Avatar personali, assistenti per lo shopping online, centralinisti e traduttori virtuali, sistemi per la guida assistita e ancora centri di controllo che analizzano, prevedono e ottimizzano la produzione industriale, droni, robot autonomi (o che provano a diventarlo) e computer “viventi” che al posto dei chip utilizzano reti di neuroni coltivate in vitro. C’era questo e altro nell’ultima edizione di Reply Xchange, andata in scena a Milano tra keynote, un centinaio di sessioni tecniche e un grande spazio dedicato alle demo di soluzioni che – neanche a dirlo – avevano come denominatore comune l’intelligenza artificiale.
Se questo non sorprende, a stupire l’occhio del visitatore è stata la varietà e allo stesso tempo la concretezza dei casi d’uso allestiti. Le applicazioni in mostra (tutte da guardare ma anche da provare) spaziavano dalla produzione industriale alla logistica, dall’e-commerce al supporto clienti, dall’industria dello spettacolo alle interfacce digitali, dai servizi bancari alla robotica. L’obiettivo non è stato quello di mostrare gli “effetti speciali” dell’AI, che pure non sono mancati, ma la sua utilità declinata in contesti e processi specifici.
Per l’occasione è anche stata presentata Reply Model Factory, un approccio industrializzato alla creazione di modelli di AI generativi di frontiera, diversi dagli LLM generalisti, quelli pronti all’uso e largamente basati su dati pubblici. L’approccio di Reply prevede, invece, di addestrare modelli specifici su dati significativi per il caso d’uso e l’azienda cliente, su standard tecnici, requisiti normativi, procedure operative, sistemi proprietari ed expertise di dominio. Si ottengono, così, sistemi di AI generativa e agentica coerenti con il contesto operativo in cui dovranno funzionare. La piattaforma di Reply gestisce in modo industrializzato l’intero ciclo di vita del modello, dalla preparazione dei dati all’addestramento, dall’evaluation alla distribuzione, senza dimenticare il continuo miglioramento e l’evoluzione della base di conoscenza.
Dal digital twin ai sistemi industriali cognitivi
L’intelligenza artificiale prestata all’industria ha molte forme, dai digital twin alla visione computerizzata, fino ai sistemi “cognitivi”, che interpretano dati in tempo reale e aiutano a prendere decisioni in contesti più o meno complessi. Un esempio è la demo “Multimodal Product Configurator”: un configuratore in tempo reale che allestisce e personalizza l’interno di un jet privato, con la possibilità di scegliere materiali, layout e illuminazione. Il sistema combina campioni fisici, RFID, rendering 3D e un’AI conversazionale che dà consigli e applica le varianti richieste. Altro tipo di “gemello digitale” è quello della demo “AI Agents for Smart Energy Optimization”: gli agenti AI usano digital twin e simulazioni "what-if" per gestire un impianto fotovoltaico in modo dinamico.
La demo “Autonomous Truck-to-Forklift Logistics”, invece, mostra un flusso logistico orchestrato in cui camion e carrelli elevatori autonomi collaborano per gestire ingresso, scarico e uscita del mezzo. Le principali tecnologie implicate sono guida autonoma, computer vision ed edge computing. In un’altra demo, la visione computerizzata e l’AI vengono applicate a luoghi come aeroporti e hub logistici, con telecamere di monitoraggio e alert in tempo reale.
L’esempio di AI industriale forse più complesso, tra quelli in mostra a Reply xchange, è forse “Brick Cognitive Platform”: un sistema di orchestrazione che collega dati di produzione, controllo qualità, manutenzione e pianificazione attraverso knowledge graph e agenti AI specializzati, che analizzano e interpretano i dati in tempo reale, correlano eventi e ottimizzano i processi. Non si tratta di più di raccogliere insight isolati, ma di gestire le operazioni grazie a un sistema integrato e “pensante”.
Il commercio diventa “agentico”
Se i chatbot utilizzati come motori di ricerca e di raccomandazione per gli acquisti, rapidamente entrati nelle abitudini delle persone, sono parsi l’ultima frontiera del commercio, lo sono stati per poco. Una nuova evoluzione (che si somma a quella appena menzionata) è l’agentic commerce, che sul Web ha già debuttato all’interno di browser di navigazione Web come Atlas (di OpenAI) e Comet (di Perplexity), in cui agenti AI possono interagire con i cataloghi di siti di e-commerce o ticketing.
Nella demo “AI Agents-driven Payments” Reply ha realizzato un sistema ancora più evoluto, in cui l’agente AI propone all'utente opzioni di acquisto, accompagna al checkout e gestisce il pagamento nella chat, con adeguate misure di sicurezza e controllo, come l’autenticazione forte. Ogni elemento è personalizzabile: si impostano le categorie di prodotto, i marchi, le soglie di prezzo, i siti da cui comprare e via dicendo. L’intera esperienza di acquisto può essere gestita come una conversazione con l’agente AI, delegando quest’ultimo a effettuare ordini e pagamenti a determinate condizioni (per esempio se il prezzo cala, se scatta una promozione vantaggiosa o se è trascorso un certo tempo dall’ultimo acquisto) e, volendo, con un ulteriore passaggio di verifica.
La transazione viaggia su protocolli sicuri (quello di Mastercard, nella fattispecie) che permettono di tokenizzare la carta di pagamento. Sistemi di questo tipo negli Stati Uniti sono già operativi, mentre in Europa la delega del pagamento agli agenti AI non è ancora stata regolamentata. L’infrastruttura tecnologia, però, è già pronta. In un futuro prossimo l’agentic commerce portebbe entrare nelle abitudini di shopping degli utenti ma forse sarà ancor più interessante la sua adozione nei processi di procurement aziendali, dove gli acquisti sono massivi e ricorrenti, e dove l’agente AI potrebbe anche gestire la contrattazione sui prezzi
Assistenti, centralinisti e traduttori
La fenomenologia dell’AI è decisamente variegata se ci spostiamo in ambiti relazionali come la comunicazione, il marketing, il supporto clienti e le interfacce digitali. Tra le demo di Reply c’erano sistemi di AI generativa multimodali per la produzione cinematografica e per l’industria audiovisiva, e poi “Antigravity”, un’applicazione in cui un’architettura multi-agente genera ricette e abbinamenti culinari (il caso d’uso mostrato riguardava la cucina, ma è solo una delle declinazioni possibili).
Nell’ambito del supporto clienti, l’Agentic AI rappresenta una sostanziale evoluzione dei chatbot basati su LLM, perché oltre a fornire risposte può anche portare a termine azioni come la gestione di un reclamo, lo smistamento delle richieste, la prenotazione di un appuntamento, procedure di reso e altro ancora. Interessante è la possibilità di creare sistemi di agenti AI specializzati che possono essere ingaggiati di volta in volta dall’agente AI di primo livello, una sorta di “centralinista” che instrada la richiesta a seconda dell’area di competenza. L’intelligenza artificiale sa anche valutare i casi di escalation in cui è opportuno passare la palla a un operatore umano, fornendo un riassunto delle conversazioni precedenti.
Reply sta anche lavorando sul tema dell’accessibilità digitale, e con un team specializzato ha messo a punto soluzioni in cui l’AI rende più facili, economiche e scalabili attività che altrimenti richiederebbero tempi di realizzazione lunghi e hardware dedicato e costoso. Per esempio, sistemi per le traduzioni simultanee dal parlato italiano alla Lis, la lingua italiana dei segni, e viceversa. Una delle demo impiega un modello AI proprietario per interpretare in tempo reale la lingua dei segni: mentre la persona è inquadrata dalla fotocamera di un Pc (un modello senza particolari requisiti hardware), il sistema traduce e genera un testo, poi convertito in audio . Nella soluzione speculare, un agente AI converte la sintassi italiana in sintassi Lis e un modello 3D crea un’animazione completa della frase. Soluzioni di questo tipo non sostituirebbero il lavoro di traduttori e interpreti, ma potrebbero colmare le molte lacune di accessibilità in contesti dove è difficile o non economicamente sostenibile ingaggiare personale ad hoc, per esempio uffici pubblici, ospedali, scuole, aeroporti.
Robot e computer che imitano gli esseri umani
L’angolo più spettacolare, a Reply xchange, era probabilmente quello dedicato all’intelligenza artificiale fisica, tra droni in volo, maxischermi, robot che eseguivano acrobazie e altri che manipolavano oggetti. Nella demo “AI Rider Safety System”, un sistema prototipo di guida assistita è stato installato su una moto: un apparato di computer vision frontale e posteriore analizza la strada e il contesto, riconoscendo buche, ostacoli, veicoli e potenziali minacce.
A poca distanza, un robot umanoide eseguiva attività di manipolazione solo apparentemente semplici, come afferrare un oggetto e posizionarlo in una vaschetta. Semplici per noi umani, difficili per i robot, perché con la tecnica di addestramento oggi prevalente, l’imitation learning, è necessario usare come input una buona quantità di dati video, raccolti da una persona che indossa dei visori ed esegue il task per un certo numero di volte. Maggiore è il dataset e migliore è il modello di machine learning addestrato, dunque migliori sono i risultati ottenibili. Tale metodo ha dei limiti di scalabilità, perché richiede di raccogliere dataset specifici per ciascuna azione che il robot dovrà apprendere. Reply sta quindi testando tecniche alternative, come la programmazione multiagente: partendo da una libreria di azioni già apprese (skills), si formulano dei prompt testuali (per esempio “prendi l’oggetto e sollevalo”) in base a cui l’agente AI genera del codice per far eseguire il compito al robot.
In un’altra dimostrazione, Reply ha mostrato come sia possibile distribuire applicazioni robotiche cloud-native su un'infrastruttura edge federata a livello europeo. Il caso è collegato al nuovo Edge Continuum federato paneuropeo sviluppato nell'ambito dell'iniziativa IPCEI-CIS, che riunisce ambienti edge di Tim, Telefonica, Vodafone, Orange e Deutsche Telekom e permette di distribuire applicazioni, in modo sicuro, sulle reti “locali” di questi operatori.
Reply si sta anche interessando alla frontiera del biocomputing, cioè dei sistemi di calcolo “biologici”, che anziché i processori impiegano colture di neuroni (ottenuti da cellule staminali pluripotenti, a loro volta ottenute da donazioni di sangue). Si tratta di un recente filone di ricerca che sta studiando architetture di calcolo ibride, con componenti tradizionali e biologici, come appunto i neuroni. Architetture che presentano diversi vantaggi, tra cui un’estrema efficienza energetica e la capacità di riprodurre meccanismi biologici, motivo per cui un domani potrebbero aiutare nella ricerca medica e scientifica (per esempio, nello studio dei meccanismi di propagazione dei tumori).
Reply si sta anche interessando alla frontiera del biocomputing, cioè dei sistemi di calcolo “biologici”, che anziché i processori impiegano colture di neuroni ottenuti da cellule staminali pluripotenti, a loro volta ottenute da donazioni di sangue. Si tratta di un recente filone di ricerca che sta studiando architetture di calcolo ibride, fatte di componenti tradizionali e biologici, come appunto i neuroni. Architetture che presentano diversi vantaggi, tra cui un’estrema efficienza energetica e la capacità di riprodurre meccanismi biologici, motivo per cui un domani potrebbero aiutare nella ricerca medica e scientifica (per esempio, nello studio dei meccanismi di propagazione dei tumori).
I neuroni mantenuti in coltura possano ricevere input attraverso elettrodi e produrre segnali in uscita. L’aspetto interessante è la loro capacità di modificare il proprio comportamento, apprendendo dall’esperienza: se, quando compiono un’azione “giusta”, i neuroni ricevono un segnale elettrico coerente, quest’ultimo funziona come una ricompensa che rinforza tale comportamento; viceversa, un segnale incoerente viene usato per “punire” e scoraggiare il ripetersi dell’errore. Elettrodi, interfacce digitali e sistemi di controllo consentono di inviare stimoli, leggere risposte e interpretare l'attività elettrica generata.
Prima in Italia, Reply ha acquisito il sistema CL1 di Cortical Labs, società australiana pioniera del biological computing. Nei progetti portati avanti con l'Università degli Studi di Milano, il computer sta imparando a giocare “Pong” e a classificare numeri da 0 a 9. L’intento è quello di dimostrare concretamente la possibilità di “programmare” i neuroni del Pc biologico per far svolgere dal sistema attività via via più complesse.