in pratica

La tecnologia e i dati sono abilitanti.

Man mano che l'adozione matura:

• Il rigore tecnico dovrebbe ridurre l'attrito, non rallentare le squadre.
• Gli standard dovrebbero accelerare la sperimentazione sicura e il riutilizzo.
• I dati di telemetria della piattaforma devono informare governance, operazioni e realizzazione del valore.

Le solide basi tecnologiche e dei dati consentono alle organizzazioni di ridimensionare in modo sicuro gli agenti di intelligenza artificiale perché l'affidabilità, la sicurezza e il controllo supportano l'innovazione.

Passo successivo

Successivamente, si esamini come l'idoneità e la cultura dell'organizzazione consentano a persone, ruoli e incentivi di supportare modalità di lavoro sostenute e basate su agenti.

Pilastro 6: Preparazione e cultura dell'organizzazione

Informazioni pertinenti

• Progettare soluzioni degli agenti: principi e modelli
• Progettare agenti efficaci usando un framework di progettazione strutturato
• Piano tecnologico per gli agenti di intelligenza artificiale
• Architettura dei dati per gli agenti di intelligenza artificiale
• Processo per creare agenti nell'organizzazione
• Architetture di riferimento e idee sulle soluzioni di Copilot Studio
• Linee guida per l'implementazione di Copilot Studio