Chi possiede il contesto possiede l’agente

Il 6 ottobre 2026, sul palco di SAP Connect a Las Vegas, l’amministratore delegato di SAP Christian Klein ha posto una domanda retorica: perché costruire agenti in modo isolato su una piattaforma di modelli linguistici? La domanda, riportata da CustomerThink ↗, non era rivolta ai clienti. Era rivolta ai concorrenti.

Nello stesso anno Salesforce ha costruito la propria strategia attorno all’“agentic enterprise”; ServiceNow ha presentato il proprio sistema come il luogo in cui governare gli agenti di tutti; OpenAI ha lanciato una piattaforma per collegare gli agenti ai sistemi aziendali; Microsoft ha portato ontologie e regole di business nella propria piattaforma dati. Ognuno sostiene che gli agenti debbano poter lavorare dentro il proprio ambiente.

Per capire che cosa c’è in gioco, conviene guardare non solo agli agenti, ma anche a ciò che le piattaforme mettono loro a disposizione.

La tabella riassume il posizionamento dichiarato dalle aziende e non costituisce un confronto indipendente delle prestazioni. Le cifre commerciali sono attribuite alle rispettive fonti: SAP Connect (SAP ↗), risultati trimestrali (Salesforce ↗), Microsoft Fabric IQ ↗ e OpenAI Frontier ↗.

SAP ha presentato l’“Autonomous Enterprise” a Sapphire, nel maggio 2026, e ne ha annunciato l’estensione a SAP Connect. Dalla presentazione di Sapphire, l’azienda dichiara di aver reso disponibili più di 20 assistenti e oltre 200 agenti, con l’obiettivo di superare quota 400 entro fine anno. SAP ha inoltre descritto il proprio Knowledge Graph come una rappresentazione di oltre sette milioni di campi dati. Queste sono capacità e obiettivi dichiarati da SAP, non una misura indipendente dell’efficacia degli agenti.

Il nuovo livello d’interazione Joule Work, secondo SAP, è usato dai suoi 110.000 dipendenti. L’azienda ha riportato miglioramenti di produttività superiori al 20% nelle risorse umane, nella finanza e negli acquisti. Anche questa percentuale va letta come risultato comunicato da SAP, nel contesto e secondo le metriche dell’azienda. Tra i modelli disponibili per gli agenti Joule figura Claude di Anthropic.

L’argomento di SAP è la precisione. Nei processi critici un risultato “quasi giusto” non basta: gli agenti devono utilizzare dati e regole coerenti e lasciare tracce verificabili. È un argomento solido. Ma anche l’espressione “impresa autonoma” va letta con attenzione: nella pratica l’autonomia richiede supervisione, permessi e possibilità di intervento. L’azienda stessa presenta il percorso come graduale e governato.

Salesforce ha scelto una strada esplicita: collegare l’agente alla relazione con il cliente e investire nella qualità e nella gestione dei dati che la sostengono. Nel terzo trimestre fiscale 2026, Salesforce ha dichiarato che Agentforce e Data 360 avevano raggiunto quasi 1,4 miliardi di dollari di ricavi ricorrenti annui, in crescita del 114%, e oltre 9.500 contratti Agentforce a pagamento. Sono dati comunicati dalla società nel proprio resoconto finanziario ↗.

Un altro passaggio rilevante è l’acquisizione di Informatica, completata nel novembre 2025. Il portafoglio di Informatica include catalogazione, integrazione, governance, qualità dei dati e gestione delle anagrafiche. La lettura strategica proposta qui è che l’acquisizione possa aiutare Salesforce a colmare il tratto tra i dati sparsi nei sistemi e un contesto che gli agenti possano usare. Non prova, da sola, che quel problema sia risolto: mostra quanto la preparazione del dato sia diventata parte della competizione sugli agenti.

ServiceNow ha assunto una posizione ambiziosa. A Knowledge, nel maggio 2026, ha ampliato AI Control Tower per scoprire, osservare, governare e misurare sistemi AI distribuiti non solo sulla propria piattaforma, ma anche in ambienti come AWS, Azure, Google Cloud, SAP, Oracle e Workday. L’azienda ha annunciato 30 integrazioni per estendere questa copertura. Con Action Fabric, gli agenti possono richiamare azioni e flussi di ServiceNow attraverso MCP, con identità, autorizzazioni e audit.

La tesi di ServiceNow è che un processo che attraversa finanza, risorse umane, ufficio legale e contabilità non sia visibile per intero a un singolo sistema verticale. L’azienda vuole quindi posizionarsi come piano di controllo e di azione sopra i sistemi già presenti. È una strategia che può risultare utile nei processi trasversali; resta da valutare caso per caso quanto controllo operativo venga effettivamente centralizzato e con quali dipendenze.

Microsoft e OpenAI arrivano dalla direzione della piattaforma dati e dei modelli. In Fabric IQ, l’ontologia consente di definire concetti aziendali, entità, relazioni, proprietà e regole, e di collegarli ai dati. L’obiettivo dichiarato è dare a persone, applicazioni e agenti una rappresentazione condivisa del business. La documentazione Microsoft specifica che le funzioni di ontologia sono in anteprima: la direzione è significativa, ma non equivale a una capacità matura e universalmente disponibile.

Con Frontier, OpenAI descrive un livello di Business Context che collega data warehouse, CRM e applicazioni interne, così che gli agenti possano lavorare sulle stesse informazioni e costruire memoria istituzionale nel tempo. Anche in questo caso si tratta della descrizione della piattaforma da parte del fornitore. La questione per un’azienda non è solo collegare i sistemi: è stabilire quali fonti siano autorevoli, che cosa significhino le informazioni e chi abbia il diritto di autorizzarne l’uso.

C’è un dettaglio che rende questa competizione diversa dalle guerre di piattaforma del passato: i contendenti stanno contribuendo a protocolli e connessioni condivisi.

Nel dicembre 2025 Anthropic ha donato il Model Context Protocol (MCP) alla Agentic AI Foundation (AAIF), ospitata dalla Linux Foundation. L’AAIF è stata fondata da Anthropic, Block e OpenAI, con il sostegno di organizzazioni tra cui AWS, Google, Microsoft e Cloudflare. Al momento dell’annuncio MCP contava più di 10.000 server pubblici, secondo il blog ufficiale del progetto ↗. Il protocollo standardizza il modo in cui le applicazioni AI si collegano a strumenti e fonti di dati.

Google ha introdotto A2A, il protocollo per la comunicazione tra agenti. Nell’agosto 2026 A2A è entrato nell’AAIF come progetto ospitato, affiancandosi a MCP nella stessa fondazione. SAP documenta l’uso di MCP per collegare agenti e sistemi e la comunicazione tra agenti tramite A2A in Joule Studio.

Se i collegamenti diventano più aperti e interoperabili, il vantaggio competitivo può spostarsi su ciò che viaggia dentro quei collegamenti: qualità, significato, relazioni, regole e permessi. SAP investe nel proprio Knowledge Graph e nella Business Data Cloud; Salesforce ha acquisito Informatica; Microsoft propone Fabric IQ; OpenAI include Business Context in Frontier; ServiceNow sviluppa strumenti di controllo e azione. Le offerte non sono equivalenti, ma convergono su un punto: un agente ha bisogno di più di un modello e di una connessione tecnica.

La battaglia non è soltanto su chi costruisce l’agente migliore. È anche su chi custodisce e governa il significato dei dati di un’azienda.

Lontano dai palchi, i dati sull’adozione restituiscono un quadro più prudente. Nell’indagine globale McKinsey sullo stato dell’AI nel 2025, il 62% dei rispondenti affermava che la propria organizzazione stava almeno sperimentando agenti. Il 23% dichiarava di scalarne l’uso in almeno un’area; in nessuna singola funzione la quota superava il 10%. Sono risultati di un’indagine con un campione e definizioni specifici, non una stima universale di tutte le imprese.

Gartner prevede che oltre il 40% dei progetti di AI agentica sarà cancellato entro la fine del 2027 a causa di costi crescenti, valore aziendale poco chiaro o controlli del rischio inadeguati. La previsione è stata pubblicata nel giugno 2025; Gartner ha inoltre stimato che solo circa 130 tra le migliaia di fornitori che si definiscono agentici offrano davvero prodotti agentici, avvertendo del fenomeno dell’“agent washing”. È una previsione attribuita a Gartner, non un esito già osservato.

Nel mondo SAP, il punto di partenza è ancora più concreto. Il rapporto d’investimento 2026 della DSAG, l’associazione degli utenti SAP di lingua tedesca, rileva che il 54% delle organizzazioni rispondenti usa SAP ECC o la precedente Business Suite, in calo dal 68% del 2024; le risposte sulle soluzioni ERP utilizzate possono includere più ambienti aziendali. La manutenzione standard per SAP Business Suite 7 termina alla fine del 2027 per la maggior parte dei clienti. Il dato non significa che tutte queste imprese siano ferme o impreparate, ma ricorda che molte stanno ancora gestendo sistemi e migrazioni complessi mentre valutano l’introduzione degli agenti.

È su questa base che pesano la qualità dei dati, le personalizzazioni non documentate e i processi che attraversano fogli di calcolo ed e-mail. L’annuncio di un agente non cancella il lavoro necessario per rendere affidabile il terreno su cui dovrebbe operare.

È qui che il dibattito sugli agenti torna a terra. SAP ha un patrimonio importante di processi e transazioni; Salesforce, di relazioni con i clienti; ServiceNow, di flussi operativi. Ma possedere dati non significa averli resi utilizzabili da un agente.

Un agente che opera su anagrafiche incoerenti, gerarchie non allineate o personalizzazioni dimenticate non crea automaticamente intelligenza. Può automatizzare la confusione e farlo a una velocità superiore a quella con cui un team umano riesce a intercettarla. Se “cliente attivo” significa una cosa per il CRM e un’altra per la contabilità, il sistema non sceglierà necessariamente la definizione giusta: userà quella resa disponibile nel contesto e negli strumenti a cui ha accesso.

Per questo il lavoro più importante non è soltanto costruire agenti, ma preparare le condizioni in cui lavorano: qualità dei dati, definizioni condivise, regole esplicite, permessi chiari e persone responsabili del business. È un lavoro poco spettacolare, ma determina se un agente merita fiducia.

Se il valore si concentra nel contesto, il fornitore che lo ospita può diventare difficile da sostituire. Un’azienda può cambiare modello con relativa facilità; è più complesso trasferire definizioni, regole di business, relazioni e memoria organizzativa se queste vivono solo dentro la piattaforma di un fornitore.

Le tensioni sono già visibili. Nel 2026 SAP ha pubblicato una policy armonizzata sulle API per regolare l’uso delle proprie interfacce cloud. SAP la descrive come un modo per proteggere stabilità, sicurezza e innovazione su larga scala. La DSAG ha espresso preoccupazioni sull’impatto delle nuove disposizioni sui casi d’uso dei clienti e sulle applicazioni di terze parti. È importante riportare entrambe le posizioni: la policy di per sé non dimostra un intento di impedire la portabilità, ma rende evidente che le condizioni di accesso ai dati sono una questione strategica e contrattuale.

Gli standard aperti come MCP e A2A possono facilitare le connessioni. Non garantiscono automaticamente che il significato dei dati sia portabile. Per questo la portabilità di definizioni, regole e relazioni va progettata consapevolmente.

Un esempio concreto di sperimentazione circoscritta è J4C, un assistente SAP con accesso controllato a quattro fonti verificabili. È un’ipotesi da misurare, non un risultato dimostrato.

Prima di affidare centinaia di agenti a un panorama SAP, si può partire da un assistente circoscritto, il J4C, con accesso controllato a quattro fonti verificabili. L’idea è che ogni risposta possa essere ricondotta alla fonte consultata.

Il collegamento può passare attraverso MCP, documentato da SAP nell’Integration Suite ↗, e strumenti SAP e di community. Il modello non “sa” automaticamente come funziona l’ambiente aziendale: consulta fonti e strumenti definiti. La domanda diventa quindi quanto siano buone le fonti, quali permessi siano concessi e come si verifichino le risposte.

Il valore di un sistema come J4C dipenderebbe soprattutto dalle regole di utilizzo:

Che cosa non è dimostrato? Che quattro fonti bastino. Un sistema come J4C potrebbe essere utile per domande tecniche e di sviluppo, dove le risposte si trovano nella documentazione o nel codice. Non risolve da solo l’incoerenza di dati aziendali accumulata in anni: quella richiede modelli, regole di qualità e responsabilità chiare. È un possibile punto di partenza per rendere il problema visibile e misurabile, non la prova di una soluzione generalizzabile.

Per chi guida un’azienda, la competizione tra piattaforme suggerisce quattro decisioni.

**Mappare il contesto.** Individuare processi e dati critici e verificare quali siano affidabili prima di concedere autonomia a un agente.

**Decidere dove vive.** Definizioni, regole e relazioni sono un asset strategico. La scelta di dove rappresentarle coinvolge il business, l’IT, la governance e gli acquisti.

**Progettarne la portabilità.** Privilegiare interfacce documentate e mantenere, dove possibile, una rappresentazione propria del significato dei dati, indipendente da un singolo fornitore. Esaminare le condizioni di accesso ai dati prima di impegnarsi.

**Partire in piccolo e misurare.** Avviare esperimenti circoscritti, con domande reali, criteri di qualità e supervisione espliciti. Un assistente come J4C è un esempio di questa impostazione, da validare sul campo.

L’impresa autonoma, agentica o governata che ogni fornitore promette è una direzione concreta, o un nuovo strato di complessità su sistemi che le aziende stanno ancora modernizzando?

La risposta non dipenderà dal numero di agenti, ma da due fattori: quanto siano affidabili i dati su cui lavorano e chi ne custodisca il significato. Possedere il contesto può dare a una piattaforma un vantaggio. Per le aziende, la priorità è sapere che cosa quel contesto contiene, chi può cambiarlo e se potrà essere portato altrove.

Questo articolo offre informazione generale e riflette l’opinione dell’autore dove indicato. Gli annunci e i dati di mercato sono attribuiti alle fonti citate; J4C è presentato come esempio sperimentale, non come risultato validato. Verifica delle fonti: 17 ottobre 2026.