Dall'intento alla decisione: come far lavorare un agente senza improvvisare

Dalla serie

Obiettivo

Trasformare una richiesta naturale in vincoli, candidati, filtri, ranking, verifiche e spiegazioni, distinguendo preferenze, requisiti obbligatori e casi in cui l'agente deve astenersi.

Cosa deve fare davvero la pipeline

Il punto non è far scrivere bene al modello una risposta di shopping. Il punto è trasformare l'intento in una sequenza controllabile di passaggi: estrazione dei vincoli, recupero dei candidati, filtri deterministici, ranking, verifica dei fatti dinamici e spiegazione finale. In pratica, il primo passo separa ciò che l'utente vuole da ciò che l'utente preferisce. Se una persona dice “cerco una fotocamera sotto i 900 euro compatibile con obiettivi X e con consegna in Italia”, prezzo massimo, compatibilità e mercato sono vincoli. Colore, marca o design sono preferenze. Se li mescoli, l'agente può sembrare convincente ma produrre una shortlist sbagliata. Il secondo passo è la discovery. La ricerca semantica serve per trovare candidati anche quando il catalogo usa parole diverse da quelle dell'utente, ma non deve diventare la fonte di verità. I risultati devono tornare con identificativi canonici, così i passi successivi lavorano su entità stabili e non su testo. Il terzo passo è il filtro deterministico. Qui entrano disponibilità, policy, mercato, soglie di prezzo, compatibilità e altri requisiti obbligatori. Questa parte non va lasciata alla creatività del modello: se un vincoloGlossarioVincoloUna condizione che limita lo spazio delle soluzioni praticabili e non può essere semplicemente ignorata.Apri la voce completa è hard, o passa o non passa. Poi arriva il ranking. Qui puoi usare segnali di rilevanza, completezza dei dati, preferenze dichiarate e obiettivi commerciali, ma con governance chiara. Se sponsorizzazione o margine influenzano l'ordine, il criterio deve essere osservabile. Altrimenti la spiegazione non è credibile. Infine c'è la verifica dei dati dinamici. Prezzo e stock non si deducono da un indice o da una pagina indicizzata: si rileggono dalla fonte autorevole prima della decisione. Se l'evidenza non basta, l'agente deve chiedere chiarimenti o astenersi. È meglio una risposta incompleta ma corretta che una raccomandazione elegante e commercialmente falsa.

I trade-off che devi dichiarare

La discovery agentica mette insieme qualità della risposta e affidabilità della decisione. Più usi semantica e ranking sofisticato, più aumenti recall e copertura. Ma aumenti anche il rischio di opacità, bias di ordinamento e confusione tra preferenze e vincoli. C'è poi il trade-offGlossarioTrade-offUno scambio in cui migliorare un risultato ne indebolisce o ne rende più costoso un altro.Apri la voce completa tra flessibilità e controllo. Un modello generativo è utile per interpretare intenti ambigui e formulare spiegazioni, ma non dovrebbe poter ignorare regole di business, policy o limiti di disponibilità. I controlli deterministici rallentano un po' il flusso, ma proteggono la correttezza commerciale. Anche la qualità del catalogo diventa una scelta architetturale. Un indice ricco aiuta la ricerca, però se duplica prezzo, stock o offerte senza freshness e ownership chiare, finisci con una verità comoda ma obsoleta. In un contesto transazionale, la fonte autorevole deve restare nei sistemi che possiedono i dati. Infine c'è il trade-off tra automazione e astensione. Far rispondere sempre l'agente migliora la percezione di fluidità, ma aumenta il rischio di inventare o forzare una decisione. Un buon sistema agentico sa anche fermarsi: quando i vincoli sono incompatibili o i dati sono insufficienti, l'astensione è un comportamento di qualità, non un fallimento.

Un esempio realistico in azienda

Immagina un retailer omnicanale che vuole usare un assistente per aiutare i clienti a trovare notebook per lavoro ibrido. L'utente dice: “Mi serve un laptop leggero, con almeno 16 GB di RAM, sotto i 1200 euro e disponibile in Germania”. Se il sistema usa solo un motore semantico, può proporre un modello molto pertinente ma con 8 GB di RAM, oppure disponibile solo in un altro mercato. Il risultato sembra buono finché non arriva il controllo finale. A quel punto il checkout fallisce o, peggio, il cliente perde fiducia. Una pipeline robusta farebbe così: estrae RAM, budget e mercato come vincoli; usa la ricerca semantica per trovare candidati anche se il catalogo parla di memoria unificata o configurazioni enterprise; filtra via tutti i prodotti che non rispettano i requisiti; rilegge prezzo e disponibilità dal sistema autorevole; ordina i restanti in base a rilevanza e completezza; spiega che il prodotto scelto rispetta i vincoli ma ha, per esempio, una batteria leggermente inferiore rispetto ad altri modelli. Se però il catalogo ha dati incompleti su alcune varianti, il sistema non dovrebbe inventare. Meglio rispondere: “Posso proporti questi due modelli verificati, ma per il terzo non ho abbastanza evidenze sulla disponibilità in Germania”. Questo tipo di trasparenza è spesso la differenza tra una demo interessante e un servizio che il business può davvero usare.

Per approfondire

Fonti esterne autorevoli per approfondire dati di catalogo, capability di discovery e interoperabilità nei flussi di commerce agentico. • Shopify — Catalog and product discovery for agentic storefronts — https://help.shopify.com/en/manual/online-sales-channels/agentic-storefronts/products • Universal Commerce ProtocolGlossarioUniversal Commerce ProtocolUno standard aperto che definisce linguaggio e primitive comuni per l'interoperabilità tra piattaforme, business e provider di pagamento.Apri la voce completa — Core Concepts — https://ucp.dev/documentation/core-concepts/ • Google Universal Commerce Protocol Guide — Google for Developers — https://developers.google.com/merchant/ucp/guides