top of page

Databricks: l'annuncio della GA di Genie Ontology mette al primo posto il contesto aziendale condiviso

13 minuti fa
Tempo di lettura: 13 min

Databricks ha annunciato la disponibilità generale di Genie Ontology l'11 novembre, collocando le definizioni aziendali condivise al centro della propria strategia per gli agenti aziendali. Il suo annuncio, “Announcing GA of Genie Ontology”, affronta un conflitto concreto: gli agenti possono interrogare dati identici e continuare a non concordare su ciò che l'azienda intende.

Un'ontologia è una rappresentazione strutturata di concetti e relazioni aziendali che il software può utilizzare. Databricks vuole che tale rappresentazione serva più agenti, anziché lasciare che ogni assistente ricostruisca autonomamente la conoscenza aziendale.

L'annuncio mette pressione ai team che costruiscono raccolte di contesto separate per ogni agente. Palantir considera già un'ontologia un'infrastruttura aziendale, sebbene la sua implementazione ponga l'accento su oggetti e azioni operative. Databricks avanza un'enfasi diversa: apprendere il contesto dal lavoro analitico esistente, consentendo al contempo alle persone di stabilire definizioni autorevoli.

Questa distinzione conta più di un'altra interfaccia di chat. La domanda centrale è se le aziende possano riutilizzare la conoscenza accumulata senza trasformare ogni dashboard, notebook e documento storico in una verità incontestabile.

L'annuncio della GA di Genie Ontology istituisce un livello di contesto condiviso

Il cambiamento più rilevante è il passaggio verso un contesto aziendale gestito centralmente che più agenti possono riutilizzare.

Databricks descrive Genie Ontology come un'infrastruttura condivisa che combina conoscenza appresa automaticamente con definizioni governate dalle persone. L'annuncio dell'11 novembre identifica inoltre Unity Catalog Domains e Pages come generalmente disponibili. Ontology Manager, la prevista interfaccia visiva di curatela, resta in arrivo in beta.

Questa distinzione di disponibilità dovrebbe comparire all'inizio di qualsiasi discussione d'acquisto. La disponibilità generale dell'ontologia sottostante non implica un identico grado di maturità per ogni funzionalità annunciata insieme ad essa.

Il lancio più ampio di Genie comprende anche il lavoro autonomo e ulteriori esperienze applicative. Questi sviluppi offrono contesto, ma questo annuncio riguarda la conoscenza aziendale alla base di tali esperienze.

La scelta architetturale modifica il punto in cui un'organizzazione dovrebbe indagare i disaccordi. Quando agenti separati restituiscono risultati in conflitto, i loro prompt individuali sono soltanto una possibile causa. Anche le loro definizioni, la selezione delle fonti e i diritti di accesso meritano attenzione.

Si consideri un'ipotetica organizzazione commerciale che chiede a diversi assistenti di identificare i clienti attivi. Un assistente finanziario potrebbe utilizzare lo stato contrattuale, mentre un assistente per il customer success userebbe la recente attività sul prodotto. Entrambe le risposte possono seguire regole locali valide.

Un livello di contesto condiviso non fa sparire tali distinzioni. Crea uno spazio per rappresentarle, assegnarne la titolarità e renderne visibile l'ambito previsto.

Questa è una proposta più impegnativa rispetto al collegamento di un agente a file aggiuntivi. Il recupero delle informazioni può individuare un documento che contiene una risposta. Il contesto aziendale deve anche stabilire se quel documento fornisca la risposta appropriata alla domanda.

L'annuncio solleva quindi una questione organizzativa oltre a una tecnica. Qualcuno deve decidere quali definizioni aziendali meritino autorevolezza, quali rimangano dipartimentali e chi possa modificarle.

Per gli attuali clienti Databricks, l'attrattiva pratica è il riuso. Le loro risorse analitiche contengono già decisioni su calcoli, eccezioni e convenzioni di reporting. Ricostruire tali decisioni per ogni nuovo assistente crea un ulteriore obbligo di manutenzione.

Per le organizzazioni che stanno valutando la piattaforma, la domanda pertinente è diversa. Devono valutare quanta conoscenza utilizzabile esista già nel loro ambiente e quanta resti non documentata.

Queste condizioni iniziali determineranno il lavoro necessario. Un sistema di contesto non può recuperare una policy che nessuno ha registrato, e una pratica registrata non equivale automaticamente a una policy approvata.

L'annuncio della GA di Genie Ontology rende questa distinzione commercialmente rilevante. Gli acquirenti dispongono ora di una funzionalità di piattaforma disponibile da valutare, insieme alla responsabilità continua per la conoscenza che utilizza.

Il contesto condiviso trasferisce la pressione sui proprietari dei dati

Un livello di conoscenza comune rende la titolarità delle definizioni parte dell'implementazione degli agenti.

La pressione immediata ricade sui responsabili dei dati, sui proprietari dei domini aziendali e sui team che gestiscono agenti interni. Devono decidere se le definizioni esistenti siano pronte per un riuso più ampio.

Una convenzione di reporting che funziona all'interno di un team affiatato può diventare ambigua quando un altro dipartimento la incontra tramite un assistente. Gli utenti originari possono comprendere eccezioni che non sono mai arrivate nella documentazione.

L'automazione aumenta l'importanza di queste eccezioni. Una persona che esamina una dashboard può chiedere al suo autore cosa significhi un'etichetta. Un agente ha bisogno di una base accessibile per compiere tale distinzione.

Questo modifica la conversazione sull'implementazione. Chiedersi se un assistente possa accedere a un set di dati è insufficiente. Gli acquirenti devono anche sapere se ne comprende l'uso previsto.

Lo stesso vale per le informazioni storiche. Un calcolo può riprodurre accuratamente un vecchio report pur risultando inappropriato per una decisione operativa attuale. Il contesto necessita di un senso dello scopo oltre che della provenienza.

Per provenienza si intende la registrazione dell'origine delle informazioni e del modo in cui sono giunte a una risposta. Aiuta i revisori a indagare il ragionamento, ma non certifica il giudizio aziendale sottostante.

Questa distinzione crea lavoro per gli esperti di dominio. Devono identificare quali definizioni dovrebbero applicarsi in modo ampio e quali richiedono un'interpretazione più ristretta.

La sola titolarità centrale creerebbe un altro problema. Se ogni chiarimento richiede un team di piattaforma, il contesto aziendale diventa una coda in competizione con la manutenzione dell'infrastruttura e la distribuzione delle applicazioni.

Un modello operativo praticabile necessita quindi di responsabilità distribuite. La finanza dovrebbe possedere l'interpretazione finanziaria, mentre altri dipartimenti mantengono l'autorità sui concetti specifici del proprio lavoro.

Il livello condiviso deve rendere comprensibili tali confini. In caso contrario, un singolo sistema di conoscenza aziendale può centralizzare la confusione con la stessa facilità con cui centralizza definizioni utili.

Gli sviluppatori affrontano un cambiamento correlato. Il loro compito si amplia dal fornire istruzioni e accesso agli strumenti al verificare se gli agenti recuperino l'interpretazione corretta in diverse condizioni utente.

Una domanda utile per la valutazione è se modificare una definizione autorevole produca il cambiamento atteso in tutti gli agenti che la utilizzano. Un'altra è se una definizione specifica di un dipartimento rimanga entro il proprio ambito previsto.

Questi sono criteri di accettazione proposti, non risultati riportati da Genie. Derivano dalla promessa di un contesto riutilizzabile: gli aggiornamenti dovrebbero propagarsi in modo prevedibile e le eccezioni dovrebbero restare deliberate.

Anche i knowledge worker hanno interesse in questo. Una risposta citata può apparire risolta anche quando i dipartimenti non concordano sul termine sottostante.

La distinzione più ampia somiglia alla differenza tra conoscenza personale e di team. Le informazioni utili a una persona diventano infrastruttura condivisa soltanto quando il loro ambito e la loro manutenzione sono chiari.

Per i team di procurement, ciò significa valutare le responsabilità di implementazione insieme alle capacità del prodotto. Il software può organizzare il contesto, ma l'azienda ha ancora bisogno di persone autorizzate a risolvere i disaccordi.

Il beneficio operativo dipende dalla possibilità di riutilizzare quel lavoro. Se ogni nuovo agente richiede un altro ciclo di pulizia delle definizioni, l'organizzazione ha spostato la duplicazione anziché ridurla.

La conoscenza appresa necessita di un modello di autorità esplicito

L'approccio di Databricks combina un'ampia estrazione di conoscenza con un insieme più ristretto di definizioni deliberatamente governate.

La documentazione dell'azienda distingue tra conoscenza appresa e conoscenza modellata. La conoscenza appresa consiste in frammenti estratti da risorse e utilizzi esistenti. La conoscenza modellata include metriche, concetti e raggruppamenti organizzativi mantenuti esplicitamente.

In base al documentato modello di autorità del contesto, la conoscenza modellata ha la precedenza sulla conoscenza appresa in conflitto. Gli utenti possono ispezionare i frammenti di supporto e le relative fonti. I frammenti appresi non possono essere modificati direttamente; le correzioni richiedono modifiche alla fonte o definizioni modellate autorevoli.

Unity Catalog è il sistema di Databricks per la governance dei dati e delle risorse correlate. I suoi strumenti semantici comprendono Metric Views per calcoli governati, Domains per raggruppamenti aziendali e Pages per concetti definiti.

Il design affronta un noto dilemma di manutenzione. Modellare ogni dettaglio richiede uno sforzo continuativo, mentre affidarsi interamente al materiale estratto rischia di preservare pratiche accidentali o obsolete.

Un'ipotetica domanda sui ricavi mostra perché entrambi gli aspetti contano. Una dashboard potrebbe contenere un calcolo progettato per una riunione commerciale regionale. Il team contabile potrebbe mantenere una definizione diversa per il reporting finanziario.

L'estrazione automatica della logica della dashboard recupererebbe conoscenza utile. Trattarla come universalmente autorevole introdurrebbe un errore di ambito.

Il meccanismo importante è quindi la relazione tra estrazione e autorità. Il sistema necessita di dettagli appresi sufficienti per rispondere a domande specifiche, oltre a regole esplicite su quali definizioni prevalgano sulle altre.

Questa disposizione crea anche un'opportunità di feedback. Un'ambiguità ricorrente può identificare un concetto che necessita di una titolarità formale.

Tuttavia, formalizzare una definizione dovrebbe comportare una decisione aziendale. L'uso ripetuto non rende corretto un calcolo, e la popolarità non costituisce approvazione.

Il percorso di correzione conta altrettanto. Se una fonte contiene un errore, un'organizzazione deve comprendere quali risposte a valle dipendano da essa prima di modificare la fonte.

Una deroga autorevole può risolvere l'interpretazione immediata, ma la risorsa originale merita comunque attenzione. Altrimenti, persone e agenti potrebbero continuare a incontrare versioni in conflitto attraverso percorsi diversi.

È qui che una strategia di contesto condiviso diventa una strategia di manutenzione. Il valore deriva dalla riduzione delle scoperte ripetute preservando la capacità di mettere in discussione ciò che il sistema ha appreso.

Il confronto competitivo aiuta a chiarire l'ambito. L'ontologia operativa di Palantir rappresenta le entità aziendali tramite oggetti, proprietà e collegamenti, insieme ad azioni e funzioni che supportano i flussi di lavoro.

Si tratta di un'impostazione operativa più ampia rispetto al trattare un'ontologia principalmente come contesto per rispondere a domande. La terminologia sovrapposta non dovrebbe oscurare le differenze di implementazione e uso previsto.

Gli acquirenti dovrebbero confrontare flussi di lavoro concreti. Possono chiedere in che modo ciascuna piattaforma rappresenti una metrica contestata, registri la responsabilità, controlli un'azione aziendale e spieghi una risposta.

La parola condivisa “ontologia” non stabilisce funzionalità equivalenti. Né questa release stabilisce una classifica generale delle prestazioni tra Databricks e Palantir.

Per Databricks, la proposta distintiva è il collegamento tra il lavoro analitico esistente e una comprensione aziendale riutilizzabile. Il suo successo dipende dal fatto che il contesto estratto resti ispezionabile, correggibile e opportunamente subordinato a definizioni governate.

Questo è il meccanismo che vale la pena valutare dopo l'Announcing GA of Genie Ontology: come la piattaforma trasforma il lavoro accumulato in evidenze riutilizzabili senza attribuire a ogni artefatto la stessa autorevolezza.

Il benchmark testa configurazioni complete di agenti

Il divario di prestazioni riportato giustifica ulteriori valutazioni, ma non isola il contributo dell'ontologia.

Databricks ha sviluppato un benchmark con Turing basato su Calderwick Energy, un fornitore energetico britannico fittizio. Ogni agente ha eseguito ciascuna attività cinque volte sullo stesso workspace.

L'enterprise agent benchmark pubblicato riporta tassi di successo del 91% per Genie, del 45% per Agent A e del 58% per Agent B. L'uso medio di token è stato rispettivamente di 431.829, 889.019 e 1.051.070. I token sono unità di testo elaborate da un modello.

Genie è stato eseguito nativamente, mentre le alternative senza nome utilizzavano un set di strumenti Databricks che escludeva l'accesso a Genie MCP. MCP, il Model Context Protocol, standardizza le connessioni tra applicazioni di AI e strumenti esterni.

Si tratta di risultati riportati dal fornitore per configurazioni complete. Non stabiliscono un'accuratezza universale a livello enterprise né confrontano sistemi altrimenti identici con e senza accesso all'ontologia.

Questa limitazione non rende irrilevante la valutazione. Le aziende distribuiscono sistemi che comprendono modelli, strumenti, autorizzazioni e contesto accumulato. Misurare il risultato combinato può rispondere a una domanda pratica di acquisto.

Risponde a una domanda diversa rispetto a un esperimento controllato su un singolo componente. Un acquirente dovrebbe distinguere le prestazioni del sistema fornito dalla spiegazione proposta per il suo vantaggio.

Anche la progettazione delle attività del benchmark conta. L'analisi aziendale richiede spesso di individuare un'interpretazione che si trova al di fuori della tabella più evidente.

Nella procedura guidata pubblicata, una domanda apparentemente semplice su una tariffa storica di pianificazione richiede di consultare il contesto del notebook. Leggere soltanto il valore della tabella visibile conduce verso l'interpretazione sbagliata.

La lezione generale è utile: una corretta esecuzione della query non garantisce una risposta aziendale corretta. Un agente può recuperare un valore reale e rispondere comunque a una domanda diversa.

Tuttavia, il benchmark dovrebbe restare circoscritto al proprio contesto. Un workspace energetico fittizio non può rappresentare la documentazione, la struttura delle autorizzazioni o la qualità delle definizioni di ogni azienda.

Un ambiente consolidato con conoscenza accumulata differisce inoltre da un workspace appena connesso. Gli acquirenti devono comprendere quali passaggi di preparazione precedono la misurazione riportata.

L'efficienza dei token richiede una cautela analoga. Un minore uso di token durante una risposta può essere prezioso, ma lo sforzo operativo include anche la preparazione e la manutenzione della conoscenza circostante.

Una valutazione completa considererebbe questa manutenzione insieme alla qualità delle risposte. Altrimenti, un'organizzazione rischia di ottimizzare il lavoro di inferenza visibile trascurando il lavoro che lo rende possibile.

Gli agenti concorrenti senza nome limitano ulteriormente l'interpretazione. I lettori non possono usare le etichette pubblicate per concludere che un particolare assistente commerciale ottenga prestazioni peggiori.

Neppure l'assenza di nomi dovrebbe invitare alla speculazione. Il confronto pertinente è quello documentato, con le configurazioni e le condizioni di accesso descritte dal fornitore.

Per un progetto pilota enterprise, un test locale più solido includerebbe definizioni controverse, asset obsoleti, fonti con accesso limitato e domande che richiedono interpretazioni storiche. Questi casi rivelano debolezze che semplici ricerche dirette possono non cogliere.

I revisori dovrebbero anche esaminare le risposte errate. Un errore sicuro di sé basato sulla definizione sbagliata richiede un rimedio diverso rispetto a un rifiuto causato da accesso mancante.

Il benchmark fornisce un motivo per testare l'affermazione di Databricks. Non elimina la necessità di misurare come il sistema si comporta all'interno dell'azienda dell'acquirente.

Una copertura delle fonti più ampia crea nuovi confini di governance

Una maggiore quantità di conoscenza connessa aumenta l'utilità solo quando accesso, aggiornamento e autorevolezza restano comprensibili.

La documentazione di Databricks sulla configurazione della ricerca enterprise elenca Google Drive, Jira, Confluence e Workday come fonti supportate. Indica che contenuti e autorizzazioni confluiscono in un indice condiviso.

La documentazione distingue la ricerca indicizzata dai connettori live. La ricerca riflette le modifiche dopo un aggiornamento dell'indice; i connettori possono recuperare lo stato corrente dell'applicazione ed eseguire azioni consentite. L'indicizzazione iniziale può richiedere ore o giorni.

Questa separazione ha conseguenze pratiche. Un documento che descrive un processo e un ticket che ne mostra lo stato corrente rispondono a parti diverse di una domanda aziendale.

Per una revisione ipotetica di un lancio, un agente potrebbe aver bisogno di entrambi. Il documento di progettazione spiega il comportamento previsto, mentre il ticket corrente registra il lavoro irrisolto.

Un risultato di ricerca ampio non dovrebbe sostituire silenziosamente una verifica operativa aggiornata. Al contrario, un aggiornamento di stato live potrebbe omettere il ragionamento necessario per interpretarne il significato.

Gli acquirenti dovrebbero quindi esaminare come le risposte comunicano il fattore tempo. Una citazione identifica una fonte, ma gli utenti hanno anche bisogno di contesto sufficiente per stabilire se i suoi contenuti restano applicabili.

Le autorizzazioni creano un altro confine. L'accesso alle informazioni stabilisce chi può vederle; l'autorevolezza stabilisce quando tali informazioni dovrebbero guidare una risposta.

Questi controlli risolvono problemi correlati ma distinti. Un documento ampiamente accessibile può essere obsoleto. Un documento con accesso limitato può essere autorevole per gli utenti autorizzati a consultarlo.

La stessa distinzione vale quando la logica aziendale attraversa i confini tra applicazioni. Importare un calcolo non dovrebbe cancellare le condizioni alle quali i suoi autori originali intendevano applicarlo.

L'annuncio del 10 novembre di Databricks descrive una funzionalità distinta di pubblicazione in Power BI. Pubblica Unity Catalog Metric Views nei modelli semantici di Power BI e resta in anteprima privata.

Questo flusso differisce dall'apprendimento del contesto a partire dagli asset BI esistenti. Pubblicare definizioni governate verso l'esterno e importare la logica aziendale esistente verso l'interno comportano requisiti diversi di proprietà e convalida.

La disponibilità generale dell'ontologia non modifica lo stato di disponibilità di tale integrazione di pubblicazione. Gli acquirenti dovrebbero monitorare ogni funzionalità in modo indipendente, anziché dedurne la maturità dal lancio circostante.

La distinzione rivela anche una questione di implementazione più ampia: dove dovrebbe un'organizzazione mantenere una definizione una volta che più strumenti possono utilizzarla?

Una migrazione può ridurre la duplicazione solo se i team concordano sulla sede autorevole. Mantenere versioni modificabili ovunque conserva il problema originario di coordinamento.

Questo non richiede di spostare immediatamente ogni concetto aziendale in un'unica applicazione. Richiede di sapere quale versione controlla quale workflow durante la transizione.

Per i team di piattaforma, la priorità è una chiara catena di responsabilità. Devono sapere chi possiede l'accesso alle fonti, la qualità delle fonti, l'approvazione delle definizioni e il comportamento a valle.

Per gli utenti aziendali, la priorità è la comprensibilità. Dovrebbero poter capire perché una risposta ha utilizzato una particolare definizione senza dover ricostruire l'intera architettura di integrazione.

Una connettività più ampia rende queste responsabilità più urgenti. Espande le evidenze disponibili agli agenti, aumentando al contempo il numero di luoghi in cui possono avere origine supposizioni obsolete.

Monitorare la curatela, la replica indipendente e l'uso condiviso

I prossimi segnali utili riguardano il modo in cui il contesto viene mantenuto, come i risultati si riproducono e se più agenti lo riutilizzano davvero.

In primo luogo, occorre osservare il rilascio e l'ambito pratico di Ontology Manager. Databricks ha presentato la futura beta come un luogo in cui ispezionare e curare l'ontologia.

La sua importanza dipenderà dal lavoro che renderà possibile. Individuare un concetto ambiguo è prezioso solo se un responsabile può indagarlo e apportare una correzione controllata.

Evidenze di una revisione e correzione semplici rafforzerebbero l'argomento dell'infrastruttura condivisa. La continua dipendenza dall'intervento di specialisti per modifiche di routine ne restringerebbe la portata pratica.

In secondo luogo, occorre osservare valutazioni riprodotte in modo indipendente. Le evidenze più solide proverrebbero da organizzazioni che testano le proprie domande e pubblicano dettagli sufficienti a spiegare i risultati.

Divulgazioni utili descriverebbero lo sforzo di preparazione, la copertura delle fonti, i casi di fallimento e la configurazione dei sistemi concorrenti. Un semplice tasso di successo in evidenza non può stabilire tali condizioni.

Miglioramenti ripetuti in ambienti diversi rafforzerebbero la fiducia che l'approccio sia applicabile oltre l'esempio del fornitore. Risultati molto variabili suggerirebbero una maggiore dipendenza dalla qualità della conoscenza locale.

Entrambi gli esiti sarebbero informativi. Gli acquirenti devono sapere quali prerequisiti predicono il successo, anziché presumere che la disponibilità generale implichi una preparazione uniforme tra le organizzazioni.

In terzo luogo, occorre osservare se lo stesso contesto governato supporta molteplici esperienze di agenti senza ripetere il lavoro di definizione. Il riuso è la promessa architetturale centrale.

Un esempio di adozione convincente mostrerebbe un'organizzazione che aggiorna una definizione aziendale e osserva un comportamento appropriato nei workflow che la utilizzano. Spiegherebbe inoltre come le eccezioni siano rimaste controllate.

Ciò fornirebbe evidenze di una riduzione del lavoro di coordinamento. Il semplice collegamento di più assistenti dimostrerebbe la portata, lasciando però irrisolta l'affermazione sulla manutenzione.

Questi segnali dovrebbero guidare l'attenzione nei prossimi mesi. Sono più rivelatori di ulteriori nomi di funzionalità perché testano il modello operativo alla base del lancio del prodotto.

Announcing GA of Genie Ontology offre agli acquirenti enterprise un modo concreto per esaminare un problema persistente degli agenti: l'accesso alle informazioni non garantisce una comprensione aziendale condivisa.

Partite da una domanda aziendale la cui risposta causa attualmente disaccordo. Identificate la definizione approvata, le interpretazioni storiche concorrenti e le persone responsabili della risoluzione dei conflitti. Quindi valutate se l'agente seleziona l'evidenza corretta e rende comprensibile la propria scelta. Includete una definizione modificata e una fonte con accesso limitato, poiché entrambe rivelano comportamenti che una dimostrazione pulita può nascondere. Chiedetevi quale lavoro la piattaforma elimina e quale responsabilità rimane ai vostri team. La decisione dovrebbe dipendere dal fatto che il contesto condiviso riduca le interpretazioni ripetute mantenendo le correzioni gestibili. Di quale definizione la vostra organizzazione si fiderebbe abbastanza da consentirne il riuso da parte di diversi agenti?

 
 

Inizia gratis

Un assistente IA local-first con gestione della conoscenza personale

Per una migliore esperienza con l’IA,

al momento remio supporta solo Windows 10+ (x64) e M-Chip Macs.

Il tuo partner AI al lavoro
Fai di più con remio

Pianifica. Crea. Consegna.
Tutto in un unico posto.

bottom of page