Agenti AI: non servono corsi, serve sapere dove metterli
Per anni l’intelligenza artificiale è stata presentata alle aziende soprattutto come uno strumento per aiutare le persone a lavorare meglio: scrivere più velocemente, riassumere documenti, cercare informazioni, preparare una presentazione. Ora sta succedendo qualcosa di diverso. Gli agenti AI non si limitano ad assistere una persona: possono ricevere un obiettivo, pianificare una sequenza di attività, utilizzare dati e applicazioni aziendali e arrivare a compiere azioni con un livello crescente di autonomia.
È un passaggio enorme. Ma cambia anche la domanda che dovrebbe porsi un’azienda. Non più soltanto: “Quale agente AI possiamo usare?”. La domanda vera diventa: “In quale processo possiamo affidargli una parte del lavoro senza creare un nuovo problema?”.
Il tema è già attuale. Nell’indagine McKinsey The State of AI 2026, la quota delle grandi organizzazioni, quelle con oltre un miliardo di dollari di fatturato, che dichiarano di stare scalando l’uso di agenti AI è salita dal 27% al 40% in un solo anno. L’adozione corre. Ma il passaggio dall’adozione al valore economico è molto meno automatico. Gartner ha previsto che oltre il 40% dei progetti di AI agentica avviati oggi potrebbe essere cancellato entro la fine del 2027 per costi crescenti, valore poco chiaro o controlli insufficienti. Nel 2026 ha aggiunto che entro il 2027 il 40% delle imprese potrebbe ridimensionare o dismettere agenti autonomi a causa di lacune di governance emerse dopo l’entrata in produzione.
Non è una bocciatura degli agenti AI. È un avvertimento: la tecnologia sta maturando più velocemente della capacità di molte organizzazioni di inserirla correttamente nei propri processi.
Assistenti e agenti: il salto che cambia il rischio
La differenza tra un assistente AI e un agente AI è fondamentale. Un assistente AI (come ChatGPT, Gemini, Claude, etc) lavora accanto alla persona. Gli si consegna una richiesta, un documento o un problema e restituisce un risultato che qualcuno deve interpretare e utilizzare. L’agente AI fa un passo ulteriore: riceve un obiettivo e può eseguire autonomamente una serie di attività necessarie per raggiungerlo, interagendo con sistemi e dati aziendali.
Questo significa che cambia anche la natura dell’errore. Con un assistente, nella maggior parte dei casi, l’errore rimane davanti agli occhi di chi lo utilizza. Con un agente, l’errore può entrare direttamente nel processo e continuare a propagarsi.
Pensiamo a una banca che deve valutare una richiesta di fido. Un assistente AI può aiutare il credit analyst a leggere un bilancio, confrontare i dati e preparare più rapidamente la nota istruttoria. La decisione resta però nelle mani della persona. Un agente AI potrebbe invece raccogliere la documentazione, verificare le informazioni disponibili, applicare le regole previste e predisporre l’istruttoria.
Ora immaginiamo che interpreti male un indice di bilancio o applichi in modo errato una garanzia. Il problema non è più una risposta sbagliata. È una decisione sbagliata inserita nel processo, che potrebbe essere scoperta molto tempo dopo.
Nel settore assicurativo la logica è ancora più immediata. Un assistente può leggere una perizia, sintetizzare la documentazione, estrarre i dati utili e preparare una proposta per il liquidatore. Un agente può ricevere la denuncia, verificare i documenti, applicare le regole, calcolare un importo e, in determinate condizioni, arrivare a disporre il pagamento.
Se interpreta male una franchigia o non rileva uno scoperto, non stiamo più discutendo della qualità di una risposta generata dall’AI. Stiamo parlando di denaro che può uscire dall’azienda.
La parte più insidiosa è che l’agente non necessariamente “sa” di aver sbagliato. Può produrre un risultato formalmente ordinato, coerente e convincente anche quando contiene un errore. McKinsey rileva che il 51% delle organizzazioni che utilizzano l’AI ha avuto almeno una conseguenza negativa e indica l’inesattezza come la causa più frequente tra quelle riportate.
Il problema, quindi, non è soltanto quanto spesso un agente sbaglia. È quanto costa all’organizzazione scoprire l’errore.
Il controllo può mangiarsi il risparmio
È qui che molte valutazioni economiche sull’AI rischiano di diventare troppo semplici. Si misura quanto tempo impiega la macchina, ma non sempre quanto tempo serve alle persone per controllarla.
Supponiamo che un agente completi una pratica in tre minuti invece dei quindici necessari a un operatore. Il risultato sembra straordinario. Ma se per essere sicuro del risultato l’operatore deve poi verificare ogni dato, rifare alcuni calcoli, controllare le eccezioni e correggere una parte significativa delle pratiche, il vantaggio può ridursi drasticamente.
L’automazione non ha eliminato il lavoro. Lo ha spostato. E in alcuni casi lo ha raddoppiato.
Questo è uno dei punti centrali da capire quando si parla di agenti AI: non basta chiedersi se una macchina può svolgere un’attività. Bisogna capire se l’organizzazione può controllarne il risultato in modo rapido, affidabile ed economicamente sostenibile.
Se il controllo richiede quasi lo stesso tempo dell’esecuzione manuale, il processo non è davvero automatizzato. È lo stesso lavoro svolto in due fasi diverse.
L’aviazione aveva già capito il problema
Per capire il principio basta guardare all’aviazione. Nel 2013 la FAA pubblicò il SAFO 13002, richiamando l’attenzione sulla necessità di mantenere adeguate capacità di volo manuale perché un’eccessiva dipendenza dall’automazione poteva ridurre la prontezza dei piloti quando il sistema veniva meno in situazioni anomale.
La lezione non è che l’automazione non funzioni. È che funziona bene quando sono chiari i suoi limiti, le condizioni d’uso e il ruolo della persona che deve intervenire quando qualcosa esce dallo schema previsto.
È un principio perfettamente trasferibile agli agenti AI. La domanda non dovrebbe essere soltanto “Può farlo?”, ma anche “Quando può farlo da solo?”, “Quando deve fermarsi?”, “Chi prende il controllo?” e “Come ci accorgiamo che qualcosa è andato storto?”.
Prima il processo, poi l’agente
È qui che dovrebbe cambiare l’approccio aziendale all’AI. Molte iniziative partono dalla tecnologia: quale piattaforma scegliere, quale modello utilizzare, quale agente sperimentare. Con gli agenti AI la sequenza dovrebbe essere rovesciata.
Prima il processo. Poi la tecnologia.
Gli agenti possono essere molto efficaci nei compiti ad alta frequenza, relativamente standardizzati e a basso rischio, soprattutto quando il risultato è facile da controllare: smistare documenti, verificare che una pratica sia completa, estrarre informazioni, preparare bozze, compilare schede o avviare attività ripetitive.
Il discorso cambia quando l’agente entra nel punto in cui un’organizzazione prende una decisione. Qui bisogna analizzare il processo dall’inizio alla fine: quali informazioni entrano, quali regole vengono applicate, dove sono le eccezioni, quali decisioni possono essere standardizzate, quali richiedono giudizio e quali errori sono facilmente reversibili.
Gartner raccomanda di perseguire l’AI agentica dove esiste un valore o un ritorno sull’investimento chiaro e sottolinea la necessità di ripensare i workflow, soprattutto quando l’integrazione degli agenti nei sistemi esistenti crea complessità e costi.
Tre domande prima di concedere autonomia
Prima di affidare un’attività a un agente AI, una direzione dovrebbe poter rispondere a tre domande.
Quali operazioni un agente AI può chiudere da solo e quali devono passare a una persona?
Quali controlli possono essere inseriti direttamente nel sistema per bloccare un risultato fuori dai limiti?
Possiamo ricostruire, quando necessario, che cosa ha fatto l’agente, quali informazioni ha utilizzato e quale azione ha compiuto?
La governance non dovrebbe arrivare dopo l’incidente. Gartner ha evidenziato nel 2026 che livelli diversi di autonomia richiedono regole e controlli diversi e che una governance uniforme per tutti gli agenti può creare problemi proprio perché non distingue adeguatamente capacità operative e ambito di accesso.
Misurare prima di automatizzare
Prima di automatizzare, conviene misurare il processo. Il primo parametro è il rapporto tra tempo di esecuzione e tempo di verifica. Il secondo è il tasso di rilavorazione: quante attività devono essere corrette, integrate o rifatte dopo l’intervento dell’agente? Il terzo è il costo dell’errore, perché un documento classificato male non ha lo stesso peso di un pagamento errato, di una decisione di credito o di un’azione non autorizzata.
Questi tre elementi permettono di distinguere i processi realmente adatti all’autonomia da quelli in cui l’AI va utilizzata come assistente e non come decisore.
L’errore può diventare una radiografia dell’organizzazione
C’è però un effetto degli agenti AI che potrebbe rivelarsi molto utile. Costringono le aziende a rendere esplicite regole che per anni sono rimaste nella testa delle persone.
Molti processi funzionano perché qualcuno “sa come si fa”: sa che quel documento va controllato anche se la procedura non lo dice, che una certa eccezione viene trattata in modo diverso o che un dato apparentemente corretto non lo è davvero. Questa conoscenza tacita è preziosa per l’organizzazione, ma difficile da trasferire a una macchina.
Quando l’agente sbaglia sempre nello stesso punto, quel punto può diventare una spia. Può indicare una regola incompleta, un dato incoerente, una responsabilità ambigua o un passaggio che nessuno ha mai realmente formalizzato.
In questo senso gli agenti AI possono fare più che automatizzare: possono mostrare all’azienda dove il processo non è realmente strutturato.
La prossima sfida sarà governare gli agenti
Quando creare un agente sarà semplice, ogni funzione aziendale potrà essere tentata di costruirne uno per il proprio problema. Vendite, customer service, compliance, operation, risorse umane, IT. Il rischio è passare da poche applicazioni AI controllabili a una moltitudine di agenti con autorizzazioni, dati e livelli di autonomia diversi.
Gartner prevede che entro il 2027 il 40% delle imprese potrebbe ridimensionare o dismettere agenti autonomi a causa di lacune di governance emerse dopo incidenti in produzione.
La governance, quindi, non è un ostacolo da aggiungere alla fine. È parte integrante del progetto.
La domanda strategica cambia
Gartner prevede che entro il 2028 almeno il 15% delle decisioni operative quotidiane possa essere assunto autonomamente attraverso l’AI agentica. La direzione è chiara: gli agenti passeranno progressivamente dal suggerire un’azione al compierla.
Proprio per questo, però, il vantaggio competitivo non sarà necessariamente di chi avrà più agenti. Sarà di chi saprà integrarli meglio nei propri processi.
Gli agenti AI saranno sempre più disponibili, sempre più potenti e sempre più facili da utilizzare. La tecnologia tenderà a diventare una commodity. La conoscenza dei processi, invece, resterà una capacità organizzativa.
La domanda decisiva, quindi, non sarà “quale agente AI dobbiamo comprare?”. Sarà: “Quale processo siamo davvero pronti a delegare?”.
Perché gli agenti AI possono far lavorare un’azienda molto più velocemente. Ma possono anche farle commettere gli stessi errori molto più velocemente.
La differenza non la farà soltanto la tecnologia. La farà la capacità di sapere dove metterla.
Se sei interessato ad approfondire il tema degli agenti AI e vuoi capire quali processi della tua organizzazione possono essere automatizzati e quali richiedono ancora un presidio umano, puoi contattarmi liberamente. Sarà un piacere confrontarci.
Commenti