Negli ultimi anni molte aziende hanno iniziato a confrontarsi con l’Intelligenza Artificiale attraverso strumenti relativamente semplici da comprendere: chatbot capaci di rispondere a domande, sistemi che riassumono documenti, modelli che classificano informazioni o assistenti che producono testi sulla base di una richiesta. In tutti questi casi, per quanto sofisticata possa essere la tecnologia utilizzata, esiste un confine piuttosto chiaro tra ciò che fa l’AI e ciò che accade realmente nei sistemi aziendali: il modello elabora informazioni e propone un risultato, mentre l’azione rimane nelle mani di una persona o di un’applicazione tradizionale.
Con l’Agentic AI questo confine comincia a spostarsi.
Un agente AI non è infatti pensato soltanto per interpretare una richiesta e produrre una risposta, ma può essere inserito all’interno di un processo più ampio nel quale consulta fonti differenti, utilizza strumenti, interagisce con applicazioni aziendali, prende decisioni entro determinati limiti e avvia autonomamente le azioni necessarie per raggiungere un obiettivo.
La differenza può sembrare sottile, ma dal punto di vista aziendale è enorme. Se un sistema di AI tradizionale suggerisce a un operatore cosa fare, un agente può arrivare a farlo direttamente. Ed è proprio nel passaggio dalla capacità di rispondere alla capacità di agire che si apre una delle prospettive più interessanti, ma anche più delicate, dell’Intelligenza Artificiale applicata ai processi enterprise.
Dal chatbot all’agente
Immaginiamo un’azienda che riceva ogni giorno centinaia di richieste attraverso email, portali, sistemi di ticketing e altri canali. Un’applicazione basata su AI può già oggi leggere una richiesta, comprenderne il contenuto, classificarla e suggerire all’operatore quale risposta fornire. È un risultato utile, ma il processo rimane sostanzialmente invariato: qualcuno deve prendere quel suggerimento e trasformarlo in un’azione.
Un agente può invece essere progettato per gestire una parte molto più ampia del processo. Può interpretare la richiesta, identificare il cliente interrogando il CRM, recuperare eventuali ordini dall’ERP, verificare lo stato di una spedizione attraverso un servizio esterno, consultare procedure e documentazione interna e, sulla base delle informazioni raccolte, stabilire quale sia il passo successivo.
Se la situazione rientra nei casi per i quali dispone dell’autorizzazione necessaria, può anche eseguire direttamente alcune operazioni; se invece rileva un’anomalia, un livello di incertezza troppo elevato o una decisione che richiede responsabilità umana, può interrompere il flusso e trasferire il caso alla persona più appropriata, fornendole già tutte le informazioni necessarie.
Non siamo quindi semplicemente davanti a un chatbot più evoluto, ma a un componente software capace di muoversi all’interno dell’ecosistema informativo aziendale e di partecipare attivamente all’esecuzione di un processo.
Il vero potenziale è nell’orchestrazione
Una delle caratteristiche più interessanti dell’Agentic AI è la possibilità di operare trasversalmente rispetto ai sistemi aziendali.
Molti processi enterprise, infatti, non vivono all’interno di una singola applicazione. Un ordine può nascere in un portale B2B, transitare attraverso un ERP, richiedere informazioni provenienti dal CRM, coinvolgere un WMS per la disponibilità della merce e infine interagire con servizi logistici esterni. Lo stesso accade nella gestione documentale, nell’assistenza clienti, negli acquisti, nelle attività amministrative e in moltissimi altri ambiti.
Tradizionalmente questa complessità viene affrontata costruendo integrazioni e workflow nei quali ogni passaggio deve essere definito in anticipo. È un approccio necessario e continuerà ad esserlo, soprattutto quando i processi sono deterministici e le regole possono essere espresse con precisione.
Esiste però una grande quantità di attività che non segue percorsi altrettanto lineari. Le persone ricevono informazioni incomplete, interpretano documenti, confrontano dati provenienti da sistemi diversi, decidono quale verifica effettuare e scelgono il passo successivo in funzione di ciò che scoprono durante il processo. È proprio in questa zona, tradizionalmente difficile da automatizzare attraverso regole rigide, che gli agenti AI possono diventare particolarmente interessanti.
L’obiettivo non è necessariamente sostituire le applicazioni esistenti, ma creare un nuovo livello di orchestrazione capace di utilizzare quelle applicazioni come strumenti.
Un esempio concreto: la gestione di un’anomalia su un ordine
Consideriamo un caso apparentemente semplice: un ordine viene bloccato perché alcune informazioni non risultano coerenti.
In un processo tradizionale l’ERP può segnalare l’anomalia, ma spesso è poi una persona a dover capire cosa sia successo. L’operatore verifica l’anagrafica del cliente, controlla gli ordini precedenti, consulta eventuali comunicazioni, confronta condizioni commerciali e disponibilità della merce e, se necessario, coinvolge un collega.
Un agente potrebbe svolgere autonomamente una parte significativa di queste verifiche. Potrebbe analizzare il motivo del blocco, interrogare i sistemi coinvolti, confrontare le informazioni disponibili e ricostruire il contesto necessario per comprendere l’anomalia.
Se il problema dipendesse, ad esempio, da una discrepanza facilmente riconoscibile e risolvibile attraverso una procedura autorizzata, il sistema potrebbe proporre o persino eseguire la correzione prevista. Se invece emergesse una situazione non contemplata dalle regole aziendali, potrebbe predisporre il caso per l’operatore indicando quali verifiche ha effettuato, quali dati ha raccolto e perché ritiene necessario un intervento umano.
Il valore non risiede quindi soltanto nell’automazione dell’ultimo passaggio, ma soprattutto nella capacità di ridurre tutto il lavoro necessario per arrivare a quella decisione.
Dare autonomia all’AI significa definire nuovi confini
Se un chatbot fornisce una risposta sbagliata, il problema può essere significativo. Se un agente esegue un’azione sbagliata su un sistema aziendale, le conseguenze possono esserlo molto di più.
Per questo motivo la domanda più importante non dovrebbe essere semplicemente “quanto è intelligente questo modello?”, ma piuttosto “che cosa siamo disposti a permettergli di fare?”.
Un agente che può soltanto consultare informazioni presenta un profilo di rischio molto diverso da uno autorizzato a modificare un ordine, approvare una richiesta, inviare una comunicazione a un cliente o avviare una transazione. La progettazione di questi sistemi richiede quindi una gestione estremamente precisa delle autorizzazioni, dei livelli di autonomia e dei punti nei quali deve necessariamente intervenire una persona.
In alcuni casi l’agente potrà agire autonomamente soltanto sotto determinate soglie economiche; in altri potrà preparare un’operazione senza poterla confermare; in altri ancora potrà eseguire automaticamente soltanto le attività per le quali il livello di confidenza supera una soglia definita. Il principio fondamentale è che l’autonomia non dovrebbe essere considerata una proprietà assoluta dell’agente, ma una caratteristica progettuale del processo nel quale viene inserito.
Sapere cosa ha fatto l’AI diventa essenziale
Quando un sistema può agire, la tracciabilità non è più un requisito accessorio.
È necessario poter ricostruire quali informazioni siano state utilizzate, quali sistemi siano stati interrogati, quali decisioni siano state prese, quali regole abbiano contribuito a determinarle e quali azioni siano state successivamente eseguite. Nei contesti più regolamentati diventa inoltre fondamentale distinguere chiaramente ciò che è stato deciso autonomamente dal sistema da ciò che è stato approvato o modificato da un operatore.
Questo significa progettare l’Agentic AI insieme a un adeguato sistema di logging, audit trail, gestione delle identità e controllo degli accessi. Significa anche evitare un errore piuttosto comune: concentrare tutta l’attenzione sulla qualità del modello e considerare l’architettura circostante come un semplice dettaglio implementativo.
In un’applicazione enterprise, invece, è spesso vero il contrario. Il modello è soltanto uno dei componenti; la qualità complessiva della soluzione dipende soprattutto dal modo in cui vengono governate le sue interazioni con dati, persone e sistemi.
Non tutto deve diventare agentico
La disponibilità di una nuova tecnologia porta spesso con sé la tentazione di utilizzarla ovunque, ma molti processi aziendali non hanno alcun bisogno di un agente AI.
Se un’attività segue regole precise, deterministiche e facilmente formalizzabili, un workflow tradizionale rimane spesso più semplice, economico e prevedibile. Non avrebbe molto senso affidare a un modello probabilistico una decisione che può essere rappresentata perfettamente attraverso una regola certa.
L’Agentic AI diventa invece interessante quando il processo richiede interpretazione, quando le informazioni sono destrutturate, quando il percorso da seguire dipende da ciò che emerge durante l’esecuzione o quando una persona dedica molto tempo a raccogliere e correlare informazioni prima di poter prendere una decisione.
La vera capacità progettuale consiste quindi nel capire dove utilizzare regole deterministiche, dove introdurre modelli di AI, dove concedere autonomia agli agenti e dove mantenere invece il controllo umano. In molti casi la soluzione migliore sarà inevitabilmente ibrida.
L’Agentic AI non elimina il software: lo rende ancora più importante
Può essere facile immaginare un futuro nel quale gli agenti sostituiscano progressivamente le applicazioni tradizionali. Nel breve e medio periodo è probabilmente più realistico aspettarsi il contrario: gli agenti avranno bisogno di sistemi solidi con cui interagire.
Un agente può interrogare un ERP, ma se le anagrafiche sono incoerenti continuerà a lavorare su informazioni incoerenti. Può consultare un CRM, ma se i dati non vengono aggiornati non potrà ricostruire correttamente il contesto. Può avviare un workflow, ma soltanto se esistono API, autorizzazioni e processi sufficientemente strutturati da consentirgli di farlo in sicurezza.
L’arrivo dell’Agentic AI rende quindi ancora più importanti temi che le aziende affrontano da anni: qualità dei dati, integrazione applicativa, API, gestione delle identità, osservabilità, sicurezza e governance.
L’intelligenza del modello non può compensare indefinitamente la fragilità dell’ecosistema nel quale viene inserito.
Dalla sperimentazione alla progettazione dei processi
Nei prossimi anni probabilmente vedremo moltissime sperimentazioni basate su agenti AI e, come accaduto con altre tecnologie, non tutte produrranno un reale valore aziendale. La differenza tra una demo impressionante e un sistema realmente utilizzabile in produzione sarà determinata soprattutto dalla capacità di integrare l’AI all’interno dei processi senza perdere controllo, sicurezza e responsabilità.
Per le aziende la domanda da porsi non è quindi semplicemente dove sia possibile utilizzare un agente, ma quali attività oggi richiedano interpretazione, ricerca di informazioni e decisioni ripetitive che potrebbero essere delegate, almeno parzialmente, a un sistema intelligente.
È da questi processi che conviene partire, definendo con precisione quali strumenti l’agente possa utilizzare, quali azioni possa eseguire autonomamente, quando debba chiedere conferma e quali informazioni debbano essere registrate per rendere ogni operazione verificabile.
In lab51 affrontiamo l’Intelligenza Artificiale proprio da questa prospettiva: non come una tecnologia da aggiungere a un’applicazione per seguire una tendenza, ma come un nuovo componente da inserire con criterio all’interno dell’architettura e dei processi aziendali. Se vuoi capire dove l’Agentic AI può produrre un vantaggio concreto nella tua organizzazione, possiamo partire dall’analisi dei processi e dei sistemi esistenti, individuando insieme dove abbia realmente senso introdurre automazione intelligente e con quale livello di autonomia.
