Building Effective Enterprise Agents - Briefing del BCG AI Platforms Group
Navigazione Rapida
Tag
Condividi le slide
Building Effective Enterprise Agents - Briefing del BCG AI Platforms Group
Vista dettagliata di ogni pagina di slide, inclusi layout, contenuto chiave ed elementi visivi.
Slide del titolo: Briefing del BCG AI Platforms Group, Novembre 2025. Autori: Tom Martin, David Heurtaux, Caitlin Barber e altri 8.
Sfondo scuro a tutta pagina con forma organica color teal, logo del BCG AI Platforms Group, titolo ed elenco degli autori
Definisce il contesto: la maggior parte delle guide sugli agenti AI sono teoriche o ignorano la complessità aziendale. Questo brief mira ad affrontare come costruire agenti AI affidabili e fidati nell'azienda con i giusti modelli, piattaforme, tecniche e capacità.
Layout diviso: testo a sinistra con frasi chiave in grassetto, immagine di un robot generato dall'AI a destra che guarda l'infrastruttura legacy
Quattro capitoli: (01) Perché è difficile costruire agenti in azienda? (02) Come si progetta un agente aziendale? (03) Come si costruisce un agente aziendale? (04) Come si assembla una piattaforma di agenti?
Quattro card con codice colore in fila: verde, ciano, giallo, rosa
Divisore di sezione per il Capitolo 1.
Sfondo scuro con indicatore di sezione e titolo verde/teal
Tre domande chiave che i leader si trovano ad affrontare: come mantenere l'AI focalizzata sul valore (impatto su P&L), come mantenere l'AI sotto controllo (affidabilità, sicurezza, costi) e come scalare in modo affidabile. Il 75% dei leader tecnologici teme un fallimento silenzioso.
Layout diviso: domande di leadership a sinistra con card verdi, immagine del panorama MAD AI e statistica del 75% a destra
Casi di studio che mostrano la promessa degli agenti (riduzione del tempo/costo del 30-50%, aumento della produttività del 30%+) rispetto alla checklist di realtà di oltre 15 sfide di implementazione. BCG ha fornito oltre 300 agenti a diversi clienti.
Layout diviso: a sinistra mostra i casi di studio e le statistiche di BCG, a destra mostra l'aspettativa rispetto alla realtà con una lunga checklist
Benchmark METR che mostra la complessità delle attività di ingegneria del software gestite dagli LLM nel tempo (GPT-2 fino a GPT-5.1-Codex-Max). Gli agenti vincolati funzionano ora; gli agenti deep sono la prossima frontiera.
Layout diviso: grafico a dispersione a sinistra che mostra la progressione degli LLM, testo sulle prospettive future a destra
I fattori limitanti non sono gli LLM ma i sistemi legacy: (1) Integrazioni brownfield, (2) Dati aziendali inaffidabili, (3) Mancanza di valutazioni, (4) Overhead di governance e audit, (5) Attriti di OpModel e scala.
Layout a cinque colonne con intestazioni teal numerate e descrizioni dettagliate
Cinque orizzonti: H0 Agenti vincolati (su scala), H1 Agenti singoli (adozione in aumento), H2 Agenti deep (adozione in aumento, focus qui), H3 Agenti basati sui ruoli (molto presto), H4 Mesh di agenti (R&S iniziale). Badge di verifica della realtà incluso.
Timeline orizzontale con cinque card orizzontali, badge di maturità e diagrammi architetturali
BCG adatta il classico Double Diamond per gli agenti aziendali: Diamond 1 (Discover + Define) per la progettazione, Diamond 2 (Develop + Deploy) per la costruzione. Quattro fasi: Source ideas, Goal decomposition, Build capability, Rollout & iterate.
Due forme a diamante affiancate con fasi numerate e descrizioni sottostanti
Divisore di sezione per il Capitolo 2.
Sfondo scuro con indicatore di sezione ciano
Matrice 2x2: Obiettivo e complessità dell'ambiente vs Rischio, Etica e Governance. Quadranti: Automazione Tradizionale, Flussi di lavoro Agentic, Human-led con vari livelli di supporto. Insight chiave: se regole chiare funzionano, evitare di costruire agenti per il gusto di farlo.
Layout diviso: matrice 2x2 a sinistra con esempi, testo esplicativo a destra
Progettazione outcome-first utilizzando l'esempio di Elaborazione delle richieste di prestito. Inizia con gli obiettivi di business, scomponi in alberi di dipendenza con i punti critici, quindi dai priorità alle opportunità degli agenti. Mantra chiave: outcomes-not-outputs.
Il lato sinistro mostra un esempio di albero di scomposizione, il lato destro ha tre principi chiave
Tre livelli di progettazione degli agenti: Agente singolo (ciclo di ragionamento singolo), Agente deep semplice (orchestratore + sub-flussi), Agente deep complesso (orchestrazione multi-agente con agenti specializzati).
Confronto a tre colonne che mostra diagrammi di architettura degli agenti di crescente complessità
Quattro modelli di interazione uomo-agente: Agent-assisted (simile a ChatGPT), Human-in-the-loop (simile a Claude Code), Human-on-the-loop (simile a Crew AI), Human-out-of-the-loop (standalone). Ognuno con diversi meccanismi di trigger e approvazione.
Layout a quattro colonne con diagrammi di flusso di lavoro ed esempi per ogni modello
Framework standardizzato per descrivere e documentare gli agenti. Mostra il flusso illustrativo di un Loan Agent: creazione del contesto iniziale, ciclo di ragionamento dell'agente, invocazione dello strumento, risposta finale con approvazione umana e tracciamento LLMOps.
Diagramma di flusso dettagliato dell'agente con componenti codificati a colori: generale, context engineering, modello AI, stato/memoria, strumenti, errori
Struttura ADC: Agent-Achievable Goal (Obiettivo raggiungibile dall'agente), Metriche, Input/Output, Competenze/Strumenti/Capacità, Comportamento di fallback, Tipo di trigger dell'agente (Reattivo/Proattivo, Guidato dall'utente/Guidato dal sistema). Cinque principi per ADC efficaci.
Layout diviso: cinque principi a sinistra, esempio di scheda ADC a destra per l'elaborazione delle richieste di prestito
Dalle ADC completate all'architettura della piattaforma. Principi chiave: valutare prima lo stack attuale, lasciare che le design card guidino le scelte delle capacità, dare priorità a un MVP di piattaforma snello, progettare per la produzione (guardrail, osservabilità), estendere selettivamente.
Layout diviso: schede ADC impilate e diagramma dell'architettura della piattaforma a sinistra, cinque principi a destra
Divisore di sezione per il Capitolo 3.
Sfondo scuro con indicatore di sezione giallo
Panoramica di 14 componenti: (1) Ciclo di vita dello sviluppo dell'agente, (2) Piattaforma dati, (3) Memoria, (4) Valutazione, (5) Orchestrazione dell'agente, (6) Ottimizzazione del prompt, (7) Costruzione della piattaforma dell'agente, (8) Context engineering, (9) AI Gateway, (10) Progettazione dell'ambiente, (11) Low vs pro code, (12) Enterprise LLMOps, (13) Modalità di errore, (14) Conformità normativa.
Layout a griglia con 14 schede numerate, ciascuna con immagine in miniatura e breve descrizione
Ciclo di vita dello sviluppo di agenti in sei fasi basato sui cicli di vita di ML e SWE: (1) Definire l'agente, (2) Progettare il framework e la logica dell'agente, (3) Preparare le valutazioni e l'ambiente, (4) Progettare policy e prompt, (5) Testare e ottimizzare, (6) Lanciare, monitorare ed evolvere.
Pipeline orizzontale esagonale con sei fasi, ciascuna con punti elenco dettagliati
Quattro tipi di piattaforme: Soluzioni agentiche standalone (chiavi in mano), Piattaforme agentiche embedded (integrate nelle suite aziendali), Piattaforme di agent builder (low/no-code), Piattaforme di agenti custom-built (controllo completo).
Confronto a quattro colonne con illustrazioni e punti elenco
Architettura della piattaforma dati per agenti: livello di retrieval (ricerca ibrida, GraphRAG, Text-to-SQL), livello di storage (vector DB, knowledge graph, OLAP/OLTP), elaborazione degli input (chunking, embedding, arricchimento dei metadata).
Diagramma dell'architettura che mostra i livelli della piattaforma dati con sorgenti dati non strutturate e strutturate
Architettura del Model Gateway: registro centrale, monitoraggio token/latenza, policy di routing dei modelli, monitoraggio dei costi FinOps e guardrail di sicurezza. Cinque funzionalità chiave dettagliate.
Diagramma di flusso che mostra i tenant attraverso il Model Gateway verso provider di terze parti, con riquadri FinOps e Sicurezza
Due modelli di deployment: A livello di ambiente (isolato per ambiente, sperimentazione più rapida) vs A livello di progetto (database condiviso, gestione centrale su vasta scala). LLMOps deve fornire gestione dei prompt, valutazioni degli agenti e osservabilità.
Confronto diviso: due diagrammi del modello di deployment affiancati con pro/contro
Framework di valutazione: performance dell'agente (risultato finale, pianificazione e traiettoria, accuratezza del singolo step) e sicurezza dell'agente e red-teaming (sicurezza dell'interazione, controllo dell'agency, integrità del ciclo di vita). Ciclo continuo gather-test-deploy-monitor.
Diagramma di flusso circolare a sinistra, categorie di valutazione al centro, best practice a destra
Caso cliente assicurativo: il punteggio F1 dell'estrazione di entità è migliorato da ~50 a 75 (+25%) in 6 sprint attraverso l'iterative context engineering (prompt, RAG, tool). Tradotto in un impatto di milioni di dollari sui ricavi.
Il lato sinistro mostra il processo di estrazione delle entità, il centro ha un grafico a barre del punteggio F1, il lato destro mostra una tabella di progressione degli sprint
Cinque livelli di integrazione: Smart business layer, Core transaction layer (usa MCP), AI layer (progettato per async), Data layer (usa IAM), Infrastructure layer (astrae la complessità). Chiave: trattare gli agenti come attori di sistema con confini chiari.
Diagramma hub-and-spoke con l'agente al centro, cinque livelli circostanti con descrizioni
Divisore di sezione per il Capitolo 4.
Sfondo scuro con marcatore di sezione rosa
Tre ere: 2023-24 agenti strettamente accoppiati (codice+dati+deployment nello stesso stack), 2025 piattaforme di agenti disaccoppiate (logica separata dal backend), 2026+ interoperabilità tra piattaforme con protocolli condivisi.
Timeline a tre colonne con diagrammi architetturali che mostrano l'evoluzione
Architettura di riferimento completa della piattaforma: (1) AI Guardrails, (2) LLMOps, (3) MCP & Agent Registry, (4) Model Gateway, (5) Builder no/low-code, (6) Agent Framework, (7) Agent Runtime, (8) Memory, (9) Monitoring/Logging/FinOps, (10) Data Platform.
Diagramma dettagliato dell'architettura della piattaforma con 10 componenti numerati e descrizioni
Tre strategie di piattaforma: Unificata (unico fornitore, veloce ma limitata), Ibrida (flessibilità bilanciata con componenti aggiuntivi mirati), Personalizzata/modulare (alta differenziazione, alta complessità). Le aziende convergeranno sull'ibrido.
Confronto a tre colonne con diagrammi a blocchi impilati
Ecosistema di agent a tre livelli: Enterprise Orchestration (governance tra le piattaforme), Domain Orchestration (collaborazione operativa tra persone e agent), Data & Tool Landscape (connettori condivisi, versione/monitoraggio/ritiro).
Diagramma dell'architettura a livelli a tre livelli con esempio di elaborazione del prestito
Albero decisionale: Valutare prima la differenziazione e la complessità (se non si differenzia → Acquista/Adotta), quindi la capacità di esecuzione (se le risorse sono limitate → Acquista e configura/adatta), se capace → Costruisci/Assembla. L'ibrido è inevitabile per la maggior parte delle aziende.
Albero decisionale a sinistra, tre opzioni (Adotta/Adatta/Assembla) a destra con descrizioni
Cinque fattori di gravità per la selezione della piattaforma: (1) Data Gravity (forza più forte), (2) Systems Gravity (lock-in ERP/CRM legacy), (3) Governance/Security/Compliance, (4) Value & Differentiation, (5) Complessità UI/UX. L'accesso ai dati è l'attrazione più forte.
Diagramma orbitale che mostra cinque fattori di gravità con implementazioni di agent, descrizioni a destra
Cinque punti chiave: (1) Progettare per i risultati, non per gli output, (2) Iniziare in modo semplice con una progettazione guidata dalla valutazione, (3) Costruire su fondamenta aziendali condivise, (4) Scegliere la piattaforma giusta in base alla gravità dei dati/sistemi, (5) Progettare fiducia, conformità e resilienza per impostazione predefinita. Uno sguardo al futuro: il 2026 sarà l'anno in cui gli agent forniranno valore reale.
Cinque schede numerate con i punti chiave a sinistra, testo di prospettiva futura a destra
Link a quattro risorse BCG: Tech Foundation for GenAI Success, AI su BCG.com, Latest thinking on Agents, Executive Perspective Series.
Quattro miniature di anteprima in una griglia 2x2 con sfondo scuro
18 foto ritratto dei membri del team con i nomi: Vladimir Lukic, Nicolas De Bellefonds, Gene Sheenko, Djon Kleine, Tom Martin, Julien Marx e altri 12.
Tre file di sei foto ritratto circolari con i nomi
Dichiarazione di non responsabilità legale standard di BCG in merito ai materiali soggetti ai Termini standard di BCG, che non costituiscono consulenza legale/contabile/fiscale, riservatezza e assenza di fairness opinion.
Layout diviso: testo grande di Dichiarazione di non responsabilità a sinistra, testo legale completo a destra
Slide di chiusura con il logo BCG.
Logo BCG centrato su sfondo con sfumatura verde acqua scuro
Divisore di sezione per l'Appendice Tecnica con slide aggiuntive di approfondimento.
Sfondo scuro con titolo Appendice Tecnica
Cinque sistemi: (1) User & Agent Experience (app, API, MCP), (2) Agent Environment (risorse, strumenti), (3) Agent Policy (flusso di controllo, mappatura contesto-azione), (4) Agent Runtime (piattaforme, scaling), (5) Agent Operations (monitoraggio, sicurezza, lifecycle).
Cinque barre orizzontali verdi con descrizioni e illustrazioni
Componenti dettagliati per ciascun sistema: Environment (Browser, API, Databases, Terminal, server MCP), Policy (LLM, Flusso di controllo, Thread, Input/Output, Memory), Runtime (API Manager, Hosting, FinOps, Guardrails), Operations (PromptOps, Testing, Evals, Monitoring, SIEM).
Tabella a griglia con cinque righe di sistema e i relativi sottocomponenti
Sette sfide fondamentali: (1) Condivisione del contesto e allineamento degli obiettivi, (2) Complessità del coordinamento, (3) Risoluzione dei conflitti, (4) Pianificazione a lungo termine e memoria, (5) Assegnazione del merito, (6) Bloccarsi in loop, (7) Deriva delle attività. Richiede scoperte rivoluzionarie in CS, non solo un prompting migliore.
Layout diviso: diagramma di interazione multi-agente a sinistra, sette sfide numerate a destra
Decomposizione a quattro livelli: Outcome → Strategic Goal → Tactical Goal → Agent-Achievable Goal. Esempio di eCommerce: Aumentare il CLV del 25% → Migliorare la retention al 75% → Identificare i clienti a rischio → Obiettivi dell'agente (monitorare i segnali, attivare interventi, inviare raccomandazioni, suggerire prodotti).
Layout diviso: gerarchia di decomposizione a sinistra, albero di esempio di eCommerce a destra
Matrice 2x2 dei modelli di interazione dell'agente: Timing (Reattivo vs Proattivo) x Origine del contesto (Guidato dall'utente vs Guidato dal sistema). Quattro quadranti con esempi: L'utente chiede e l'agente risponde, l'utente agisce e l'agente osserva, il sistema attiva e l'agente risponde, il sistema cambia e l'agente osserva.
Matrice 2x2 con riferimento a LangChain Ambient Agents
Quattro tipi di piattaforma abbinati a scenari: Standalone (veloce, ristretto, un team), Embedded (agenti in-suite che sfruttano i dati nativi), Agent Builder (low/no-code governato), Custom-Built (logica differenziante e su misura). Esempi: Adobe Firefly, Salesforce Agentforce, Copilot Studio, open source.
Tabella comparativa a quattro colonne con criteri when-to-choose ed esempi tecnici
Cinque strategie: (1) Memorizzare il contesto al di fuori della finestra, (2) Ottimizzare la selezione e i tempi di recupero, (3) Comprimere il contesto nel tempo, (4) Isolare il contesto in contenitori separati, (5) Gestire attivamente l'impatto del workflow. Riferimenti da Anthropic, LangChain e Building Manus.
Layout a cinque colonne con icone e punti elenco dettagliati, articoli di riferimento a destra
Architettura della memoria: STM (finestra di contesto temporanea con Istruzioni, Conoscenza, Strumenti, Capacità libera) e LTM (persistente tra le sessioni: Semantica, Procedurale, Episodica). L'integrazione non è banale con sfide relative a promozione, compressione e recupero.
Diagramma a due livelli che mostra STM e LTM con descrizioni a destra
Ciclo PromptOps in sette fasi: (1) Impostare cicli di feedback, (2) Fissare e versionare i prompt, (3) Modificare un elemento alla volta, (4) Utilizzare output strutturati, (5) Valutare attraverso più livelli, (6) Completare i test A/B con rollout canary, (7) Garantire l'osservabilità con percorsi di rollback.
Diagramma circolare del workflow PromptOps a sinistra, sette best practice numerate a destra
Sei categorie di fallimento: (1) Fallimenti di Identità/AuthN/AuthZ, (2) Fallimenti della supply chain di dati e contenuti, (3) Fallimenti di orchestrazione/strumenti/integrazione, (4) Fallimenti di obiettivo/ragionamento/allineamento, (5) Fallimenti di governance e umani, (6) Fallimenti operativi/costi/disponibilità. Ciascuna con esempi e mitigazioni.
Tabella a sei colonne con modalità di errore, esempi e righe di mitigazione
A2A definisce come gli agenti parlano, si coordinano, negoziano e condividono lo stato. A2A gestisce il dialogo tra gli agenti mentre MCP abilita la scoperta degli strumenti. I framework principali (Google ADK, CrewAI, LangGraph) stanno integrando A2A. Procedere con curiosità e cautela.
Layout diviso: descrizione di A2A e diagramma dell'architettura a sinistra, confronto A2A vs MCP a destra
Confronto su sei criteri: Velocità al primo valore (giorni vs settimane), Profondità di personalizzazione (basata su regole vs piena flessibilità), Integrazioni (ecosistema ricco vs illimitato), Governance (integrata vs pieno controllo), Osservabilità (base vs avanzata), Costo (ingresso inferiore vs maggiore anticipo).
Tabella di confronto a due righe con sei colonne di criteri decisionali
Architettura di sicurezza: SOC al centro con EDR, XDR/SIEM, Application Delivery Controllers, CloudSec, SASE, IAM/PAM, Data Sec/DLP, GRC, Offensive Security. Tre punti chiave: SOC necessita di telemetria degli agenti, i control plane devono evolvere, le organizzazioni devono proteggere identità/dati/conformità.
Diagramma dell'architettura delle operazioni di sicurezza con centro SOC, livelli di sicurezza circostanti e tre punti chiave
Domande comuni su questa slide e il contenuto della presentazione sottostante.
Questo è il briefing completo del BCG AI Platforms Group sulla creazione di agenti AI aziendali efficaci, pubblicato a novembre 2025. Copre l'intero ciclo di vita, dalla progettazione all'implementazione, con framework pratici per l'architettura degli agenti, la selezione della piattaforma e la governance, basati sull'esperienza di BCG nella fornitura di oltre 300 agenti.
I cinque principali ostacoli sono: (1) Integrazioni brownfield con sistemi legacy, (2) Dati aziendali inaffidabili, (3) Mancanza di framework di valutazione, (4) Overhead di governance e audit e (5) Attriti di OpModel e scalabilità. In particolare, i fattori limitanti non sono le capacità degli LLM, ma i processi e i sistemi aziendali.
BCG definisce cinque orizzonti: H0 Agenti vincolati (oggi su larga scala), H1 Agenti singoli (adozione in aumento), H2 Agenti deep con orchestration (focus attuale), H3 Team di agenti basati sui ruoli (molto presto) e H4 Rete di agenti (R&S iniziale). Le aziende dovrebbero concentrarsi sulla costruzione fino all'orizzonte 2 oggi.
I 14 componenti sono: Ciclo di vita dello sviluppo degli agenti, Piattaforma dati, Memory, Evaluation, Agent orchestration, Prompt tuning & iteration, Agent platform build, Context engineering, AI Gateway, Environment design, Low vs pro code balance, Enterprise LLMOps, Failure modes management e Regulatory & compliance.
BCG raccomanda un albero decisionale: se il caso d'uso non è differenziante, acquista (Adotta). Se hai risorse limitate, acquista e configura (Adatta). Costruisci (Assembla) solo quando il caso d'uso è differenziante e hai la capacità di ingegneria. La maggior parte delle aziende finirà per adottare un approccio ibrido.
Un'ADC è il modello standardizzato di BCG per definire l'ambito dell'agente. Include l'obiettivo raggiungibile dall'agente, le metriche di successo, gli input/output, le competenze e le capacità richieste, il comportamento di fallback e il tipo di trigger (reattivo/proattivo, guidato dall'utente/guidato dal sistema). Le ADC garantiscono l'allineamento tra gli obiettivi aziendali e l'implementazione tecnica.
MCP (Model Context Protocol) consente agli agenti di scoprire e chiamare strumenti e accedere alle risorse, mentre A2A (Agent-to-Agent protocol di Google) gestisce il dialogo, il coordinamento e la condivisione dello stato tra gli agenti. Risolvono diversi livelli dello stack tecnologico AI e sono complementari, anche se entrambi sono ancora in evoluzione.
Dedica una copertura significativa alla sicurezza, comprese sei categorie di modalità di errore degli agenti (identità, dati, orchestration, ragionamento, governance, operativa), un'architettura di security control plane per l'integrazione SOC e mitigazioni dettagliate per ogni tipo di errore. Il principio chiave è progettare fiducia, compliance e resilienza per impostazione predefinita.
Create Your Own Slides
Turn your ideas into professional presentations in seconds with 2slides AI.
Fai riferimento a design professionali, scegli il tuo stile e genera slide con rendering del testo perfetto. Alimentato da Nano Banana—inizia a creare la tua presentazione ora.
Your AI Agent for slides. Save time, shine faster with intelligent presentation creation.
© 2026 2slides. All rights reserved.