Agenti AI sempre più insicuri? Il problema è il contesto, non il modello

Quando un agente AI risponde con sicurezza ma con dati sbagliati, il problema non è il modello. È il contesto. Man mano che le aziende passano da architetture RAG a recupero ibrido, gli stessi dati producono risposte diverse a seconda di quale agente, strumento o sistema formula la domanda. I ricavi significano una cosa in un dashboard BI, un’altra in una tabella SQL e un’altra ancora in un’istruzione per l’agente. L’infrastruttura di recupero degli ultimi due anni ha prodotto ricerca vettoriale più veloce ed economica, ma non una definizione condivisa di ciò che i dati significano.

Al Snowflake Summit 26 di San Francisco, Snowflake affronta questo problema con Horizon Context e Cortex Sense: un sistema a due strati progettato per dare agli agenti una definizione governata e condivisa della logica di business tra diversi stack di recupero. Sotto c’è anche un nuovo servizio di streaming gestito compatibile con Kafka chiamato Data Stream, miglioramenti adattivi del calcolo, interoperabilità espansa con Apache Iceberg e aggiornamenti ai prodotti CoCo e Cowork.

Il problema del contesto è critico. I dati di VB Pulse Q1 2026 mostrano che l’intenzione di utilizzare recupero ibrido è triplicata in tre mesi, passando dal 10,3% di gennaio al 33,3% di marzo. Un’impennata che riflette quanto sia sentita l’esigenza di dare agli agenti un linguaggio comune.

«Ci sono molti strumenti là fuori che ti permettono di fare domande e ottieni una risposta molto sicura, ma se sia corretta o meno è un’altra storia», ha dichiarato a VentureBeat Christian Kleinerman, EVP of Product di Snowflake.

Da logica di business frammentata a un contesto governato

Oggi la logica di business è sparsa tra SQL, dashboard BI e istruzioni per agenti. Nessun sistema ne possiede una definizione unica. Horizon Context è il tentativo di Snowflake di risolvere questo problema a livello di catalogo, non di agente.

• Horizon Context: costruito sull’acquisizione di Select Star, è il layer gestito dal cliente. Attinge metadati da Postgres, SQL Server, Tableau e Power BI nel Horizon Catalog, così ogni agente, strumento BI e sistema esterno usa la stessa definizione governata. In più, Semantic View Autopilot crea e raffina automaticamente viste semantiche nel tempo, senza sforzo manuale continuo.
• Cortex Sense: il layer derivato dalla piattaforma. Costruisce e arricchisce automaticamente il contesto dai dati e dai pattern d’uso dei clienti, senza bisogno di viste semantiche esplicite. Per Kleinerman, migliora l’esperienza predefinita prima di qualsiasi cura manuale.

«Pensa a Horizon Context come a tutto ciò che è esplicito e dichiarato dai clienti, mentre Cortex Sense è tutto ciò che è implicito e derivato da noi», ha spiegato Kleinerman. I due strati si collegano all’infrastruttura di recupero esistente di Snowflake, inclusa Cortex Search (l’implementazione RAG) che come strumento alimenta CoCo e Cowork. Un punto chiave: Snowflake ha legato il tutto a Open Semantic Interchange, rendendo portabili le definizioni dichiarate dai clienti tra cataloghi e strumenti di terze parti.

«Horizon Context, al 100%, siamo impegnati e guidiamo lo sforzo per assicurarci che non sia bloccato», ha assicurato Kleinerman.

Non solo Snowflake: il contesto è la nuova frontiera

Snowflake si inserisce in un campo affollato. Microsoft ha aperto Fabric IQ via MCP. Redis ha lanciato Iris, piattaforma tra agenti e dati. Pinecone si sta riposizionando con Nexus, compilando dati enterprise in artefatti specifici per compiti prima che gli agenti li interroghino. Secondo Devin Pratt di IDC, la mossa di Snowflake è nella direzione giusta: «Gli agenti sono validi tanto quanto i dati e le semantiche dietro di essi. Il context layer, non il modello, è ciò da tenere d’occhio ora». Ciò che funziona, per Pratt, è la separazione: Horizon Context copre ciò che i team dichiarano, Cortex Sense ciò che la piattaforma rileva. E il tutto ancorato al catalogo e alla governance, non aggiunto in un secondo momento.

Mike Leone di Moor Insights and Strategy concorda: «Trattare i due strati in modo diverso è la scelta architetturale giusta. Non puoi fidarti allo stesso modo di ciò che è dichiarato e di ciò che è derivato. Se Snowflake riesce a mostrare che i due strati si riconciliano in modo pulito e che puoi vedere da dove viene ogni risposta, hanno qualcosa di concreto».

Cosa significa per le aziende

Il problema esisteva già, ma gli agenti alzano la posta: quando un agente sbaglia su larga scala, il danno è immediato. Leone è diretto: «La maggior parte dei vendor che vendono una soluzione pronta all’uso stanno promettendo troppo. Mettine una in un’azienda vera e per lo più rivela quanto sono già disordinati dati e definizioni. Molte aziende stanno per scoprirlo nel modo più duro».

Secondo Pratt, ciò che separa i context layer funzionanti da quelli fallimentari è triplice: governance e lineage per tracciare perché un agente ha dato una certa risposta; portabilità tra vendor; accuratezza misurabile e riutilizzabile tra agenti e strumenti. «Le aziende non hanno bisogno di un altro silo di semantiche», ha concluso Pratt. «Hanno bisogno di un context layer governato, portatile e abbastanza affidabile da poter essere sottoposto a audit».