A cinquant’anni dalla fondazione, SAS porta alla tappa milanese di SAS Innovate on Tour una roadmap sull’intelligenza artificiale centrata su governance, gestione dei dati, AI agentica, interoperabilità tra piattaforme e tecnologie quantistiche. L’azienda estende il proprio portafoglio con strumenti destinati a censire modelli e agenti, rendere più controllabili i dati utilizzati dai sistemi AI, collegare ecosistemi eterogenei e portare in produzione applicazioni basate su agenti intelligenti.
Modelli generativi, analytics avanzati, applicazioni SaaS con funzionalità AI e primi agenti autonomi convivono sempre più spesso negli stessi ambienti aziendali. La sfida non riguarda più soltanto la scelta delle tecnologie, ma la capacità di governarle, alimentarle con dati affidabili, integrarle nei processi operativi e mantenerne il controllo nel tempo.
Governare modelli, agenti e casi d’uso AI
La diffusione dell’intelligenza artificiale nelle organizzazioni sta rendendo più difficile mantenere una visione completa dei sistemi effettivamente utilizzati. Modelli sviluppati internamente convivono con servizi generativi di terze parti, applicazioni verticali dotate di funzionalità AI e primi agenti autonomi capaci di accedere a dati e processi operativi. Con il tempo diventa complesso stabilire quali sistemi siano attivi, quali informazioni utilizzino, quali decisioni influenzino e chi ne sia responsabile.
L’AI Act europeo impone inoltre requisiti crescenti in materia di documentazione, monitoraggio, gestione del rischio e supervisione. A questi si aggiunge il fenomeno dello shadow AI, con strumenti adottati autonomamente da funzioni aziendali e dipartimenti senza un coordinamento centrale.
Per affrontare questi aspetti SAS introduce AI Navigator, una soluzione Software-as-a-Service progettata per costruire una vista unificata dell’intero patrimonio AI aziendale. La piattaforma censisce modelli, agenti, applicazioni e casi d’uso, associando a ciascun elemento informazioni relative a processi di business, responsabili, policy interne, livelli di rischio e requisiti normativi. L’intelligenza artificiale viene così gestita come un portafoglio di iniziative aziendali e non come una semplice raccolta di modelli.
AI Navigator opera anche in ambienti eterogenei e può includere asset sviluppati con tecnologie SAS, piattaforme open source o soluzioni di terze parti. La governance viene così estesa all’intero ecosistema AI presente nell’organizzazione anziché limitarsi agli strumenti appartenenti a un singolo fornitore.
La piattaforma mantiene una tracciabilità continua delle iniziative AI, supportando audit, verifica della conformità e gestione del rischio.
La capacità di sapere dove l’intelligenza artificiale venga utilizzata, quali dati elabori e quali processi influenzi sta diventando un requisito operativo prima ancora che normativo.
Dati AI-ready, automazione e dati sintetici
La qualità dei dati continua a rappresentare uno dei principali fattori che determinano l’efficacia dei sistemi di intelligenza artificiale. Dataset incompleti, informazioni distribuite tra sistemi differenti, problemi di qualità e difficoltà nel ricostruire l’origine delle informazioni limitano spesso la possibilità di portare i modelli in produzione o di utilizzarli in contesti regolamentati.
Per questo motivo SAS ha aggiornato SAS Data Management introducendo funzionalità destinate a rendere i dati più facilmente utilizzabili nei progetti di intelligenza artificiale. Con l’espressione AI-ready data SAS identifica dataset non soltanto disponibili, ma anche documentati, tracciabili, governati e sufficientemente affidabili da poter essere impiegati nelle attività di addestramento, validazione e utilizzo operativo dei modelli.
Controlli di qualità, regole di governance, tracciabilità delle trasformazioni e meccanismi di data lineage vengono integrati direttamente nei workflow di gestione delle informazioni. Le attività necessarie per preparare i dati non vengono più trattate come fasi separate rispetto alla governance, ma diventano parte integrante del processo.
L’aggiornamento introduce inoltre nuove funzionalità assistite dall’intelligenza artificiale che supportano utenti tecnici e professionisti del business nell’esplorazione dei dataset, nell’identificazione delle relazioni tra le informazioni e nella costruzione di pipeline destinate a progetti analytics e applicazioni AI. Queste funzionalità riducono il numero di attività manuali necessarie per preparare dati utilizzabili dai modelli e accelerano il passaggio dalla raccolta delle informazioni all’utilizzo operativo.
La disponibilità di dati affidabili assume un’importanza ancora maggiore nei progetti basati su agenti autonomi e sistemi generativi, che richiedono informazioni coerenti, aggiornate e verificabili per produrre risultati attendibili.
In questo contesto SAS amplia anche le capacità dedicate ai dati sintetici, una tecnologia utilizzata per generare dataset artificiali che mantengono le caratteristiche statistiche delle informazioni originali senza riprodurne il contenuto reale.
L’approccio consente di sviluppare, testare e addestrare modelli evitando l’esposizione diretta di dati sensibili. Banche, assicurazioni, organizzazioni sanitarie e pubbliche amministrazioni possono utilizzare dataset sintetici per sperimentare nuovi casi d’uso, condividere informazioni tra team differenti e accelerare le attività di sviluppo mantenendo requisiti di privacy e conformità normativa.
Possono inoltre essere utilizzati quando i dati disponibili risultano limitati, sbilanciati o difficilmente accessibili, contribuendo a migliorare le attività di testing e validazione dei modelli.
Le stesse tecnologie vengono utilizzate in combinazione con i digital twin, modelli virtuali che replicano il comportamento di processi aziendali, impianti produttivi, reti logistiche e supply chain. La combinazione di simulazione, analytics e dati sintetici consente di valutare scenari alternativi prima di intervenire sui sistemi reali, riducendo costi, tempi e rischi associati alla sperimentazione.
Con SAS Viya MCP Server, analytics avanzati, modelli predittivi, motori decisionali e servizi SAS possono essere esposti come strumenti utilizzabili da agenti compatibili con il Model Context Protocol (MCP). Il protocollo definisce un’interfaccia standardizzata che consente agli agenti AI di utilizzare strumenti e servizi sviluppati da fornitori differenti senza richiedere integrazioni dedicate per ogni singola piattaforma.
Agenti sviluppati al di fuori dell’ecosistema SAS possono così richiamare funzionalità della piattaforma per eseguire analisi, ottenere previsioni, applicare regole decisionali o accedere a informazioni elaborate dai sistemi SAS.
Autenticazione, autorizzazioni, auditing e controlli di sicurezza continuano a essere gestiti all’interno dell’ambiente SAS, mentre gli agenti accedono alle funzionalità attraverso l’interfaccia standardizzata fornita dal protocollo.
La disponibilità di un meccanismo comune riduce la necessità di sviluppare connessioni proprietarie per ogni progetto e semplifica l’integrazione tra analytics, strumenti AI e processi decisionali distribuiti su piattaforme differenti.
La diffusione di architetture multi-modello e multi-agente sta rendendo sempre più frequente la coesistenza di tecnologie provenienti da fornitori diversi. In questo scenario, protocolli come MCP consentono di combinare modelli, agenti e servizi specializzati mantenendo controllo, sicurezza e tracciabilità delle operazioni.
Costruire agenti governati e alimentati da dati affidabili
Gli agenti rappresentano una delle principali direttrici di evoluzione dell’intelligenza artificiale enterprise. A differenza dei modelli generativi tradizionali, possono eseguire attività, utilizzare applicazioni aziendali, interrogare basi dati e partecipare direttamente ai processi operativi.
Per supportare questo passaggio SAS amplia le capacità di SAS Viya con Agentic AI Accelerator, un framework destinato alla creazione e alla gestione di agenti intelligenti in ambienti governati.
La piattaforma comprende componenti software, workflow, template, pattern architetturali e strumenti di orchestrazione che consentono di costruire sistemi agentici attraverso approcci no-code, low-code o sviluppo tradizionale. Il framework è stato progettato per ridurre il divario che separa molti progetti sperimentali basati sulla GenAI dalle implementazioni utilizzabili in contesti produttivi.
Un agente può infatti accedere a dati, attivare processi, utilizzare strumenti esterni e prendere decisioni che producono effetti concreti sull’operatività aziendale. In questi scenari diventano fondamentali elementi come tracciabilità, auditabilità, gestione delle autorizzazioni e supervisione umana.
La disponibilità di agenti autonomi rende inoltre sempre più importante la qualità del contesto informativo utilizzato dai modelli. Molte delle cosiddette allucinazioni derivano dall’assenza di dati aggiornati o dalla difficoltà di accedere alla conoscenza aziendale nel momento in cui viene generata una risposta.
Per affrontare questo problema SAS introduce Retrieval Agent Manager (RAM), una soluzione no-code basata su tecniche Retrieval-Augmented Generation (RAG) che consente di collegare agenti e copiloti a documentazione, repository informativi, basi di conoscenza e contenuti aziendali.
Le informazioni possono essere rese disponibili ai modelli attraverso processi controllati e governati, evitando la necessità di sviluppare integrazioni dedicate per ogni sorgente informativa. In questo modo gli agenti possono recuperare contenuti pertinenti prima di generare una risposta o di eseguire un’attività, migliorando l’accuratezza dei risultati e riducendo il rischio di utilizzare informazioni incomplete o non aggiornate.
La disponibilità di agenti governati e alimentati da conoscenza aziendale costituisce la base sulla quale SAS sviluppa anche la nuova famiglia di assistenti Viya Copilot.
Viya Copilot: assistenti specializzati per analytics e decision intelligence
Con SAS Viya Copilot l’azienda introduce una famiglia di assistenti progettati per supportare differenti attività lungo il ciclo di vita analytics. A differenza dei chatbot generalisti, questi assistenti vengono integrati direttamente negli ambienti di lavoro utilizzati da analisti, data scientist e utenti business e sono specializzati in compiti specifici.
Preparazione dei dati, esplorazione delle informazioni, sviluppo dei modelli, costruzione di workflow e attività di analisi possono essere supportati attraverso interazioni in linguaggio naturale che riducono il numero di operazioni manuali normalmente richieste agli utenti.
I copiloti velocizzano il percorso che porta dai dati alle decisioni mantenendo i meccanismi di governance, sicurezza e controllo già presenti nella piattaforma.
SAS prevede inoltre copiloti specializzati per domini applicativi specifici. Tra i primi esempi annunciati figurano Asset & Liability Management, dove gli assistenti supportano attività di modellazione finanziaria, simulazione e gestione del rischio, e Clinical Data Discovery, che utilizza funzionalità AI per facilitare l’esplorazione di grandi quantità di dati clinici, documentazione scientifica e informazioni di ricerca.
Viya Copilot comprende quindi assistenti specializzati destinati a differenti attività di analisi, modellazione e supporto decisionale.
Dall’automazione del marketing alla pianificazione continua della supply chain
Le capacità agentiche introdotte in SAS Viya trovano applicazione diretta in una serie di soluzioni verticali progettate per intervenire su processi aziendali specifici.
In SAS Customer Intelligence 360 l’intelligenza artificiale agentica viene utilizzata per supportare le attività di marketing e customer engagement. Gli agenti specializzati integrati nella piattaforma possono assistere i team nella progettazione di campagne e customer journey, trasformando obiettivi espressi in linguaggio naturale in attività operative concretamente eseguibili.
Segmentazione del pubblico, definizione dei percorsi cliente, configurazione delle campagne e impostazione delle azioni di engagement possono essere automatizzate o semplificate attraverso l’intervento degli agenti. Parte delle attività che richiedevano competenze specialistiche sulla piattaforma viene così resa più accessibile, riducendo il tempo necessario per passare dalla definizione di un obiettivo alla sua implementazione.
Lo stesso principio viene applicato a uno dei processi più complessi presenti nelle organizzazioni industriali: la pianificazione integrata della supply chain.
SAS Supply Chain Agent è stato progettato per supportare le attività di Sales & Operations Planning (S&OP), il processo che coordina vendite, approvvigionamenti, produzione, inventario e logistica per allineare domanda e capacità operative.
La crescente volatilità dei mercati, le interruzioni delle catene di fornitura e la necessità di reagire rapidamente ai cambiamenti stanno mettendo sotto pressione modelli di pianificazione basati su cicli periodici e revisioni manuali. In molti settori la capacità di valutare rapidamente scenari alternativi è diventata un fattore competitivo.
Supply Chain Agent utilizza analytics avanzati, simulazioni e capacità agentiche per supportare questo processo in modo più continuo. Gli utenti possono valutare l’impatto di variazioni della domanda, problemi di approvvigionamento, vincoli produttivi o modifiche logistiche attraverso simulazioni che aiutano a individuare le opzioni più appropriate nelle condizioni operative correnti.
La soluzione combina ricerca operativa, forecasting, ottimizzazione matematica e decision intelligence con modelli generativi e sistemi agentici.
Customer Intelligence 360 e Supply Chain Agent fanno parte di un portafoglio di acceleratori verticali che combina modelli, agenti, workflow e pipeline preconfigurate per specifici domini applicativi.
Tra le aree nelle quali SAS continua a sviluppare questo approccio figurano anche il rilevamento delle frodi e la payment integrity, ambiti nei quali la rapidità delle decisioni deve convivere con requisiti elevati di accuratezza, trasparenza e controllo.
In questi contesti l’intelligenza artificiale viene utilizzata per identificare anomalie, individuare comportamenti sospetti, supportare attività investigative e verificare la correttezza delle transazioni, combinando analytics avanzati, automazione, simulazione e capacità decisionali. La possibilità di ricostruire il percorso che porta a una decisione rimane un elemento essenziale, soprattutto quando le valutazioni effettuate dai sistemi possono avere conseguenze economiche dirette o influenzare attività di conformità e gestione del rischio.
Quantum AI: rendere accessibile la sperimentazione quantistica
Con Quantum Lab, previsto per il quarto trimestre del 2026 per gli utenti di SAS Viya, l’azienda introduce un ambiente destinato alla sperimentazione di algoritmi classici, quantistici e ibridi.
Il laboratorio permette a data scientist, analisti e specialisti dell’ottimizzazione di confrontare direttamente risultati, prestazioni e costi di approcci differenti applicati allo stesso problema. Modelli tradizionali, algoritmi quantistici e soluzioni ibride possono essere eseguiti e valutati fianco a fianco, facilitando l’identificazione delle tecniche più efficaci per ciascun caso d’uso.
Uno dei principali ostacoli all’adozione del quantum computing consiste nel comprendere quali componenti di un problema possano trarre vantaggio dall’elaborazione quantistica e quali continuino a essere gestite in modo più efficiente dalle infrastrutture tradizionali.
Quantum Lab integra funzionalità di validazione preventiva degli algoritmi, benchmarking tra approcci differenti, gestione automatizzata dei workload e strumenti destinati a ottimizzare l’utilizzo delle risorse quantistiche disponibili.
Tra questi figura AutoQX, una suite progettata per automatizzare parte delle attività necessarie alla selezione delle strategie di esecuzione più appropriate. Gli strumenti consentono di valutare configurazioni differenti e ridurre la complessità normalmente associata allo sviluppo e alla sperimentazione di applicazioni quantistiche.
SAS utilizza l’espressione Quantum AI per descrivere un ambiente nel quale machine learning, analytics avanzati, ricerca operativa, ottimizzazione matematica e risorse quantistiche operano come componenti complementari dello stesso sistema analitico.
In questa prospettiva il quantum computing non sostituisce le architetture esistenti, ma si affianca a esse nei contesti in cui può offrire vantaggi concreti. Problemi di ottimizzazione, simulazione, supply chain e decision intelligence possono così essere distribuiti tra elaborazione classica e quantistica, sfruttando ciascuna tecnologia per le attività nelle quali risulta più efficace.
