L’intelligenza artificiale sta entrando nelle Aziende e negli Studi Professionali più velocemente di quanto molte organizzazioni riescano a governarla. In pochi mesi ci si può trovare a utilizzare più large language model, chatbot collegati ai documenti, sistemi RAG, agenti autonomi, servizi cloud e automazioni distribuite tra reparti differenti. Ogni singolo strumento può portare valore, ma l’insieme rischia di creare una nuova forma di frammentazione tecnologica.
È proprio su questo problema che ServiceNow sta costruendo uno dei messaggi centrali del proprio AI Summit 2026 di Atlanta, in programma il 24 e 25 agosto. La società presenta la propria piattaforma come una AI Control Tower, un livello centrale capace di riunire agenti, modelli, governance e workflow in un unico punto di controllo.
La pagina ufficiale dell’evento è disponibile qui:
https://www.servicenow.com/in/events/ai-summits.html
ServiceNow descrive inoltre la propria AI Platform come un’architettura nella quale AI Control Tower fornisce un hub centralizzato per monitorare, gestire e governare gli asset AI, inclusi agenti nativi, agenti di terze parti, modelli e workflow. L’obiettivo dichiarato è mantenere visibilità e controllo anche quando l’intelligenza artificiale entra in più processi e sistemi aziendali.
Il dato interessante non è quindi il lancio di un nuovo modello.
Il punto fondamentale è il segnale di mercato: l’AI enterprise sta progressivamente diventando un problema di governance dell’infrastruttura.
Dal modello all’ecosistema AI aziendale
Nella prima fase dell’adozione dell’intelligenza artificiale, molte aziende hanno concentrato quasi tutta l’attenzione sulla scelta del modello. La domanda principale era quale LLM fosse più potente, veloce o economico.
Oggi questa domanda resta importante, ma non è più sufficiente.
Un sistema AI aziendale moderno può coinvolgere contemporaneamente un modello generativo, un database vettoriale, un motore di retrieval, una knowledge base, strumenti di automazione, API, posta elettronica, documenti, applicazioni interne e agenti che compiono azioni.
A questo punto il problema non è soltanto sapere quale modello produce la risposta migliore. Serve sapere quali informazioni il sistema sta utilizzando, quali utenti possono accedervi, quali agenti possono eseguire determinate operazioni e quali processi vengono automatizzati.
Se ogni reparto introduce strumenti differenti senza una regia comune, l’AI rischia di riprodurre lo stesso problema già visto con il cloud e il software-as-a-service: una proliferazione di applicazioni che aumenta complessità, costi e dipendenze invece di ridurli.
È qui che il concetto di Control Tower diventa interessante!
Perché servono governance e visibilità centralizzate
Una piattaforma centrale di governance AI dovrebbe offrire innanzitutto visibilità. L’organizzazione dovrebbe sapere quali modelli sono utilizzati, quali agenti sono attivi, quali workflow dipendono dall’AI e quali dati vengono messi a disposizione dei sistemi generativi.
Il secondo elemento è il controllo degli accessi. Un agente che analizza email non dovrebbe necessariamente poter interrogare il database finanziario. Un assistente destinato a un determinato reparto non dovrebbe accedere automaticamente a tutta la documentazione dell’organizzazione.
Il terzo elemento è la governance della knowledge base. In un sistema RAG, la qualità della risposta dipende in larga parte dalle fonti recuperate. Diventa quindi necessario controllare quali documenti entrano nella base di conoscenza, quali versioni sono considerate valide e quali utenti possono consultarle.
Il quarto elemento è l’audit. Quando l’AI passa dalla semplice generazione di testo all’esecuzione di azioni, diventa sempre più importante poter ricostruire cosa è successo: quale agente ha eseguito un’operazione, quale contesto ha utilizzato e quale workflow è stato attivato.
Il quinto elemento – non meno importante – è il tema dei costi. Se ogni team utilizza provider, modelli e strumenti differenti, diventa difficile capire quanto l’AI costi realmente all’organizzazione e quale valore stia producendo.
Una Control Tower non risolve automaticamente tutti questi problemi, ma fornisce il principio architetturale corretto: governare l’AI come un sistema aziendale e non come una raccolta di applicazioni indipendenti.
Il modello deve poter cambiare senza spostare la conoscenza
Un altro elemento importante dell’approccio ServiceNow è l’apertura a modelli nativi e di terze parti. Anche questo è un segnale interessante per il futuro dell’AI enterprise.
Il modello generativo non dovrebbe necessariamente coincidere con il luogo in cui risiede la conoscenza aziendale.
Un’organizzazione può mantenere sotto il proprio controllo documenti, database, knowledge base e cronologia delle conversazioni e scegliere separatamente quale LLM utilizzare per un determinato compito.
Questo principio diventa particolarmente importante con la crescita dei modelli open-weight. Per alcuni task può essere conveniente utilizzare un modello locale. Per altri può essere necessario ricorrere a modelli esterni più potenti.
L’architettura può quindi diventare ibrida.
Un sistema RAG locale recupera le informazioni necessarie dalla knowledge base aziendale. Se la richiesta può essere gestita da un modello locale, tutto il processo rimane nell’infrastruttura dell’organizzazione. Quando invece serve un modello esterno, il sistema può inviare soltanto il contesto selezionato necessario alla risposta.
Questo approccio consente di ridurre la dipendenza da un singolo provider e di mantenere un maggiore controllo sul patrimonio informativo.
Non significa però che una soluzione on-premise o ibrida sia automaticamente conforme all’AI Act o ad altre normative. La conformità dipende dal caso d’uso, dal ruolo dell’organizzazione, dai dati trattati e dagli obblighi applicabili. Un’architettura controllata può però facilitare principi come minimizzazione dei dati, tracciabilità e governance.
AI Agent: più autonomia significa più necessità di controllo
Il tema della Control Tower diventa ancora più importante con gli AI Agent.
Un chatbot aspetta una domanda. Un agente può invece controllare una fonte, interrogare un database, elaborare documenti, aggiornare informazioni o attivare un workflow in autonomia.
Più aumenta l’autonomia, più aumenta la necessità di definire limiti, permessi e responsabilità.
Un’azienda dovrebbe poter sapere quali agenti sono attivi, quali strumenti possono utilizzare, quali informazioni possono consultare e quali operazioni possono eseguire senza approvazione umana.
È un passaggio fondamentale perché il rischio non è più soltanto una risposta sbagliata. Un errore può tradursi in un’azione sbagliata.
La governance degli agenti diventa quindi parte della governance aziendale dell’AI.
Gol-IA come hub AI locale e ibrido
È la stessa direzione nella quale si colloca Gol-IA.
Gol-IA nasce per riunire in un’unica applicazione web la chat con modelli LLM, la consultazione documentale RAG, la gestione di modelli e progetti, gli utenti e le automazioni collegate alle fonti informative dell’organizzazione.
L’obiettivo non è costruire un ulteriore chatbot separato dai sistemi aziendali, ma creare un hub AI centrale.
Per Studi Pofessionali e Aziende con pochi utenti, Gol-IA può funzionare completamente on-premise con modelli open source. Documentazione, knowledge base, conversazioni e modello possono quindi rimanere nell’infrastruttura dell’organizzazione.
Per realtà con un numero maggiore di utenti può essere adottata un’architettura ibrida. Applicazione, documenti, knowledge base, retrieval e chat possono rimanere locali, mentre i modelli esterni vengono utilizzati soltanto per i task nei quali serve maggiore capacità. In questo caso viene fornito al provider il contesto necessario alla singola risposta invece dell’intero patrimonio informativo.
Gol-IA può inoltre collegarsi a email, siti web, documentazione interna, newsletter e altre applicazioni per alimentare progressivamente la knowledge base.
Questo rende particolarmente importante un altro livello di controllo: sapere quali fonti alimentano l’AI e quali informazioni vengono utilizzate per rispondere.
La direzione indicata oggi da ServiceNow conferma un cambiamento più ampio nel mercato: il futuro dell’AI aziendale non sarà deciso soltanto dal modello più potente. Il vero valore sarà nella capacità di orchestrare modelli, dati, agenti, fonti e workflow mantenendo visibilità e controllo.
Lascia un commento