Per costruire un chatbot è possibile partire da un modello LLM e aggiungere pochi componenti. Quando l’AI deve invece lavorare dentro un processo aziendale, usare strumenti e portare avanti attività di lunga durata, il problema cambia.
A HUAWEI CONNECT 2026, Huawei Cloud ha presentato nuovi componenti della propria infrastruttura dedicata all’agentic AI. L’aspetto interessante non è il singolo prodotto, ma l’architettura che emerge dall’insieme.

Dalla potenza del modello LLM al sistema che lo circonda
Huawei definisce “Agentic Infra” un’infrastruttura che combina capacità di calcolo, memoria, scheduling e runtime per gli agenti.
Tra le novità c’è Context Memory Storage, pensato per aumentare capacità ed efficienza di accesso alla memoria nei task agentici di lunga durata. Agentic MaaS permette invece di utilizzare modelli differenti senza doverli distribuire singolarmente.
Sul livello applicativo, AgentArts e la sua controparte open source openJiuwen mettono a disposizione oltre 5.000 asset MCP generalisti e più di 1.000 specifici per diversi settori. Huawei dichiara che AgentArts serve oltre 100 clienti e che l’Industry AI Foundry ha supportato più di 1.000 progetti.
Questi numeri sono dichiarazioni del produttore e vanno letti come tali. Il dato architetturale, però, è più interessante del dato commerciale.
Un agente deve ricordare, agire ed essere controllato
Un agente operativo non deve soltanto produrre una buona risposta.
Può dover mantenere il contesto durante attività lunghe, recuperare informazioni da una knowledge base, scegliere un modello, utilizzare API e applicazioni, coordinarsi con altri agenti e continuare un lavoro anche dopo numerosi passaggi.
A queste capacità se ne aggiungono altre meno visibili ma essenziali: autorizzazioni, isolamento, osservabilità e possibilità di ricostruire le azioni eseguite.
È la differenza tra un modello utilizzato come assistente e un sistema AI inserito in un processo.
MCP rende ancora più importante la governance
La presenza di migliaia di asset MCP è significativa perché il Model Context Protocol semplifica il collegamento degli agenti a strumenti e fonti informative.
Ma più connessioni sono disponibili, più diventa importante governarle.
Un agente non dovrebbe poter utilizzare automaticamente tutto ciò che tecnicamente può raggiungere. Identità, ruolo, processo e rischio dell’azione dovrebbero contribuire a stabilire quali strumenti siano disponibili e con quali permessi.
Questa è una mia inferenza architetturale, non una conclusione dichiarata da Huawei.
La domanda per le aziende cambia
Per PMI e Studi Professionali il punto non è replicare un’infrastruttura hyperscale ma riconoscere lo stesso problema a una scala diversa.
Prima di portare un agente in produzione occorre farsi almeno queste 6 domande:
- dove trova la conoscenza?
- Come mantiene il contesto?
- Quali strumenti può utilizzare?
- Quali dati può vedere?
- Come viene monitorato?
- Cosa succede quando un’azione fallisce?
La qualità del modello rimane importante, ma non può rispondere a queste domande.
La maturità dell’AI aziendale potrebbe quindi essere misurata sempre meno dal modello scelto e sempre più dalla qualità dell’architettura costruita intorno ad esso.
Gol-IA: l’AI per le aziende che trasforma la conoscenza in lavoro
Gol-IA segue questa impostazione collegando modelli, knowledge base e workflow in un livello di orchestrazione comune. L’obiettivo è trasformare capacità AI isolate in processi controllabili e integrati.

