IBM ritiene che i clienti aziendali utilizzino "tutto" quando si tratta di intelligenza artificiale; la sfida è abbinare l'LLM al caso d'uso corretto.

Negli ultimi 100 anni , IBM ha visto l'ascesa e il declino di molte tendenze tecnologiche diverse. A prevalere sono le tecnologie in cui c'è più scelta.

Oggi, al VB Transform 2025 , Armand Ruiz, vicepresidente della piattaforma AI di IBM, ha illustrato dettagliatamente il modo in cui Big Blue concepisce l'IA generativa e come i suoi utenti aziendali stanno effettivamente implementando la tecnologia. Un tema chiave sottolineato da Ruiz è che, a questo punto, non si tratta di scegliere un singolo fornitore o una singola tecnologia di Large Language Model (LLM). Sempre più spesso, i clienti aziendali stanno sistematicamente rifiutando strategie di IA basate su un singolo fornitore a favore di approcci multi-modello che abbinano LLM specifici a casi d'uso mirati.

IBM ha i propri modelli di intelligenza artificiale open source con la famiglia Granite , ma non sta posizionando questa tecnologia come l'unica scelta, o addirittura come la scelta giusta per tutti i carichi di lavoro. Questo comportamento aziendale sta spingendo IBM a posizionarsi non come un concorrente del modello base, ma come quella che Ruiz ha definito una torre di controllo per i carichi di lavoro di intelligenza artificiale.

"Quando mi siedo di fronte a un cliente, lui usa tutto ciò a cui ha accesso, tutto", ha spiegato Ruiz. "Per la programmazione, adorano Anthropic e per altri casi d'uso, come il ragionamento, preferiscono o3. Per la personalizzazione di LLM, con i propri dati e la messa a punto, preferiscono la nostra serie Granite o Mistral con i loro modelli di piccole dimensioni, o persino Llama ... si tratta semplicemente di adattare l'LLM al caso d'uso corretto. E poi li aiutiamo anche a fornire suggerimenti."

La risposta di IBM a questa realtà di mercato è un gateway modello appena rilasciato che fornisce alle aziende un'unica API per passare da un LLM all'altro, mantenendo osservabilità e governance in tutte le distribuzioni.

L'architettura tecnica consente ai clienti di eseguire modelli open source sul proprio stack di inferenza per casi d'uso sensibili, accedendo contemporaneamente ad API pubbliche come AWS Bedrock o Gemini di Google Cloud per applicazioni meno critiche.

"Questo gateway fornisce ai nostri clienti un singolo livello con una singola API per passare da un LLM a un altro LLM e aggiungere osservabilità e governance in tutto", ha affermato Ruiz.

Questo approccio contraddice direttamente la strategia comune dei fornitori di vincolare i clienti a ecosistemi proprietari. IBM non è l'unica ad adottare un approccio multi-vendor per la selezione dei modelli. Negli ultimi mesi sono emersi diversi strumenti per il routing dei modelli , che mirano a indirizzare i carichi di lavoro verso il modello appropriato.

Oltre alla gestione multi-modello, IBM sta affrontando la sfida emergente della comunicazione tra agenti attraverso protocolli aperti.

L'azienda ha sviluppato ACP (Agent Communication Protocol) e lo ha donato alla Linux Foundation. ACP è un progetto competitivo per il protocollo Agent2Agent (A2A) di Google, che proprio questa settimana è stato donato da Google alla Linux Foundation.

Ruiz ha osservato che entrambi i protocolli mirano a facilitare la comunicazione tra gli agenti e a ridurre il lavoro di sviluppo personalizzato. Si aspetta che alla fine i diversi approcci convergeranno e, attualmente, le differenze tra A2A e ACP sono principalmente tecniche.

I protocolli di orchestrazione degli agenti forniscono modalità standardizzate per l'interazione dei sistemi di intelligenza artificiale tra diverse piattaforme e fornitori.

L'importanza tecnica diventa evidente se si considera la scala aziendale: alcuni clienti IBM dispongono già di oltre 100 agenti in programmi pilota. Senza protocolli di comunicazione standardizzati, ogni interazione tra agenti richiede uno sviluppo personalizzato, creando un onere di integrazione insostenibile.

Per quanto riguarda l'impatto che l'intelligenza artificiale avrà sulle aziende oggi, Ruiz sostiene che dovrebbe trattarsi di qualcosa di più dei semplici chatbot.

"Se ti limiti a usare i chatbot o cerchi solo di risparmiare sui costi con l'intelligenza artificiale, non stai usando l'intelligenza artificiale", ha affermato Ruiz. "Penso che l'intelligenza artificiale significhi davvero trasformare completamente il flusso di lavoro e il modo in cui si lavora".

La distinzione tra implementazione e trasformazione dell'IA si concentra sul livello di integrazione della tecnologia nei processi aziendali esistenti. L'esempio interno di IBM per le risorse umane illustra questo cambiamento: invece di chiedere informazioni ai chatbot, i dipendenti ora gestiscono le richieste di routine su retribuzioni, assunzioni e promozioni, indirizzandole automaticamente ai sistemi appropriati e inoltrandole agli operatori solo quando necessario.

"Prima passavo molto tempo a parlare con i miei partner delle Risorse Umane per diverse questioni. Ora gestisco la maggior parte del lavoro con un agente delle Risorse Umane", ha spiegato Ruiz. "A seconda della domanda, che si tratti di retribuzione, di una semplice gestione di una separazione, di un'assunzione o di una promozione, tutte queste questioni si collegano a diversi sistemi interni delle Risorse Umane, che saranno come agenti separati".

Ciò rappresenta un cambiamento architettonico fondamentale, passando dai modelli di interazione uomo-computer all'automazione del flusso di lavoro mediata dal computer. Invece di far sì che i dipendenti imparino a interagire con gli strumenti di intelligenza artificiale, è l'intelligenza artificiale stessa a imparare a eseguire processi aziendali completi end-to-end.

L'implicazione tecnica: le aziende devono andare oltre le integrazioni API e accelerare l'ingegneria verso una strumentazione di processo approfondita che consenta agli agenti di intelligenza artificiale di eseguire flussi di lavoro in più fasi in modo autonomo.

I dati di IBM sull'implementazione nel mondo reale suggeriscono diversi cambiamenti critici per la strategia di intelligenza artificiale aziendale:

Abbandonare la logica del chatbot-first : le organizzazioni dovrebbero identificare flussi di lavoro completi per la trasformazione, anziché aggiungere interfacce conversazionali ai sistemi esistenti. L'obiettivo è eliminare i passaggi umani, non migliorare l'interazione uomo-computer.

Progettare la flessibilità multi-modello : anziché affidarsi a singoli fornitori di intelligenza artificiale, le aziende necessitano di piattaforme di integrazione che consentano di passare da un modello all'altro in base ai requisiti dei casi d'uso, mantenendo al contempo gli standard di governance.

Investire in standard di comunicazione : le organizzazioni dovrebbero dare priorità agli strumenti di intelligenza artificiale che supportano protocolli emergenti come MCP, ACP e A2A piuttosto che ad approcci di integrazione proprietari che creano dipendenza dal fornitore.

"C'è così tanto da costruire e continuo a dire che tutti devono imparare l'intelligenza artificiale e soprattutto i leader aziendali devono essere leader che mettono l'intelligenza artificiale al primo posto e comprenderne i concetti", ha affermato Ruiz.