L’IA aziendale va oltre le risposte alle domande
La prima ondata di IA generativa ha offerto a dipendenti e clienti un modo conversazionale per trovare informazioni. La generazione aumentata dal recupero, o RAG, ha migliorato tali esperienze recuperando contenuti aziendali pertinenti e fornendoli a un modello linguistico di grandi dimensioni prima che quest’ultimo generasse una risposta.
È stato un passo importante, ma l’esperienza restava essenzialmente informativa: una persona chiedeva, il sistema recuperava e il modello rispondeva.
L’IA agentica cambia le regole del gioco. Un agente IA può interpretare un obiettivo, determinare quali sistemi o fonti di conoscenza consultare, raccogliere contesto aggiuntivo e avviare azioni concrete. Può redigere una risposta di assistenza, completare un questionario di sicurezza, attivare un flusso di lavoro di pubblicazione, ordinare un componente sostitutivo o pianificare l’intervento di un tecnico dell’assistenza.
Quando l’IA passa dallo spiegare cosa dovrebbe accadere all’aiutare a farlo accadere, la conoscenza aziendale smette di essere un semplice materiale di consultazione. Diventa infrastruttura operativa.
Dal recupero delle risposte all’azione autonoma
Un’implementazione RAG convenzionale parte da una domanda. Il sistema esegue una ricerca in una fonte di conoscenza definita, recupera i passaggi pertinenti, li aggiunge al prompt del modello e genera una risposta basata su quel materiale.
Questo approccio consente alle organizzazioni di utilizzare informazioni private, aggiornate o riservate senza dover riaddestrare un modello di uso generale. Può inoltre preservare i controlli di accesso quando il recupero avviene tramite le credenziali dell’utente.
Nel suo intervento all’Adobe DITAWORLD 2026 sull’impatto dell’IA generativa sulla strategia dei contenuti, Fabrice Lacroix, fondatore e CEO di Fluid Topics, ha illustrato la progressione dai modelli linguistici di grandi dimensioni a RAG, all’IA agentica e al Model Context Protocol. Ha descritto come RAG recuperi la conoscenza aziendale, la aggiunga a un prompt e utilizzi un modello di uso generale per formulare una risposta.
La sfida emerge quando la conoscenza necessaria è distribuita su numerosi repository. Lacroix ha descritto scenari aziendali con “10, 15 o 20 applicazioni” che potrebbero contenere conoscenza pertinente. Il sistema deve eseguire ricerche in tutte queste fonti, unire i risultati, verificare se il contesto raccolto sia sufficiente e mantenere sincronizzate le informazioni copiate con i sistemi originali.
Model Context Protocol, o MCP, segue uno schema diverso. Si tratta di un protocollo che consente ai sistemi di IA di connettersi a strumenti esterni, applicazioni e fonti di informazioni. Invece di ricevere un pacchetto fisso di contenuti recuperati, un agente può decidere quale fonte interrogare, cosa richiedere e se ha bisogno di ulteriori informazioni.
Come ha spiegato Lacroix: «È il modello LLM dell’agente che pensa, ragiona e accede agli endpoint per raccogliere informazioni e costruire il contesto.» È questo che rende l’IA agentica sostanzialmente diversa. Il sistema di IA non si limita a produrre linguaggio: partecipa attivamente a un processo.
Si pensi a uno scenario di manutenzione. Una macchina segnala un problema di pressione idraulica. Un agente potrebbe dover consultare la documentazione tecnica per diagnosticare il problema, identificare la configurazione interessata in un sistema di gestione del ciclo di vita del prodotto, individuare il componente sostitutivo in un catalogo, verificare la disponibilità nel sistema ERP, organizzare la spedizione e pianificare l’intervento di un tecnico.
Lacroix ha usato questo esempio per illustrare un processo che altrimenti potrebbe coinvolgere da 2 a 10 persone e dover operare a livello globale, 24 ore su 24. L’opportunità è notevole. Lo è altrettanto la dipendenza da conoscenze affidabili.
L’IA espone il debito di contenuto che le aziende potevano ignorare in passato.
La distribuzione tradizionale dei contenuti nascondeva molti problemi. Le pagine più visitate beneficiavano di revisioni, correzioni e aggiornamenti regolari. Gli argomenti obsoleti sepolti in un repository ricevevano poco traffico e causavano danni visibili limitati. Procedure duplicate potevano coesistere per anni perché gli utenti seguivano percorsi di navigazione familiari e raramente si imbattevano nella versione in conflitto. I sistemi conversazionali e agentici eliminano questa protezione.
Nel discorso introduttivo di Adobe DITAWORLD 2026, Vivek Kumar, Senior Director of Products di Adobe, ha spiegato che l’IA rende potenzialmente accessibile ogni argomento, procedura e frammento di contenuto. L’argomento meno consultato in un repository può improvvisamente diventare la fonte di una risposta. Kumar ha illustrato il rischio con l’esempio di un assistente IA che recuperava una procedura non aggiornata da quattro anni perché sembrava pertinente alla domanda del cliente.
“L’IA non ha creato questo problema di documentazione”, ha dichiarato Kumar. «Lo ha soltanto messo in luce.»
Il problema di fondo non è la mancanza di contenuti. È l’assenza di conoscenze affidabili.
Una procedura è un contenuto. Lo sono anche una descrizione di prodotto, un argomento di risoluzione dei problemi, una norma o un’istruzione di servizio. La conoscenza emerge quando questi componenti includono il contesto che ne chiarisce l’ambito di applicazione, le relazioni reciproche, la versione di riferimento, chi li ha approvati e quando dovranno essere ritirati.
Per l’IA, queste distinzioni sono essenziali. Un’istruzione tecnicamente corretta potrebbe comunque non essere adatta a una specifica versione del prodotto, a un determinato mercato, ai diritti contrattuali del cliente, alle condizioni operative o alla giurisdizione normativa di riferimento. Un agente non si accontenta di un testo che assomigli alla domanda: ha bisogno di prove concrete che il contenuto selezionato sia appropriato per l’azione in esame.
La portata del problema legato ai contenuti è documentata in “Component Content Management Systems: Supercharge Long-Form Content for Personalized and Consistent Experiences”, uno studio Forrester Consulting del 2021 commissionato da Adobe. Basato su un’indagine condotta su 450 responsabili aziendali presso organizzazioni con almeno 500 dipendenti e un fatturato annuo di US$ 500 milioni, il report ha rilevato che il 64% riteneva difficile rispondere alle moderne esigenze di creazione dei contenuti. Ha inoltre rilevato che il 68% identificava nella scarsa riutilizzabilità dei contenuti una criticità nella gestione degli stessi, mentre il 58% faceva fatica a mantenere i ritmi di pubblicazione e aggiornamento. L’IA agentica non elimina questi punti deboli: li introduce più rapidamente nei processi aziendali.
La struttura trasforma i contenuti in conoscenza fruibile dai sistemi
È qui che il contenuto strutturato e un sistema di gestione dei contenuti a componenti, o CCMS, assumono un ruolo di maggiore importanza.
Un CCMS gestisce le informazioni come componenti modulari, non solo come documenti completi. Questi componenti possono contenere metadati espliciti, relazioni, condizioni, cronologia delle versioni, stato di revisione e riferimenti di riutilizzo. Possono essere assemblati in più pubblicazioni e distribuiti tramite siti web, applicazioni, basi di conoscenza, sistemi di supporto o esperienze basate sull’IA.
Il valore per l’IA non consiste solo nella maggiore facilità con cui una macchina elabora l’XML. Il vantaggio più significativo è che la struttura rende espliciti il significato e il controllo.
I metadati possono identificare il prodotto, il modello, il pubblico, la lingua, la regione, lo stato del ciclo di vita, la data di entrata in vigore e la classificazione di sicurezza. Le tassonomie forniscono termini controllati. Le relazioni collegano concetti, procedure, avvertenze, parti e prove di supporto. Le versioni e le baseline identificano con precisione i contenuti approvati per una specifica versione. I flussi di lavoro di revisione attestano che il giudizio umano è stato applicato prima che il contenuto diventasse autorevole.
Kumar ha descritto il risultato come una progressione dall’archivio dei contenuti al grafo della conoscenza. “La conoscenza emerge dai contenuti connessi”, ha dichiarato. “Le relazioni contano, il contesto conta, il significato conta.”
Questa base consente ai sistemi di IA di recuperare unità di conoscenza più piccole e precise, preservando al contempo le informazioni necessarie per valutarle. Offre inoltre alle organizzazioni un modo per risalire al materiale originale che ha dato origine a una risposta o un’azione generata dall’IA.
Lo studio Forrester fornisce supporto quantitativo a questo approccio. Il 69% degli intervistati ha dichiarato che mantenere i contenuti in un formato flessibile come XML facilita il riutilizzo o la distribuzione. Il report ha inoltre rilevato che l’80% o più degli intervistati nelle organizzazioni che adottano un CCMS (Component Content Management System - Sistema di gestione dei contenuti a componenti) ha affermato che questo ha contribuito a eliminare i rischi normativi, reputazionali, finanziari e legati al personale associati alla creazione e alla distribuzione dei contenuti.
Questi risultati portano alla stessa conclusione: le organizzazioni non possono soddisfare la crescente domanda umana e automatizzata creando un numero sempre maggiore di documenti scollegati tra loro. Hanno bisogno di contenuti governabili una sola volta, comprensibili nel contesto e riutilizzabili in modo affidabile.
La governance diventa parte del controllo dell’IA
Molti programmi di IA si concentrano prima sul modello, sull’interfaccia o sul framework degli agenti. Si tratta di investimenti visibili, ma non bastano a compensare una governance dei contenuti carente.
Una base di conoscenza aziendale per l’IA agentica deve rispondere a diverse domande operative:
- Si tratta della versione attuale approvata?
- È applicabile a questo prodotto, pubblico, area geografica e contesto?
- Uno specialista in materia competente l’ha revisionato?
- Questo utente o agente può accedervi?
- Quali altri contenuti dipendono da esso?
- Cosa è cambiato, chi lo ha modificato e quando?
- Il sistema può citare la fonte utilizzata per la risposta o l’azione?
Si tratta di aspetti ben noti nel contesto dei CCMS, ma l’IA agentica conferisce loro una rilevanza aziendale più ampia.
- Il versioning diventa una misura di sicurezza contro le istruzioni obsolete.
- I metadati diventano un meccanismo di instradamento per gli agenti.
- Lo stato di approvazione diventa un fattore di fiducia.
- La cronologia degli audit diventa un elemento di prova per la conformità e le indagini.
- I controlli di accesso impediscono agli agenti di esporre o agire su informazioni riservate.
Il rapporto Forrester ha rilevato che una documentazione errata o poco chiara comporta rischi significativi per le operazioni di supporto e che più della metà degli intervistati ha identificato come sfide principali la frammentazione della strategia dei contenuti, i silos di contenuto, la revisione e la collaborazione, la personalizzazione, la distribuzione omnicanale e la velocità dei contenuti.
Questo non significa che un CCMS elimini ogni rischio o renda automaticamente affidabile ogni azione dell’IA. Dimostra piuttosto che le organizzazioni già associano i controlli dei contenuti strutturati alla riduzione delle condizioni che generano rischi.
La supervisione umana rimane comunque necessaria. I sistemi agentici possono accelerare le attività di routine, ma le organizzazioni devono comunque definire limiti chiari per le azioni che richiedono revisione, approvazione o escalation. L’obiettivo non è eliminare le persone da ogni processo, ma riservare il giudizio umano alle decisioni in cui apporta il maggior valore.
Adobe Experience Manager Guides come base di conoscenza aziendale
Adobe Experience Manager Guides offre una base di contenuto strutturato in grado di supportare questo modello.
Le organizzazioni possono gestire contenuti DITA modulari, metadati, versioni, riferimenti, revisioni, traduzioni e pubblicazioni da un ambiente controllato. Le interfacce di programmazione delle applicazioni, o API, possono connettere le operazioni sui contenuti con altri sistemi aziendali, mentre gli output strutturati possono supportare siti web, applicazioni, basi di conoscenza, esperienze di chat e altri utilizzi a valle.
In “The Business Value of Adobe Experience Manager Guides”, uno studio IDC sul valore aziendale del novembre 2022 sponsorizzato da Adobe, IDC ha riportato i risultati di interviste approfondite con sei organizzazioni che utilizzano Experience Manager Guides. IDC ha calcolato benefici annui medi di $ 3,8 milioni per organizzazione, un 287% di ritorno sull’investimento nell’arco di tre anni e un periodo di rimborso di 13,9 mesi per le organizzazioni partecipanti.
Lo studio ha inoltre rilevato che i team di scrittura tecnica erano il 17% più efficaci dopo aver adottato Experience Manager Guides. Ha riportato una riduzione del 16% degli sforzi correlati alla duplicazione, pari a un valore medio annuo della produttività di $ 437.570 per organizzazione.
Questi risultati non vanno intesi come esiti garantiti per ogni implementazione. Dimostrano tuttavia che la base di contenuto necessaria per la preparazione all’IA può generare un valore misurabile attraverso la riduzione delle duplicazioni, operazioni sui contenuti più efficaci e una maggiore produttività.
Adobe ha anche dimostrato funzionalità assistite dall’IA per importare, creare, modificare, assegnare tag e validare contenuto strutturato. Nella sua sessione Adobe DITAWORLD 2026 sull’utilizzo dell’IA in Experience Manager Guides per lavorare in modo più efficiente e produrre contenuti su larga scala, Mike Buoy, senior solution consultant di Adobe, ha illustrato flussi di lavoro in cui i redattori esaminano le proposte e tracciano le modifiche prima di accettarle. Questo approccio con supervisione umana consente all’IA di accelerare le attività sui contenuti, mentre l’organizzazione mantiene il controllo su ciò che entra a far parte della base di conoscenza affidabile. Le implementazioni su larga scala dimostrano quanto questo controllo sia determinante.
Nella sua sessione Adobe DITAWORLD 2026, Brian Scordinsky, client technology director a supporto della global assurance di EY, ha descritto EY Atlas come una piattaforma di conoscenza globale per l’assurance, operante su scala enterprise.
EY Atlas gestisce oltre un milione di documenti, tre milioni di pagine di contenuto renderizzate, più di 40 lingue e 66 canali geolocalizzati. Conta più di 200.000 utenti e riceve più di un milione di accessi al mese. Il suo ambiente AEM Guides conserva 12,7 milioni di metadati e 42 milioni di riferimenti link.
Scordinsky ha definito Atlas “il front end di una supply chain globale della conoscenza”. Dietro questa esperienza si trova un ecosistema strutturato a supporto di creazione dei contenuti, pubblicazione, ricerca, abbonamenti, analisi, sicurezza, localizzazione e, in misura crescente, esperienze basate su agenti abilitate dall’IA generativa.
Una sessione Adobe DITAWORLD 2024 correlata ha riportato che EY Atlas contava più di 200.000 utenti, di cui oltre 26.000 clienti, con il supporto di più di 600 produttori di contenuti. In quella sessione, Scordinsky ha dichiarato: “AEM fa il grosso del lavoro per le nostre operazioni sui contenuti.” Ha poi aggiunto che i metadati gestiti in AEM Guides alimentano la ricerca e avrebbero in futuro supportato modelli linguistici di grandi dimensioni ed esperienze di chat basate sull’IA generativa.
A questa scala, metadati, versioni, link e controlli di pubblicazione non sono semplici dettagli amministrativi. Sono il modello operativo per una conoscenza affidabile.
Costruire il livello di conoscenza prima di scalare il livello degli agenti
Le aziende non devono ristrutturare ogni singolo contenuto prima di avviare un’iniziativa di IA agentica. Devono invece identificare quali informazioni orientano azioni ad alto valore o ad alto rischio e rendere affidabile quel contenuto come priorità iniziale.
Un approccio pratico parte da quattro priorità.
1. Identificare le decisioni e le azioni che l’agente supporterà.
Definire il processo aziendale prima di selezionare i contenuti. Stabilire cosa l’agente sarà autorizzato a consigliare, avviare o completare e in quali casi l’approvazione umana rimarrà obbligatoria. Questo permette di determinare quali fonti di conoscenza sono critiche e quale livello di certezza è richiesto.
2. Valutare i contenuti alla base di tali azioni.
Esaminare la conoscenza che l’agente utilizzerà. Ricercare duplicazioni, indicazioni contrastanti, metadati mancanti, versioni obsolete, proprietà poco definita, materiale sorgente inaccessibile e lacune nella cronologia delle approvazioni.
L’obiettivo non è un inventario generico dei contenuti, ma una valutazione mirata del rischio relativo alle informazioni che guideranno le decisioni supportate dall’IA.
3. Strutturare e governare la conoscenza di massimo valore.
Suddividere i documenti di grandi dimensioni in componenti riutilizzabili, ove opportuno. Applicare metadati controllati. Stabilire relazioni tra procedure, prodotti, parti, policy e concetti di supporto.
Definire regole di revisione, approvazione, versionamento, accesso, conservazione e ciclo di vita, in modo che persone e sistemi di IA possano distinguere la conoscenza aggiornata dai contenuti incompleti, superati o non adatti all’uso.
4. Connettere i contenuti tramite interfacce governate.
API e servizi compatibili con MCP possono rendere la conoscenza aziendale disponibile agli agenti senza rinunciare alle autorizzazioni, al controllo delle sorgenti o alla verificabilità.
Ogni connessione deve preservare un contesto sufficiente affinché l’agente possa comprendere il significato del contenuto, i casi in cui si applica e il suo grado di affidabilità.
La sequenza è fondamentale. Collegare un agente a più repository non crea in modo automatico una conoscenza migliore: può soltanto offrire all’agente un accesso più rapido a un numero maggiore di incoerenze.
La conoscenza aziendale sta diventando un’infrastruttura strategica
Il ruolo strategico del CCMS è in evoluzione. Resta una piattaforma per creare, gestire, tradurre e pubblicare contenuti, ma diventa anche il livello di conoscenza governato tra le competenze aziendali e l’azione guidata dall’IA.
Kumar ha sintetizzato il cambiamento con queste parole: «Ciò che un tempo si considerava infrastruttura di documentazione sta rapidamente diventando infrastruttura di IA.»
A vincere la prossima fase dell’IA aziendale non sarà l’organizzazione con più contenuti o più agenti. A vincere saranno le organizzazioni in grado di fornire ai sistemi una conoscenza strutturata, aggiornata, contestuale, conforme alle autorizzazioni e tracciabile.
Quando l’IA si limitava a rispondere alle domande, contenuti deboli generavano esperienze scadenti. Quando l’IA può agire, la qualità della conoscenza aziendale diventa un fattore di controllo strategico.
Le organizzazioni che si preparano all’IA agentica dovrebbero iniziare identificando i contenuti alla base delle decisioni più importanti, valutando se siano strutturati e governati in modo adeguato per supportare azioni concrete, e colmando le lacune di conoscenza a maggiore rischio prima di scalare. Adobe Experience Manager Guides può offrire la base di contenuti controllata necessaria per trasformare le informazioni aziendali in conoscenza affidabile e riutilizzabile per esperienze e flussi di lavoro basati sull’IA.
Prossimi passi
Scopri come Adobe Experience Manager Guides può trasformare i contenuti aziendali strutturati in una base di conoscenza governata per esperienze basate sull’IA e flussi di lavoro agentici.
