Presentato da Splunk
Le organizzazioni di ogni settore si stanno affrettando a sfruttare l’intelligenza artificiale degli agenti. La promessa è convincente per la resilienza digitale: il potenziale per spostare le organizzazioni da operazioni reattive a operazioni preventive.
Ma c’è un difetto fondamentale nel modo in cui la maggior parte delle organizzazioni affronta questa trasformazione.
Stiamo costruendo cervelli senza sensi
Entra in qualsiasi sala riunioni in cui si discute della strategia di intelligenza artificiale e ascolterai infiniti dibattiti su LLM, motori di ragionamento e cluster GPU. La conversazione è dominata dal “cervello” (quali modelli utilizzare) e dal “corpo” (su quale infrastruttura eseguirli).
Cosa è vistosamente assente? Qualsiasi discussione seria sul sensi — i dati operativi di cui gli agenti di intelligenza artificiale hanno bisogno per percepire e navigare nel loro ambiente.
Questa non è una svista minore. È un errore di categoria che determinerà quali organizzazioni implementano con successo l’intelligenza artificiale con agenti e quali creano un caos costoso e pericoloso.
Consideriamo l’analogia con l’auto a guida autonoma. Potresti possedere l’intelligenza artificiale per la guida autonoma più sofisticata al mondo, ma senza LiDAR, telecamere, radar e feed di sensori in tempo reale, quell’intelligenza artificiale non ha valore. Peggio che inutile, è pericoloso.
Lo stesso principio si applica all’intelligenza artificiale degli agenti aziendali. Un agente AI incaricato di rispondere agli incidenti di sicurezza, di ottimizzare l’infrastruttura o di orchestrare il servizio clienti ha bisogno di dati macchina continui, contestuali e di alta qualità per funzionare. Senza di essa, stai chiedendo agli agenti di prendere decisioni critiche essenzialmente bendati.
I tre sensi critici di cui hanno bisogno gli agenti
Affinché l’intelligenza artificiale possa operare con successo negli ambienti aziendali, sono necessarie tre capacità sensoriali fondamentali:
1. Consapevolezza operativa in tempo reale: gli agenti necessitano di flussi continui di telemetria, log, eventi e metriche nell’intero stack tecnologico. Questa non è un’elaborazione batch; si tratta di dati in tempo reale che fluiscono da applicazioni, infrastrutture, strumenti di sicurezza e piattaforme cloud. Quando un agente di sicurezza rileva un comportamento anomalo, deve vedere cosa sta succedendo Proprio adessonon quello che è successo un’ora fa
2. Comprensione contestuale: I flussi di dati grezzi non sono sufficienti. Gli agenti devono essere in grado di correlare istantaneamente le informazioni tra i domini. Un picco di tentativi di accesso falliti non significa nulla da solo. Ma correlandolo con un recente cambiamento dell’infrastruttura e un traffico di rete insolito, e all’improvviso si avrà un incidente di sicurezza confermato. Questo contesto separa il segnale dal rumore.
3. Memoria storica: Gli agenti efficaci comprendono modelli, linee di base e anomalie nel tempo. Hanno bisogno di accedere a dati storici che forniscano il contesto: Che aspetto ha la normalità? È già successo prima? Questa memoria consente agli agenti di distinguere tra fluttuazioni di routine e problemi reali che richiedono un intervento
Il costo nascosto del debito dei dati
È qui che le cose si fanno scomode per la maggior parte delle organizzazioni: l’infrastruttura dati necessaria per un’intelligenza artificiale di successo è da anni sulla lista “dovremmo farlo un giorno”.
Nell’analisi tradizionale, la scarsa qualità dei dati si traduce in perception più lenti. Frustrante, ma non catastrofico. Negli ambienti advert agenti, tuttavia, questi problemi diventano immediatamente operativi:
-
Decisioni incoerenti: Gli agenti oscillano tra il non fare nulla e l’attivazione di failover non necessari perché le origini dati frammentate si contraddicono a vicenda.
-
Automazione bloccata: I flussi di lavoro si interrompono a metà flusso perché l’agente non ha visibilità sulle dipendenze o sulla proprietà del sistema.
-
Recupero manuale: Quando le cose vanno male, i group passano giorni a ricostruire gli eventi perché non esiste una chiara provenienza dei dati per spiegare le azioni dell’agente.
La velocità dell’intelligenza artificiale degli agenti non nasconde questi problemi relativi ai dati; li espone e li amplifica alla velocità della macchina. Quella che period un’iniziativa trimestrale di igiene dei dati è ora un rischio operativo esistenziale.
Cosa stanno costruendo le organizzazioni vincenti
Le organizzazioni che domineranno nell’period degli agenti non saranno quelle che impiegano il maggior numero di agenti o utilizzano i modelli più fantasiosi. Sono loro che hanno riconosciuto che l’infrastruttura di rilevamento degli agenti è il vero elemento di differenziazione competitiva.
Questi vincitori stanno investendo in quattro funzionalità critiche, tutte centrali per Cisco Knowledge Cloth:
1. Dati unificati su scala infinita e costo finito: Trasformare gli strumenti di monitoraggio disconnessi in una piattaforma dati operativa unificata è fondamentale. Per supportare operazioni autonome in tempo reale, le organizzazioni necessitano di infrastrutture di dati in grado di scalare in modo efficiente per gestire set di dati a livello di petabyte. Fondamentalmente, ciò deve essere fatto in modo economicamente vantaggioso attraverso strategie come il tiering, la federazione e l’automazione dell’intelligenza artificiale. Le vere operazioni autonome sono possibili solo quando le piattaforme di dati unificate offrono sia prestazioni elevate che sostenibilità economica.
2. Contesto e correlazione incorporati: Le organizzazioni sofisticate stanno andando oltre la raccolta di dati grezzi per fornire dati che arrivano arricchiti di contesto. Le relazioni tra i sistemi, le dipendenze tra i servizi e l’impatto aziendale dei componenti tecnici devono essere integrati nel flusso di lavoro dei dati. Ciò garantisce che gli agenti trascorrano meno tempo nella scoperta del contesto e più tempo nell’agire su di esso.
3. Linea tracciabile e governance: In un mondo in cui gli agenti IA prendono decisioni consequenziali, la capacità di rispondere “perché l’agente ha fatto questo?” è obbligatorio. Le organizzazioni necessitano di una derivazione completa dei dati che mostri esattamente quali informazioni hanno informato ciascuna decisione. Questo non è solo per il debug; è essenziale per la conformità, la verificabilità e la creazione di fiducia nei sistemi autonomi.
4. Customary aperti e interoperabili: Gli agenti non operano in situazioni di singolo fornitore. Devono essere in grado di effettuare rilevazioni tra piattaforme, fornitori di servizi cloud e sistemi locali. Ciò richiede un impegno verso commonplace aperti e integrazioni API. Le organizzazioni che si vincolano a formati di dati proprietari vedranno i loro agenti operare con parziale cecità.
La vera questione competitiva
Mentre ci addentriamo nel 2026, la domanda strategica non è “Quanti agenti IA possiamo schierare?”
Si tratta di: “I nostri agenti possono percepire ciò che sta realmente accadendo nel nostro ambiente in modo accurato, continuo e con un contesto completo?”
Se la risposta è no, preparati al caos degli agenti.
La buona notizia è che questa infrastruttura non è preziosa solo per gli agenti IA. Migliora immediatamente le operazioni umane, l’automazione tradizionale e la enterprise intelligence. Le organizzazioni che trattano i dati operativi come infrastrutture critiche scopriranno che i loro agenti di intelligenza artificiale funzionano meglio in modo autonomo, affidabile e su larga scala.
Nel 2026 e oltre, il fossato competitivo non è la sofisticazione dei modelli di intelligenza artificiale, ma i dati operativi che forniscono agli agenti le informazioni necessarie per ottenere il giusto risultato.
Cisco Knowledge Cloth, basato sulla piattaforma Splunk, fornisce un’architettura knowledge material unificata per l’period dell’intelligenza artificiale degli agenti. Scopri di più su Tessuto dati Cisco.
Mangesh Pimpalkhare è Vicepresidente senior e Direttore generale della piattaforma Splunk.
Gli articoli sponsorizzati sono contenuti prodotti da un’azienda che paga per il publish o ha un rapporto commerciale con VentureBeat e sono sempre chiaramente contrassegnati. Per ulteriori informazioni, contattare gross sales@venturebeat.com.
