Knowledge graph e ontologie: l'AI di cui ti puoi fidare

C'è una persona, in ogni azienda, che "sa tutto". Sa che quel cliente è collegato a quella commessa, seguita da quel fornitore, con quel problema aperto da marzo. Non lo legge in un report: ce l'ha in testa, fatto di collegamenti. Il giorno che va in ferie, te ne accorgi. E quando provi a sostituirla con l'AI, scopri la verità scomoda: l'AI parla benissimo, ma non ha la sua mappa. Così, ogni tanto, si inventa le risposte.

Gartner stima che da qui a fine 2026 le aziende manderanno al macero il 60% dei progetti AI non supportati da dati pronti all'uso; secondo RAND le stime di fallimento superano l'80%, coi dati tra le prime cause. Il collo di bottiglia non è il modello.

Knowledge graph e ontologie servono a dare quella mappa a una macchina.

La tua azienda come rete di collegamenti

Disegna la tua azienda come una rete di puntini collegati da linee. I puntini sono le cose che contano: un cliente, un prodotto, un ordine, un fornitore. Le linee sono i legami: questo cliente ha firmato quel contratto, che riguarda quel prodotto, fornito da quello stabilimento. Un knowledge graph (in italiano "grafo della conoscenza") è questo: la tua azienda come rete di collegamenti, non come venti tabelle separate.

Nei sistemi tradizionali i collegamenti esistono, ma sono nascosti, e ogni domanda nuova che li attraversa è lavoro a mano. Nel grafo i collegamenti sono in primo piano: ci si cammina sopra. Le tabelle restano la scelta giusta in molti casi. Il grafo serve quando il valore è nei collegamenti, e in azienda quasi sempre lo è.

Le ontologie: mettersi d'accordo sulle parole

"Cliente" per il commerciale è chi ha firmato. Per l'assistenza è chi ha un contratto attivo. Per l'amministrazione è chi ha pagato una fattura. Tre reparti, tre significati, report che non tornano mai. Questo è il costo nascosto numero uno dei dati, e non è la tecnologia: sono le parole.

L'ontologia è l'accordo che lo risolve: il dizionario condiviso che allinea persone e sistemi su cosa significano le parole dell'azienda e su quali collegamenti hanno senso. "Un ordine appartiene a un cliente." Regole semplici, scritte una volta. È la grammatica che tiene in piedi il grafo, e non si parte da uno schema gigante: si parte dalle poche entità che contano e si allarga solo dove serve.

C'è un pezzo in più che un semplice dizionario condiviso non ha: l'ontologia, in senso stretto (quella OWL, per capirci), codifica anche regole di inferenza. Se "un contratto attivo implica un cliente corrente" è una regola scritta una volta, il sistema deduce automaticamente conseguenze che nessuno ha inserito a mano. È questo, non solo l'accordo sui nomi, a distinguere un'ontologia da una semplice tabella di schema o da un data dictionary, ed è anche il motivo per cui tanto di quello che oggi viene chiamato "ontologia" non lo è davvero.

L'approccio Palantir (e perché non ti serve Palantir)

Questa idea l'ha portata al grande pubblico Palantir: nella sua piattaforma Foundry l'ontologia è lo strato sopra i dati che descrive l'azienda: oggetti, relazioni, e perfino le azioni possibili (una sorta di "gemello digitale" dell'organizzazione). È un'ottima impostazione, e fa scuola. Diamogliene atto (e sul perché Palantir come azienda divide, ne parlo a parte).

Il punto scomodo, però, è un altro: il principio è indipendente dallo strumento. Costruire un modello condiviso dell'azienda e farci ragionare l'AI si fa anche su Databricks, Snowflake o BigQuery. Forgiato su Foundry o altrove, il metodo sopravvive allo strumento: è il modo in cui lavoro.

Perché questo rende l'AI affidabile?

Il vero ostacolo all'AI in azienda non è la potenza: è la fiducia. Uno strumento che ogni tanto inventa non lo metti a contatto con i tuoi processi, e fai bene. Invece di far rispondere l'AI "a memoria", la fai consultare i tuoi dati prima di parlare. Se quei dati sono collegati in un grafo governato da un'ontologia, l'AI segue i legami veri della tua azienda, anche a più passaggi di distanza (fornitore → componente → prodotto → cliente), cosa che la sola somiglianza tra testi non sa fare. Le risposte diventano verificabili: puoi sempre chiedere "da dove l'hai preso?", che è la condizione minima per metterle davanti a un cliente.

Quanto è diffuso, oggi?

Gartner prevede che entro il 2029 il 40% delle aziende userà tecniche GraphRAG per migliorare accuratezza e ragionamento dell'AI. La fonte più solida resta Microsoft Research, che non vende tecnologia a grafo e pubblica la metodologia: il suo GraphRAG batte in modo costante il RAG classico sulle domande che pretendono di incrociare più pezzi, non un moltiplicatore fisso ma una costanza nel ragionamento multi-hop. A conferma direzionale, non come prova principale, si aggiungono due benchmark indipendenti tra loro ma pubblicati entrambi da vendor di tecnologia a grafo (quindi non test di terze parti): uno di data.world su 43 domande di business vere e uno di Diffbot e FalkorDB, che misurano lo stesso ordine di grandezza: lo stesso identico modello passa da risposte corrette nell'ordine del 17-20% a oltre il 50% quando ai dati dai una struttura a grafo invece del solito SQL grezzo, un guadagno tra 3 e 3,4 volte in entrambi i casi. Tradotto: collegare i dati non è estetica, si vede nei risultati, e la conferma più forte viene da chi non ha nulla da vendere in proposito.

E il mercato non si limita a dirlo: ci scommette sopra. A luglio 2026 Snowflake ha lanciato Cortex Sense, un motore di "grounding" contestuale per agenti AI enterprise. Un altro grande vendor, la stessa idea di fondo: prima l'ontologia, poi l'agente. Il principio non è un'esclusiva Palantir.

Quando NON ti serve (sì, esiste)

Se hai pochi dati ben ordinati e domande semplici, un grafo è complessità che non ti ripaga: lascialo perdere. Serve quando i dati sono sparsi su sistemi che non si parlano, le domande di valore collegano più cose, e ti serve un'AI che spieghi le sue risposte: la domanda viene sempre prima dello strumento.

In due righe

Un'AI di cui fidarsi non nasce da un modello più grande, ma da dati che finalmente si parlano. Il knowledge graph è il modo di farli parlare; l'ontologia è la grammatica. La piattaforma (Palantir o altra) si sceglie dopo, quando grafo e ontologia sono già decisi. Ed è lo stesso grafo che diventa terreno comune quando a "parlare" non è solo un modello, ma più agenti AI che devono coordinarsi tra loro. Lo stesso principio, applicato ai dati di posizione, è al centro della governance dei dati geospaziali.