// TOM'S HARDWARE ITALIA — INTELLIGENZA ARTIFICIALE
Collegare l'agente AI al database aziendale, ecco come farlo bene
Fabiane Nardon guida i dati e l'intelligenza artificiale in TOTVS, azienda brasiliana che vende ERP, e a inizio giugno 2026 sale sul palco di QCon AI Boston con un problema molto concreto: dove deve fermarsi un agente quando tocca il database aziendale. Il criterio che propone è semplice da enunciare e complicato da costruire: l'agente scrive solo sul sistema transazionale, legge lo storico altrove, e si affida a un vocabolario condiviso per interpretare i nomi delle colonne. La registrazione dell'intervento è online dal 29 agosto, quasi tre mesi dopo la conferenza.
Nardon separa due mestieri che nei database aziendali finiscono spesso mischiati. Il sistema transazionale, cioè l'ERP o il CRM, resta l'unico posto dove un agente può scrivere: è lì che vivono i vincoli di integrità e le regole che impediscono a un ordine di comparire due volte. L'agente scrive solo sul sistema transazionale e lo storico lo legge altrove, sulla data platform, un livello separato in cui non mette mai le mani.
La separazione traccia il confine fra un errore che si corregge e uno che si propaga da solo. Una colonna chiamata "revenue" può indicare fatturato lordo in un report e netto in un altro, e un agente senza un riferimento condiviso sceglie a caso quale dei due intendere. Il semantic layer a ontologie che Nardon propone serve a questo: fissa un significato unico per ogni termine, prima che l'agente lo usi in un calcolo.
Il protocollo che porta i dati fino all'agente prende il nome di MCP, e la sua specifica dice come un tool si espone, senza dire chi lo mantiene. Nardon aggiunge una condizione che manca al protocollo da solo: ogni tool MCP deve avere un proprietario, un'interfaccia stabile, documentazione e SLA di qualità, come un prodotto dati vero e proprio.
Senza un proprietario dichiarato, un tool MCP che smette di restituire dati corretti diventa un problema di nessuno: non sta nel perimetro di nessun team. Con un contratto di interfaccia esplicito, il guasto ha un responsabile dal primo minuto.
Cube.dev, che vende semantic layer e quindi ha un interesse diretto nel tema, descrive il rischio senza mediazioni: la stessa domanda a un agente collegato a un database grezzo può restituire tre numeri differenti in tre sessioni separate, perché il modello reinterpreta ogni volta join e logica di business. Peggio ancora, una query corretta e una che espone dati altrui sembrano identiche al modello, se il controllo d'accesso non viene applicato prima che la query venga generata.
Costruire l'ontologia costa lavoro iniziale: qualcuno deve mappare i termini, decidere le gerarchie, mantenere il dizionario aggiornato quando l'azienda cambia processo. Il costo alternativo arriva dopo, sotto forma di risposte incoerenti da correggere una a una e di clienti che scoprono di aver visto dati altrui. Un dizionario di metriche condiviso, anche minimo, resta più economico di entrambi.
Ogni richiesta che passa attraverso un tool MCP consuma token, e su un agente che interroga il database decine di volte al giorno il conto finisce sulla fattura di calcolo. Nardon distingue nel talk tre velocità di dati che rispondono a tre budget diversi: batch per l'analisi storica, un livello analitico per le query medie, un livello di serving per le risposte in millisecondi. Una domanda semplice instradata sul livello sbagliato si paga in latenza o in token.
Nardon cita a voce un miglioramento del 40% nella precisione delle risposte quando un agente lavora su un'ontologia semantica invece che su uno schema grezzo, e la fonte più vicina a quella cifra è un paper di Allemang e Sequeda del 2024. Allemang e Sequeda misurano un salto dal 54% al 72% di accuratezza. Sono diciotto punti percentuali, meno della metà del quaranta per cento citato a voce, e vale la pena saperlo prima di mettere l'investimento in un layer semantico in un business case.
Un dato di adozione mette la questione in prospettiva: quasi metà delle aziende software ha MCP in produzione, il 19% su larga scal