Gli agenti AI Salesforce Missionforce vanno oltre la chat nei flussi di lavoro governativi sicuri

Salesforce ha ampliato Missionforce con due diversi percorsi AI, nonostante le agenzie governative necessitino di uno standard coerente per sicurezza, supervisione e responsabilità. L'iniziativa Salesforce Missionforce AI agents combina modelli OpenAI forniti tramite Amazon Bedrock con modelli NVIDIA che le agenzie possono personalizzare e gestire all'interno di infrastrutture controllate.

Questa combinazione porta Missionforce oltre il tradizionale chatbot governativo. Salesforce vuole che la sua piattaforma trasformi le politiche in regole eseguibili, coordini il lavoro operativo, supporti i team sul campo e avvii azioni approvate nei sistemi delle agenzie.

L'annuncio è arrivato il 16 settembre 2026, un anno dopo la creazione da parte di Salesforce di Missionforce come divisione dedicata alla sicurezza nazionale. Segue inoltre una più ampia spinta federale a portare l'AI commerciale negli ambienti governativi senza rinunciare al controllo sui dati sensibili.

La questione centrale non è se un modello avanzato possa rispondere a una domanda su una politica. Le agenzie devono sapere dove avviene l'elaborazione, a quali dati può accedere un agente e chi approva le decisioni con conseguenze rilevanti.

OpenAI fornisce accesso a modelli di frontiera e una familiare interfaccia ChatGPT. NVIDIA supporta modelli che le agenzie possono ottimizzare ed eseguire in cloud privati o reti air-gapped, che rimangono isolate dalle reti pubbliche.

Salesforce si colloca tra questi due approcci. Fornisce i dati, le autorizzazioni, i flussi di lavoro, i registri di audit e il livello applicativo pensati per trasformare l'output dei modelli in azioni governative controllate.

Questo posizionamento assegna a Salesforce un ruolo importante, ma crea anche la tensione centrale dell'articolo. Missionforce promette funzionalità avanzate senza indebolire il controllo operativo, ma questi obiettivi possono spingere le agenzie verso architetture differenti.

Cosa cambiano realmente gli agenti AI Salesforce Missionforce

Salesforce sta collegando i modelli AI alle regole e ai flussi di lavoro governativi, non si limita ad affiancare un altro assistente ai sistemi esistenti.

L'espansione di Missionforce dell'azienda comprende tre elementi principali. Ognuno affronta una parte diversa delle operazioni governative.

Innanzitutto, i modelli OpenAI saranno collegati a Salesforce Public Sector Solutions tramite Amazon Bedrock. Bedrock è il servizio gestito di Amazon Web Services per accedere ai modelli e distribuirli nelle applicazioni cloud.

Anche le applicazioni e i flussi di lavoro Missionforce dovrebbero diventare accessibili tramite ChatGPT. Il personale autorizzato potrebbe porre domande sui dati di missione e attivare azioni Salesforce approvate dall'interfaccia chat.

Questo design è importante perché cambia il ruolo di ChatGPT. L'interfaccia non si limiterebbe a generare testo. Potrebbe diventare un punto di accesso a sistemi di gestione dei casi, processi normativi e flussi di lavoro operativi in più fasi.

Salesforce non ha affermato che ogni cliente Missionforce possa usare immediatamente ogni integrazione annunciata. Il suo annuncio precisa che la disponibilità può variare in base alla regione e all'accordo con il cliente.

In secondo luogo, Salesforce ha introdotto il Missionforce Policy Engine. Il sistema usa modelli OpenAI per convertire documenti normativi approvati in codice di regole strutturate e casi di test corrispondenti.

Le regole deterministiche seguono una logica definita anziché generare una risposta nuova per ogni richiesta. Questa distinzione è importante quando le agenzie gestiscono prestazioni, licenze, ispezioni o altre decisioni regolamentate.

Il modello linguistico interpreta il materiale di origine e redige la struttura delle regole. Salesforce afferma che un essere umano deve esaminare e approvare ogni output prima della distribuzione.

L'azienda propone come esempio l'idoneità a Medicaid. Se il reddito di una famiglia cambia, un flusso di lavoro approvato potrebbe rivalutare la copertura di un minore in base alla politica vigente e produrre una traccia di audit.

Questo esempio illustra l'ambizione alla base degli agenti AI governativi sicuri. L'agente non si limita a spiegare una regola. Aiuta a eseguire un processo che può incidere direttamente su una persona.

In terzo luogo, Missionforce Operations utilizzerà modelli specializzati basati sulla tecnologia NVIDIA. Salesforce afferma che ottimizzerà i modelli NVIDIA per approvvigionamento, gestione dei fornitori, revisione delle fatture e logistica delle risorse.

Questi modelli possono operare in ambienti cloud privati o air-gapped. Le agenzie potrebbero mantenere l'elaborazione dei modelli, i dati operativi e le azioni degli agenti all'interno dell'infrastruttura che controllano.

Salesforce descrive uno scenario di manutenzione della flotta che coinvolge l'inventario distribuito in diversi depositi. Un agente potrebbe individuare pezzi di ricambio, preparare documenti di trasferimento e stabilire le priorità dei programmi di spedizione.

Missionforce Field Operations e Asset Management aggiunge una componente offline. Ispettori o squadre di emergenza potrebbero gestire ordini di lavoro e attività di manutenzione in luoghi privi di connettività affidabile.

Nel loro insieme, queste funzionalità creano un livello di esecuzione più ampio. OpenAI gestisce il ragionamento generale e l'interpretazione delle politiche, mentre NVIDIA supporta modelli specializzati più vicini ai dati operativi controllati.

Salesforce collega quindi entrambi i percorsi alle applicazioni delle agenzie. Questo ruolo di orchestrazione è più rilevante dell'aggiunta di un altro modello a un catalogo di approvvigionamento.

Perché la scelta dei modelli governativi è diventata una questione strategica

Le agenzie governative non stanno più decidendo se adottare l'AI commerciale. Stanno decidendo quali parti delle loro operazioni possano dipendere da ciascun modello di distribuzione.

La tempistica riflette i recenti cambiamenti nel mercato federale dell'AI. OpenAI ha annunciato un'autorizzazione FedRAMP Moderate per ChatGPT Enterprise e la sua API Platform nell'aprile 2026.

FedRAMP è il programma federale per la valutazione della sicurezza dei servizi cloud. Un'autorizzazione Moderate supporta carichi di lavoro nei quali la compromissione di riservatezza, integrità o disponibilità potrebbe causare danni gravi.

OpenAI ha dichiarato che l'autorizzazione consentiva alle agenzie di accedere a prodotti gestiti per ricerca, redazione, traduzione, sviluppo software, gestione dei casi e altre attività di supporto alla missione. Le singole agenzie mantengono il controllo sulle proprie decisioni di autorizzazione e utilizzo.

Salesforce ha raggiunto in precedenza un traguardo diverso. Agentforce, Data Cloud, Marketing Cloud e Tableau Next hanno ricevuto l'autorizzazione FedRAMP High nel giugno 2025.

FedRAMP High riguarda sistemi nei quali una violazione potrebbe causare danni gravi o catastrofici. L'autorizzazione non rende ogni configurazione appropriata per ogni missione, ma fornisce una base di sicurezza significativa.

Missionforce combina questi componenti anziché trattare l'autorizzazione come un'unica etichetta valida per l'intera piattaforma. Le agenzie devono esaminare gli esatti servizi, funzionalità, percorsi dei dati e confini di responsabilità coinvolti.

Questo è particolarmente importante quando un agente può eseguire azioni. Un assistente testuale potrebbe riassumere un documento interno. Un agente operativo può aggiornare un caso, creare un ordine di lavoro o raccomandare un trasferimento di risorse.

Il rischio cambia man mano che il sistema acquisisce autorizzazioni. L'accuratezza rimane importante, ma diventano altrettanto importanti la gestione delle identità, i controlli di accesso, i log, le regole di escalation e le procedure di rollback.

La strategia di Salesforce considera la scelta del modello come uno strato all'interno di questo più ampio sistema di controllo. La sua piattaforma determina quali dati raggiungono un modello e quali azioni diventano disponibili in seguito.

Questo approccio mette pressione agli altri fornitori di AI governativa. Un fornitore di modelli può offrire un ragionamento solido, ma le agenzie hanno anche bisogno di integrazione con sistemi che contengono registri autorevoli.

I fornitori cloud affrontano una pressione simile. Ospitare un modello approvato è utile, ma gli acquirenti desiderano sempre più modelli collegati a flussi di lavoro verificabili anziché interfacce di programmazione delle applicazioni isolate.

Anche gli appaltatori governativi devono adeguarsi. I progetti di integrazione tradizionali possono richiedere mesi o anni, mentre Missionforce presenta agenti riutilizzabili e componenti di flusso di lavoro come un percorso più rapido.

Tuttavia, le agenzie non possono misurare il successo soltanto in base alla velocità di distribuzione. Devono valutare tassi di errore, gestione delle eccezioni, carico di lavoro del personale, ricorsi ed esiti per i cittadini.

Gli agenti AI Salesforce Missionforce competono quindi sulla governance operativa tanto quanto sull'intelligenza. La questione decisiva è se i controlli circostanti rimangano efficaci quando il comportamento del modello cambia.

Il mercato governativo resiste inoltre a un'architettura a singolo fornitore. Le agenzie hanno spesso bisogno di modelli cloud commerciali, modelli ospitati localmente e sistemi convenzionali basati su regole all'interno della stessa missione.

Questo ambiente favorisce le piattaforme in grado di coordinare più modelli. Rende anche più difficile la responsabilità, perché essa attraversa più fornitori e confini tecnici.

Gli agenti AI governativi sicuri affrontano un compromesso sul controllo

Le partnership con OpenAI e NVIDIA offrono alle agenzie una flessibilità significativa, ma la flessibilità non produce automaticamente un modello di sicurezza coerente.

Il percorso OpenAI enfatizza l'accesso a modelli di frontiera tramite infrastrutture gestite. Le agenzie ottengono capacità aggiornate senza gestire direttamente i sistemi di modelli sottostanti.

Questa strada può ridurre il sovraccarico tecnico. Attribuisce inoltre maggiore importanza ai confini del servizio, alle configurazioni supportate, alle politiche di conservazione e all'esatta autorizzazione che copre ciascun componente.

Il percorso NVIDIA offre un controllo più locale. Salesforce afferma che le agenzie possono addestrare, ottimizzare e distribuire modelli specifici per la missione usando i propri dati critici.

Il suo più ampio piano di distribuzione per settori regolamentati colloca l'infrastruttura NVIDIA sotto Agentforce, Data 360, le applicazioni Salesforce e gli strumenti di collaborazione.

La distribuzione on-premises e in cloud privato può contribuire a soddisfare requisiti di residenza dei dati o isolamento della rete. Può inoltre supportare carichi di lavoro che non possono comunicare con un servizio gestito esterno.

Questo controllo comporta costi che non si esprimono come prezzo di un prodotto. Le agenzie necessitano di capacità di calcolo, ingegneri dei modelli, processi di valutazione, gestione delle patch e personale operativo.

Un modello ospitato localmente può comunque produrre output errati. Può comunque ricevere autorizzazioni eccessive o agire su dati incompleti.

La distribuzione air-gapped riduce alcuni rischi di rete, ma può complicare aggiornamenti e monitoraggio. I team devono trasferire software, risultati delle valutazioni e correzioni di sicurezza attraverso confini controllati.

I modelli gestiti presentano il compromesso opposto. I fornitori possono distribuire miglioramenti più rapidamente, ma un aggiornamento può modificare un comportamento che un'agenzia aveva valutato in precedenza.

Il livello di orchestrazione di Salesforce deve gestire entrambi gli schemi. Deve preservare identità, politiche, logging e controlli sulle azioni, indipendentemente dal modello che svolge il ragionamento.

Ecco perché il Missionforce Policy Engine è un test rivelatore. Salesforce separa l'interpretazione generativa dall'esecuzione deterministica.

Un modello OpenAI può redigere regole e casi di test a partire dal testo delle politiche. Un essere umano esamina il risultato prima che un motore di regole approvato lo applichi.

Questa sequenza riconosce un limite fondamentale. I modelli linguistici restano probabilistici, il che significa che lo stesso compito generale può produrre formulazioni o percorsi di ragionamento diversi.

Il codice deterministico offre un'esecuzione più prevedibile dopo l'approvazione. Non garantisce che l'interpretazione originaria fosse corretta.

Un documento normativo può contenere eccezioni, riferimenti incrociati, definizioni ambigue o modifiche recenti. Convertirlo in codice può preservare gli errori con maggiore coerenza.

Il necessario controllo umano assume quindi un peso sostanziale. Le agenzie hanno bisogno di revisori che comprendano sia le policy sia l'implementazione generata.

Hanno inoltre bisogno del controllo di versione. Quando una policy cambia, i team devono sapere quale insieme di regole era attivo, quali casi ha interessato e chi ne ha approvato la sostituzione.

Le piste di audit aiutano a ricostruire gli eventi dopo una decisione. Non impediscono una decisione errata prima che raggiunga un cittadino.

La stessa distinzione si applica agli agenti operativi. Registrare un ordine di trasferimento errato fornisce prove, ma un passaggio di approvazione può fermare l'ordine prima che l'inventario venga movimentato.

Gli agenti AI sicuri per il governo necessitano di controlli basati sulle conseguenze. Recuperare linee guida interne non dovrebbe richiedere lo stesso processo di approvazione previsto per modificare l'idoneità ai benefici.

Il valore di Missionforce dipenderà dalla capacità delle agenzie di esprimere chiaramente queste differenze. Le autorizzazioni devono seguire attività specifiche, fonti dati, utenti e contesti operativi.

Le promesse generiche sull'AI affidabile non possono sostituire evidenze di configurazione. Gli acquirenti devono poter ispezionare l'intera catena, dalla richiesta dell'utente all'output del modello e all'azione finale del sistema.

L'automazione delle policy rende visibile il divario di responsabilità

Missionforce diventa più utile laddove il lavoro governativo è lento e vincolato da regole, che è anche l'ambito in cui un errore automatizzato può causare danni immediati.

L'amministrazione delle policy spesso comporta documenti, moduli, criteri di idoneità, scadenze e ricorsi. Queste caratteristiche la rendono adatta a un'automazione strutturata.

Rendono però complesso anche il materiale di origine. Le policy possono derivare da leggi, regolamenti, linee guida delle agenzie, decisioni giudiziarie e direttive temporanee.

Una regola generata dall'AI può sembrare precisa pur trascurando un'eccezione importante. I casi di test generati dallo stesso modello possono ripetere la medesima interpretazione errata.

La validazione indipendente è essenziale. Le agenzie dovrebbero sviluppare test basati su casi storici, condizioni limite ed esiti giuridici attesi, invece di affidarsi soltanto a esempi generati.

L'approvazione umana è necessaria, ma non sufficiente. I revisori possono diventare eccessivamente fiduciosi quando un sistema produce codice rifinito e spiegazioni plausibili.

L'interfaccia di revisione dovrebbe mostrare l'origine di ciascuna regola. Dovrebbe collegare la logica agli esatti passaggi della policy e segnalare le interpretazioni che richiedono giudizio.

Questa tracciabilità assomiglia a una base di conoscenza AI ben gestita. La differenza è che i sistemi governativi necessitano di autorità formale, versioni controllate e registri difendibili.

Salesforce afferma che il Policy Engine produrrà una pista di audit completa per le decisioni. L'annuncio non fornisce ancora prove indipendenti da un'implementazione in produzione.

Non pubblica nemmeno tassi di accuratezza, tempi di revisione, esiti dei ricorsi o la frequenza delle regole generate che richiedono correzioni. Queste metriche contano più della velocità delle dimostrazioni.

Lo scenario Medicaid merita particolare attenzione. Le decisioni sull'idoneità incidono sulla copertura sanitaria e l'applicazione delle policy può variare tra programmi e giurisdizioni.

Un'agenzia dovrebbe definire quando un caso esce dall'automazione e viene affidato a un operatore formato. Fonti di reddito insolite, registri contestati o informazioni contrastanti sul nucleo familiare sono candidati evidenti per l'escalation.

I cittadini hanno inoltre bisogno di spiegazioni comprensibili. Un registro tecnicamente completo potrebbe non chiarire a una famiglia perché la copertura è cambiata o come contestare la decisione.

Gli agenti operativi generano preoccupazioni analoghe. Un agente per la manutenzione della flotta potrebbe ridurre il tempo dedicato alla ricerca nell'inventario, ma la sua raccomandazione dipende da registri accurati.

Dati mancanti possono indurre il sistema ad assegnare un componente non disponibile, soggetto a restrizioni o già destinato altrove. Il deployment locale non risolve dati di origine di bassa qualità.

Gli agenti sul campo affrontano rischi di connettività e sincronizzazione. Gli strumenti offline devono riconciliare correttamente gli aggiornamenti quando un dispositivo si riconnette.

Le operazioni di emergenza amplificano questi problemi perché il personale lavora sotto pressione temporale. Le agenzie hanno bisogno di confini chiari tra raccomandazioni, azioni approvate ed esecuzione autonoma.

I controlli di sicurezza di Salesforce sono parte della risposta. Agentforce consente agli amministratori di definire azioni consentite, accesso ai dati e percorsi di escalation.

Tuttavia, la governance deve estendersi oltre la configurazione della piattaforma. Documenti di procurement, procedure operative, formazione dei dipendenti, risposta agli incidenti e revisione legale contribuiscono tutti a determinare il risultato.

Il più ampio mercato dell'AI militare mostra perché i confini contano. Un resoconto indipendente sull'espansione dell'AI classificata ha riportato requisiti di supervisione umana nelle missioni autonome o semiautonome.

Questo esempio riguarda sistemi militari, ma il principio si applica più ampiamente. Le azioni con conseguenze rilevanti richiedono responsabilità esplicite anche quando l'AI fornisce la raccomandazione.

L'AI governativa di Salesforce sarà esaminata da diverse prospettive. I team di sicurezza analizzeranno l'architettura, i responsabili dei programmi chiederanno efficienza e gli organi di vigilanza domanderanno chi resti responsabile.

Un'implementazione di successo deve soddisfare tutti e tre. Un'elaborazione più rapida serve a poco se le agenzie non possono spiegare o difendere le azioni risultanti.

Salesforce compete sul livello che circonda il modello

Missionforce trasforma la competizione sull'AI governativa in una gara per l'accesso ai dati, il controllo dei workflow e la flessibilità di deployment, anziché basarsi soltanto sulle classifiche dei modelli.

OpenAI contribuisce con modelli gestiti avanzati e un'interfaccia familiare. NVIDIA contribuisce con tecnologia dei modelli e infrastruttura per ambienti più controllati.

Salesforce contribuisce con il contesto operativo. Le sue applicazioni organizzano già casi, relazioni, asset, richieste di servizio e altre attività governative.

Questo contesto offre a un agente un ancoraggio utile. Per grounding si intende fornire al modello informazioni autorizzate pertinenti all'attività corrente.

Crea però anche dipendenza dalla piattaforma. Quando dati, logica dei workflow, autorizzazioni e azioni degli agenti convergono nell'architettura di un unico fornitore, cambiare piattaforma diventa difficile.

Gli acquirenti governativi avranno bisogno di piani di portabilità. Dovrebbero stabilire se definizioni delle regole, set di valutazione, registri e configurazioni degli agenti possano essere trasferiti tra ambienti.

La flessibilità dei modelli riduce una forma di dipendenza. Un'agenzia può selezionare un modello OpenAI per un carico di lavoro e un modello NVIDIA per un altro.

Tuttavia, la scelta del modello non equivale all'indipendenza dalla piattaforma. L'orchestrazione circostante, le connessioni ai dati e i controlli amministrativi possono rimanere strettamente legati a Salesforce.

Anche Amazon occupa una posizione importante, perché Bedrock fornisce il percorso tra i modelli OpenAI e Salesforce Government Cloud. Questo aggiunge un ulteriore confine di responsabilità.

Se un workflow fallisce, i team devono individuare se la causa risieda nei dati dell'agenzia, nella logica Salesforce, nell'erogazione tramite Bedrock, nel comportamento del modello o nella configurazione dell'utente.

Una chiara osservabilità diventa essenziale. Gli amministratori necessitano di una traccia che mostri quale modello è stato eseguito, quale contesto ha ricevuto, quali strumenti ha chiamato e quale azione ne è seguita.

I concorrenti possono sfidare Salesforce da diverse direzioni. Microsoft può collegare infrastruttura cloud governativa, applicazioni di produttività e modelli ospitati.

Google può combinare i propri modelli con servizi cloud per il settore pubblico e strumenti per i dati. Le aziende specializzate in tecnologia per la difesa possono concentrarsi su missioni operative più circoscritte.

OpenAI può anche approfondire le proprie relazioni dirette con il governo. La sua autorizzazione federale e i prodotti governativi riducono la necessità per alcuni clienti di rivolgersi a essa solo tramite partner software.

NVIDIA trae vantaggio da diversi percorsi, poiché la sua infrastruttura supporta lo sviluppo e il deployment di modelli oltre Missionforce. Non ha bisogno che Salesforce vinca ogni carico di lavoro governativo.

Il vantaggio di Salesforce appare più forte quando il lavoro risiede già nelle sue applicazioni. Un team di gestione dei casi può ottenere maggiori benefici da un agente integrato rispetto a un chatbot separato.

La sua sfida cresce quando i dati autorevoli sono distribuiti tra molti sistemi legacy. Collegare questi sistemi in modo sicuro può richiedere più impegno che configurare il modello.

È qui che le evidenze di implementazione saranno importanti. Le agenzie hanno bisogno di esempi in produzione che dimostrino che Missionforce riduce i tempi di elaborazione senza aumentare correzioni o eccezioni irrisolte.

I case study pubblici dovrebbero rivelare l'ambito dell'automazione. Dovrebbero distinguere tra recupero di informazioni, raccomandazioni, generazione di bozze e azioni completate.

Queste categorie sono spesso confuse negli annunci sugli agenti. Un assistente che prepara una raccomandazione differisce significativamente da un agente autorizzato a modificare un record.

La strategia degli agenti AI Salesforce Missionforce riconosce che le agenzie richiedono diversi livelli di autonomia. Il suo successo dipende dal rendere tali livelli visibili e applicabili.

Questa è una misura competitiva più duratura dei punteggi di benchmark. I modelli cambieranno, ma le agenzie continueranno ad aver bisogno di controlli affidabili sui propri dati e sulle proprie azioni.

Cosa osservare mentre Missionforce entra nei workflow governativi

Le prossime evidenze dovrebbero provenire da deployment in produzione autorizzati, risultati operativi misurabili e limiti chiaramente definiti alle azioni degli agenti.

Il primo segnale è la disponibilità del prodotto. Salesforce ha descritto integrazioni pianificate e il suo annuncio avverte che la disponibilità può variare in base alla regione e all'accordo.

Gli acquirenti dovrebbero osservare quali modelli OpenAI raggiungeranno Salesforce Government Cloud, quali funzionalità riceveranno l'autorizzazione e quando ChatGPT potrà attivare i workflow Missionforce.

L'ambito esatto è importante. Un assistente documentale limitato non convalida la visione più ampia di agenti AI governativi sicuri che eseguono attività in più fasi.

Il secondo segnale è la performance in produzione. Salesforce dovrebbe pubblicare risultati di deployment nelle policy, nella logistica o sul campo con dettagli sufficienti per il confronto.

Misure utili includono tempi di revisione, tassi di eccezione, correzioni delle regole, completamento riuscito delle attività e numero di azioni che richiedono intervento umano.

I workflow rivolti ai cittadini necessitano di misure aggiuntive. Le agenzie dovrebbero monitorare tassi di ricorso, coerenza nell'elaborazione, accessibilità e l'efficacia delle spiegazioni nell'aiutare le persone a comprendere le decisioni.

I carichi di lavoro operativi richiedono evidenze diverse. I team addetti alla flotta o al procurement dovrebbero misurare tempi di inattività, errori di evasione, ordini duplicati e tempo del personale impiegato per correggere l'output degli agenti.

Il terzo segnale è la governance sotto pressione reale. Le agenzie dovrebbero divulgare come rispondono quando un aggiornamento del modello, una modifica della policy o un errore nei dati influisce su un workflow attivo.

Un sistema maturo dovrebbe identificare le decisioni coinvolte, sospendere le azioni rischiose, ripristinare una configurazione precedente e conservare le prove per la revisione.

Anche OpenAI e NVIDIA devono chiarire le rispettive responsabilità. I fornitori di modelli, gli operatori dell'infrastruttura, le piattaforme software e le agenzie non possono presumere ciascuno che un'altra parte detenga il rischio finale.

La promessa alla base di Missionforce è credibile a livello architetturale. Modelli diversi possono soddisfare esigenze di sicurezza e operative differenti all'interno di una piattaforma di workflow comune.

La questione irrisolta riguarda l'esecuzione. Salesforce ha descritto componenti, esempi e salvaguardie previste, ma le evidenze in produzione restano limitate.

I responsabili della tecnologia governativa dovrebbero iniziare con attività circoscritte. Recupero di documenti, preparazione di bozze, abbinamento dell'inventario e pianificazione possono rivelare debolezze prima che agli agenti venga concessa un'autorità con conseguenze rilevanti.

I team hanno inoltre bisogno di registri tecnici ricercabili e controllati. Una base di conoscenza ricercabile può aiutare a preservare valutazioni, decisioni e risultati degli incidenti tra i team di implementazione.

L'obiettivo non dovrebbe essere la massima autonomia. Dovrebbe essere il più alto livello utile di automazione che un'agenzia possa testare, monitorare, spiegare e annullare.

Salesforce si è collocata al centro di questa decisione. Le sue partnership con OpenAI e NVIDIA ampliano le opzioni disponibili, rendendo al contempo più importanti i confini di responsabilità.

Man mano che gli agenti AI di Salesforce Missionforce raggiungono i sistemi governativi in produzione, gli acquirenti dovrebbero porsi una domanda pratica: ogni azione rilevante può essere tracciata, contestata e interrotta in sicurezza?