KM4BI KM4BI

SAP punta oltre un miliardo sul problema del RAG agentico che molte squadre trascurano

La memoria degli agenti va oltre la ricerca vettoriale: servono contesto governato, fonti autorevoli, permessi e bundle di dati adatti al compito.

Gli agenti in produzione stanno mostrando il limite del RAG classico. Il modello da chatbot — recuperare alcuni chunk semanticamente vicini e rispondere a una domanda — non basta quando l’agente deve agire tra record, policy, contratti, metriche e permessi.

Cosa sta cambiando

Nexus e NoQL di Pinecone vengono letti come il segnale che la similarità vettoriale da sola non basta. Un agente ha bisogno di contesto operativo: intento, filtri, provenienza, policy di accesso, fiducia, forma della risposta e budget. Page Index propone un’altra risposta: preservare la struttura dei documenti, perché in molti casi la gerarchia è parte del significato.

Perché SAP è rilevante

Le mosse di SAP su Dremio e Prior Labs mostrano la versione enterprise dello stesso problema. La conoscenza critica vive spesso in tabelle governate, ERP, CRM, definizioni metriche e layer semantici, non solo in documenti testuali. Per un agente aziendale, lineage e autorizzazioni decidono se una risposta può davvero guidare un’azione.

Indicazione pratica

La sequenza consigliata è: definire il contratto tra agente e dati, scrivere il bundle esatto che l’agente deve ricevere, poi scegliere le primitive che lo consegnano. A seconda del caso serviranno vettori, alberi documentali, layer semantici, ragionamento tabellare o grafi.

In sintesi

La corsa alla memoria non si vince inseguendo lo strumento di retrieval più alla moda. Si vince portando all’agente il contesto appropriato, nella forma giusta e con garanzie chiare. Più contesto non equivale automaticamente a contesto migliore.

Source