Gli agenti AI sanno ragionare. Quello che non sanno è come funziona la tua azienda: quale versione del contratto è quella firmata, se il «Cliente Rossi Srl» del CRM è lo stesso «Rossi S.r.l.» della contabilità, quale email ha annullato la delibera di tre mesi fa. È un problema di contesto, non di intelligenza, e oggi è il vero collo di bottiglia dell’AI in azienda. Il 21 settembre OpenAI ha pubblicato il caso di V7, che con la piattaforma V7 Go costruisce quello che chiama Context Graph: una mappa navigabile di entità, relazioni e prove citate estratta da milioni di file aziendali. È il pattern che definisce la memoria aziendale degli agenti AI, e vale la pena capirlo bene.
In questo articolo scoprirai:
- Come funziona un agente AI quando deve lavorare sui documenti della tua azienda
- Cos'è il Context Graph di V7 Go e come costruisce la memoria aziendale per gli agenti AI
- Agenti AI in contabilità, finanza e assicurazioni: dove la memoria aziendale conta di più
- Qual è la migliore intelligenza artificiale per le aziende quando il problema è il contesto interno
- Come si può utilizzare l'intelligenza artificiale in azienda senza comprare piattaforma più integratore
Come funziona un agente AI quando deve lavorare sui documenti della tua azienda
Un agente AI non è un chatbot: è un sistema che riceve un obiettivo, decide una sequenza di passi, chiama strumenti esterni e verifica il risultato. Finché lavora su conoscenza generale se la cava benissimo. Nel momento in cui deve leggere la tua data room, il meccanismo si inceppa in un punto preciso: il recupero delle informazioni.
Il metodo standard è il RAG, che al momento della domanda pesca frammenti di documento da un indice. Funziona per ritrovare un passaggio, molto meno per rispondere a una domanda che attraversa cinque documenti diversi. Atlan lo sintetizza così: il RAG è «senza stato, in ampiezza, orientato ai documenti», mentre un grafo di conoscenza è «in profondità, orientato alle relazioni», cioè l’unico dei due che regge il ragionamento multi-hop.
Le conseguenze si misurano. In un’indagine VB Pulse del giugno 2026 su 101 aziende con più di 100 dipendenti, il 57% ha ricondotto una risposta sbagliata ma sicura di sé di un agente AI a un contesto aziendale mancante o incoerente, e il 31% ha detto che è successo più di una volta negli ultimi sei mesi. Nella stessa rilevazione, il 38% usa il recupero documentale come approccio di default, quasi il doppio del secondo metodo più diffuso. Tradotto: l’approccio più usato è anche quello che genera l’errore più frequente. Se vuoi il quadro completo di cosa sanno fare davvero questi sistemi, abbiamo raccontato altrove quali sono i tre processi aziendali in cui gli agenti AI funzionano già.
Cos’è il Context Graph di V7 Go e come costruisce la memoria aziendale per gli agenti AI
Il Context Graph di V7 Go non è un indice di documenti: è un grafo che collega entità, relazioni, fatti, attributi e metriche estratti da repository come SharePoint e Google Drive, e che conserva la prova citata che riporta ogni informazione al documento originale. Un agente non chiede più «trovami i file che parlano di X»: chiede «chi è l’amministratore di questa società, secondo quale atto, e chi lo ha sostituito».
L’architettura divide il lavoro fra modelli diversi. Secondo la scheda pubblicata da OpenAI, GPT-5.6 Luna fa l’estrazione strutturata ad alto volume, Terra e Sol gestiscono ragionamento, uso degli strumenti e workflow multi-step, e GPT-6 Astra prende le query più difficili sul grafo. I numeri dichiarati, tutti misurati su test interni V7 e OpenAI, non su un benchmark pubblico: Astra raggiunge l’89% di accuratezza sui test di interrogazione del grafo più difficili contro il 78% di Sol, mentre Luna porta +11,6 punti di accuratezza e un costo per documento inferiore del 78% rispetto a GPT-5.4 mini. Il tasso di errore nelle chiamate agli strumenti è sceso dal 2,7% con GPT-5.5 allo 0,2% con GPT-5.6 Sol. Se la nomenclatura dei modelli ti confonde, abbiamo fatto ordine su Sol, Terra e Luna in azienda.
I tre pilastri della memoria aziendale per agenti AI: RAG, memoria conversazionale e grafo
Quando un’azienda mette un agente sopra il proprio archivio, i livelli che contano sono tre e sono complementari, non alternativi: il RAG dà ampiezza documentale, la memoria persistente dà continuità fra sessioni, il grafo dà le relazioni esplicite. Atlan aggiunge l’avvertenza più utile di tutte: «dati stantii e non governati rompono RAG, memoria e knowledge graph simultaneamente». Nessuno dei tre livelli salva un archivio disordinato.
Agenti AI in contabilità, finanza e assicurazioni: dove la memoria aziendale conta di più
V7 punta su finanza, assicurazioni e real estate per un motivo preciso: sono settori dove sbagliare il recupero di un dato non è un fastidio, è un danno. Gli agenti AI in contabilità e nei processi amministrativi lavorano su documenti che si somigliano tutti, fatture, polizze, bilanci, perizie, e dove la differenza fra la bozza e la versione firmata cambia il risultato.
I risultati che seguono sono dichiarati da V7, non verificati da un ente terzo: vanno letti come tali. Detto questo, gli asset manager valutano i deal 21 volte più in fretta, con un processo da una giornata intera ridotto a 15 minuti; nei servizi finanziari il tempo di revisione passa da oltre 100 ore a meno di 10; nelle assicurazioni gli errori nella gestione dei sinistri calano del 13,5%. Il claim più ambizioso è che gli agenti completino workflow da 50-100 passi in pochi minuti con il 99,9% di accuratezza, mantenendo un registro verificabile di ogni decisione. Ma la direzione è la stessa che vediamo nei progetti di automazione del back-office: il valore non sta nella risposta brillante, sta nella ripetibilità e nella tracciabilità.
Qual è la migliore intelligenza artificiale per le aziende quando il problema è il contesto interno
Non esiste «la migliore AI» in assoluto: esiste il modello giusto per il compito e, sopra di esso, il livello di contesto che decide se la risposta è utile o pericolosa. Il caso V7 lo dimostra al contrario: usa quattro modelli diversi nello stesso prodotto perché estrarre da un milione di file e ragionare su una query complessa sono lavori con economie opposte.
Il dato di IBM inquadra la scala del problema: nel 2022 il 90% dei dati generati dalle imprese era non strutturato, ma solo l’1% risulta rappresentato negli LLM. E IBM descrive quel materiale, email, documenti, presentazioni, video, come «altamente distribuito e dinamico, chiuso in formati diversi, privo di etichette ordinate». Chi sceglie un fornitore guardando solo il benchmark del modello sta ottimizzando l’1%. Il punto lo abbiamo già argomentato in AI agent enterprise, ed è lo stesso motivo per cui quando l’AI generativa non genera ROI il problema non è la tecnologia. La risposta corretta alla domanda, quindi: la migliore AI per la tua azienda è quella che sa dove sono i tuoi dati, quale versione vale e chi può vederla.
Come si può utilizzare l’intelligenza artificiale in azienda senza comprare piattaforma più integratore
Qui si apre il problema italiano. L’Osservatorio Innovazione Digitale nelle PMI del Politecnico di Milano, nel comunicato del 21 maggio 2026, riporta che il 76% delle PMI non ha investito né prevede di investire in AI e solo il 7% ha avviato programmi strutturati di formazione. Nello stesso studio, il 47% non ha svolto attività di ricerca e sviluppo negli ultimi tre anni. Per queste aziende, oltre 240mila imprese che generano più del 40% del fatturato nazionale, il modello «compro la piattaforma e poi assumo l’integratore che la configura» è fuori scala prima ancora di essere valutato. Ma il Context Graph di V7 non chiede di partire da milioni di file: chiede di partire da un processo documentale in cui ogni informazione estratta resti agganciata alla prova citata nel documento d’origine. Una PMI che non ha mai investito in AI può cominciare da lì: un solo flusso di contratti o polizze, con entità, versioni e fonte verificabile.
Come si crea un agente AI che sa leggere i documenti aziendali
Il percorso, ridotto all’osso, è sempre lo stesso: si parte dai documenti che contano davvero per un processo specifico, si estraggono entità e relazioni tenendo il collegamento alla fonte, si riconciliano i duplicati e le versioni, e solo allora si mette l’agente a lavorare sopra quel grafo con permessi e log. Non serve iniziare da milioni di file: serve iniziare da un processo. È l’approccio che descriviamo anche in come creare agenti AI su misura per la propria azienda.
È esattamente il punto su cui lavoriamo con Mimír: non vendiamo solo un agente, accompagniamo l’onboarding, mappatura delle fonti, costruzione della memoria interrogabile, verifica dei risultati, perché è lì che i progetti riescono o muoiono. Se hai un processo documentale che oggi brucia ore e vuoi capire se ha senso metterci un agente sopra, parlane con noi: la prima cosa che facciamo è guardare i tuoi dati, non il listino dei modelli.
Fonti:
- OpenAI, Il caso V7: il Context Graph di V7 Go
- VentureBeat, Il 57% delle imprese ha visto agenti AI sbagliare con sicurezza (indagine VB Pulse)
- Atlan, Memoria AI, RAG e knowledge graph a confronto
- IBM, Nuovi strumenti dati per l’AI aziendale
- Osservatori Digital Innovation, Innovazione digitale nelle PMI italiane (21 maggio 2026)
Domande frequenti
Quali sono i 4 tipi di AI?
La tassonomia classica distingue macchine reattive, sistemi a memoria limitata, teoria della mente e autocoscienza. Oggi esistono e funzionano solo i primi due: gli LLM e gli agenti AI in azienda ricadono nella memoria limitata. Le ultime due categorie sono ipotesi teoriche, non prodotti disponibili.
Che tipo di AI è ChatGPT?
ChatGPT è un'AI generativa basata su large language model, cioè un sistema che predice il testo più probabile a partire da quello che riceve in ingresso. Non è un agente in senso stretto, anche se le versioni recenti possono chiamare strumenti esterni ed eseguire sequenze di passi. Per lavorare sui documenti di un'azienda ha comunque bisogno di un livello di contesto che colleghi i dati interni.
Serve un grafo di conoscenza o basta il RAG?
Dipende dalla domanda. Il RAG basta per ritrovare un passaggio dentro un documento, mentre un grafo serve quando la risposta attraversa più documenti e più versioni, come nel caso del Context Graph di V7 Go. Nella pratica i due livelli convivono: il grafo dà le relazioni esplicite, il RAG l'ampiezza documentale.
