Agenti AI per aziende: cosa sono, cosa possono fare davvero e quando usarli

Se negli ultimi mesi hai sentito parlare di «agenti AI» e non hai capito bene cosa siano, non è colpa tua. Il termine viene usato per indicare cose molto diverse: un assistente che risponde a domande, un flusso automatico che aggiorna un gestionale, un sistema che lavora per ore su un compito complesso. Alcuni fornitori lo applicano a prodotti che fino a un anno prima chiamavano diversamente.

Sotto il rumore però c'è una differenza reale, e riguarda le decisioni aziendali più che la tecnologia. Un assistente AI ti aiuta a produrre qualcosa. Un agente è progettato per portare avanti un compito attraverso più passaggi, usando strumenti a cui è stato collegato e — se autorizzato — compiendo azioni su sistemi reali.

In questa guida vediamo cosa distingue un agente da un chatbot e da una normale automazione, cosa può fare oggi in azienda, dove serve una persona e — soprattutto — quando conviene e quando è meglio lasciar perdere.

Cosa sono gli agenti AI

Partiamo da una cosa che raramente viene detta: non esiste una definizione condivisa di cosa sia un agente AI. Non è un'opinione, è quello che scrivono gli stessi laboratori che li costruiscono: chi fa ricerca sul tema riconosce apertamente che una definizione univoca non c'è, e che il termine viene usato con confini diversi da azienda ad azienda.

Una formulazione operativa utile, adottata da Anthropic nella propria ricerca sul tema, è semplice: un agente è un sistema AI dotato di strumenti che gli permettono di compiere azioni. Eseguire una ricerca, leggere un file, interrogare un database, chiamare un altro servizio, scrivere in un sistema aziendale.

Da qui deriva la conseguenza che conta per chi deve decidere. Le capacità operative di un agente non dipendono solo dal modello: dipendono anche dagli strumenti a cui è collegato, dai permessi che ha, dai dati disponibili e da come il sistema è stato progettato. Lo stesso modello, senza strumenti, è un assistente che scrive testo; collegato agli strumenti giusti e con i permessi giusti, può portare a termine un compito operativo. Il modello resta importante — è quello che interpreta la richiesta e sceglie il passaggio successivo — ma da solo non basta a spiegare cosa un sistema riesce a fare nel mondo esterno.

E c'è un secondo punto che vale la pena tenere presente, perché smonta la maggior parte del marketing sul tema: «agentico» non è un interruttore acceso o spento. Non esiste una frontiera netta fra sistemi agentici e non agentici — esistono gradi diversi di autonomia, e il grado dipende anche da come tu configuri il sistema. La ricerca su questi temi lo dice in modo esplicito: l'autonomia non è una caratteristica fissa del modello, è una proprietà del modo in cui viene messo in funzione.

Perché oggi se ne parla così tanto

Due cose sono cambiate rispetto a un paio di anni fa.

La prima è tecnica: i modelli sono diventati più capaci di gestire compiti a più passaggi senza perdere il filo, e sono nati modi standardizzati per collegarli a strumenti esterni. Prima ogni integrazione era un lavoro su misura; oggi collegare un modello a un sistema aziendale è un problema più ordinario.

La seconda è commerciale: praticamente ogni fornitore di software ha aggiunto la parola «agente» al proprio catalogo. Questo ha due effetti opposti — ha reso la tecnologia molto più accessibile, e ha reso molto più difficile capire cosa un prodotto faccia realmente.

Un dato aiuta a inquadrare dove gli agenti sono effettivamente usati oggi. Nei dati della propria API pubblica analizzati da Anthropic, lo sviluppo software rappresentava circa la metà dei tool call agentici osservati: è un campione parziale, ma il motivo di quella concentrazione dice qualcosa di utile anche a chi non scrive codice. Il software è un campo in cui l'output si può testare facilmente. Puoi eseguire il codice e vedere se funziona. Negli ambiti dove verificare il risultato richiede la stessa competenza necessaria a produrlo, la fiducia si costruisce più lentamente — ed è una buona ragione per essere prudenti su dove si parte.

Assistente, automazione, agente: un continuum

È la parte che conviene chiarire prima di tutto il resto, perché le tre categorie vengono spesso confuse.

Un assistente AI riceve una richiesta e produce un risultato: un testo, una sintesi, una risposta, un'analisi di un file che gli fornisci. Gli assistenti moderni possono anche usare strumenti — cercare sul web, leggere documenti, in alcuni casi compiere sequenze di passaggi — quindi il confine con la categoria successiva non è netto.

Un'automazione tradizionale esegue una sequenza definita da te: quando arriva un modulo, salva il contatto nel CRM e invia un'email di conferma. È deterministica: dati gli stessi input, fa sempre la stessa cosa. Non interpreta, non decide, non sbaglia in modo creativo.

Un workflow agentico riceve un obiettivo e decide — entro i limiti che gli hai dato — quali passaggi compiere e quali strumenti usare. Può recuperare informazioni, valutare l'esito di un passaggio, cambiare approccio, fermarsi.

E qui arriva il punto che quasi nessun articolo sul tema dice: un'automazione deterministica è spesso la scelta migliore. Se il processo è stabile e descrivibile con poche regole, aggiungere un modello generativo significa aggiungere costo, variabilità e un punto in più in cui qualcosa può interpretare male. Non è progresso: è complicazione.

Da cosa dipende ciò che un agente può fare

Questa sezione risponde alla domanda che le aziende fanno più spesso — «ma quindi può gestire i nostri ordini?» — e la risposta non riguarda soltanto l'intelligenza del modello.

Un agente può agire sui tuoi sistemi solo attraverso gli strumenti a cui è stato collegato. Un modello linguistico non ha accesso automatico al tuo CRM, alla tua casella di posta, al tuo gestionale o al tuo e-commerce: ogni collegamento va configurato esplicitamente e autorizzato.

Da questo derivano quattro condizioni pratiche.

Gli strumenti. Database, CRM, calendario, email, documenti, sistemi interni, piattaforme e-commerce. Se un sistema non è collegato, per l'agente non esiste.

I permessi. E qui vale un principio semplice: un agente dovrebbe ricevere solo i permessi necessari al compito che ha. Un agente che deve leggere lo stato degli ordini non ha bisogno di poterli cancellare, di modificare i prezzi o di emettere rimborsi. Sembra ovvio, ed è il controllo che viene saltato più spesso.

I dati. Se le informazioni nei sistemi sono incomplete o disordinate, l'agente lavorerà su quelle. Nessun modello compensa un CRM tenuto male.

Le verifiche prima di collegare. Il momento in cui colleghi un agente a email, CRM, documenti o dati dei clienti è il momento in cui hai delle cose da controllare, e conviene farlo prima: quali dati vengono effettivamente inviati al servizio, quali sistemi l'agente può leggere e quali può modificare, quali impostazioni di conservazione dei dati sono disponibili, quale prodotto e quale piano stai usando, cosa prevedono le condizioni contrattuali applicabili e le vostre policy interne. Non sono domande da specialisti: sono le stesse che porresti prima di dare a un fornitore esterno l'accesso ai tuoi sistemi.

Cosa può fare in azienda: quattro esempi

Esempi illustrativi, con la sequenza dei passaggi e il punto in cui entra una persona.

1. Prima qualifica di una richiesta commerciale

1. Legge il messaggio arrivato dal modulo del sito.
2. Identifica prodotto o servizio richiesto e settore del richiedente.
3. Recupera dal CRM se il contatto è già noto e cosa è stato detto in passato.
4. Prepara una bozza di risposta e una scheda di sintesi per il commerciale.
5. Assegna il caso a una persona, oppure invia la risposta se il workflow lo prevede e la richiesta rientra in casi già validati.

Il valore non è «scrivere l'email»: è che i passaggi 2, 3 e 4 avvengono prima che una persona apra il messaggio.

2. Assistenza su un ordine e-commerce

1. Riceve la richiesta di un cliente su una spedizione.
2. Consulta l'ordine, lo stato di spedizione, la disponibilità del prodotto.
3. Individua il caso: ritardo, prodotto errato, richiesta di cambio.
4. Prepara la risposta con le informazioni verificate.
5. Esegue solo le azioni a basso rischio già autorizzate; per un rimborso o una modifica dell'ordine chiede conferma.

3. Preparazione di un report ricorrente

1. Raccoglie i dati da più fonti collegate.
2. Verifica che i periodi coincidano e segnala i dati mancanti.
3. Calcola le variazioni rispetto al periodo precedente.
4. Prepara una bozza commentata e segnala gli scostamenti anomali invece di spiegarli.
5. La lettura e le conclusioni restano a chi conosce il contesto.

4. Instradamento di documenti in arrivo

1. Legge i documenti che arrivano su una casella dedicata.
2. Li classifica per tipo.
3. Estrae i dati chiave.
4. Li archivia nella cartella corretta e apre la voce nel sistema.
5. Mette in una coda a parte ciò che non riesce a classificare con sicurezza.

Nota che in tutti e quattro i casi la parte automatizzata è la raccolta e la preparazione, e il punto di decisione resta identificabile. È la configurazione che regge meglio la prova dei fatti.

Le tre soluzioni a confronto

Le tre categorie non sono compartimenti stagni: molti prodotti stanno in mezzo, e un buon sistema aziendale spesso ne combina più di uno — un'automazione deterministica per i passaggi certi, un tratto agentico dove serve interpretazione.

Sottotitolo: Quattro domande, in ordine. La prima è quella che fa risparmiare più soldi.

1. Il processo segue sempre le stesse regole? → Sì: un'automazione tradizionale probabilmente basta. È più prevedibile, più economica e più facile da controllare. → No: continua.

2. Richiede interpretazione e più passaggi? → Sì: è il terreno in cui un workflow agentico può avere senso. → No: probabilmente stai cercando un assistente, non un agente.

3. Deve agire su sistemi esterni? → Sì: servono strumenti collegati e permessi definiti. Solo i permessi necessari. → No: il perimetro è più semplice — prepara, non esegue.

4. Le azioni sono sensibili o difficili da annullare? → Sì: conferma umana prima dell'azione, o limiti che la rendono impossibile. → No: l'esecuzione autonoma può essere ragionevole, con tracciabilità.

Riquadro conclusivo: La domanda 1 è quella che salva più budget. La 4 è quella che salva più problemi.

Didascalia: Nessuna di queste risposte è definitiva: sono il modo per capire di cosa hai bisogno prima di scegliere uno strumento.

Dove entra la persona

Il controllo umano non è una nota a piè di pagina: è una scelta di progettazione, e ha più configurazioni possibili.

• L'agente propone. Prepara qualcosa, una persona decide.
• L'agente prepara ed esegue dopo approvazione. Il caso più comune per le azioni che si vedono all'esterno.
• L'agente esegue autonomamente le azioni a basso rischio. Aggiornare un campo, archiviare un documento, mandare un promemoria interno.
• L'agente segnala le eccezioni. Fa ciò che sa fare e passa a una persona quello che non rientra nei casi previsti.

Non esiste il livello giusto in assoluto: il livello ragionevole dipende dal rischio dell'azione, e più un'azione è costosa, irreversibile o visibile al cliente, più ha senso metterci un controllo.

Una cosa vale la pena dirla perché va contro l'intuizione comune. Nei dati su Claude Code analizzati da Anthropic, gli utenti più esperti tendono a concedere più autonomia sui passaggi ordinari e a intervenire più spesso quando serve — non meno: passano dall'approvare ogni azione al monitorare e correggere. È un dato che riguarda un prodotto specifico e un pubblico tecnico, quindi non è una regola universale, ma indica una direzione utile: il punto non è approvare ogni singola azione, è essere in condizione di accorgersi e intervenire quando conta.

C'è anche un aspetto meno noto: una parte della supervisione arriva dal sistema stesso. Un agente ben configurato si ferma quando la richiesta è ambigua, quando manca un dato, quando non ha i permessi per procedere. Nelle stesse sessioni analizzate, sui compiti più complessi questo tipo di stop risultava più frequente delle interruzioni decise dalla persona. Che un sistema sappia fermarsi è una caratteristica da valutare, non un difetto.

Cosa può andare storto

Dire «gli agenti allucinano» è vero e inutile, perché mette insieme problemi diversi che si risolvono in modi diversi.

• Errore del modello. Un'informazione inventata, un'interpretazione sbagliata di una richiesta chiara.
• Dato mancante o sbagliato. L'agente lavora su un CRM incompleto e arriva a una conclusione coerente con dati non affidabili.
• Strumento che risponde male. Un'integrazione restituisce un errore o un risultato inatteso, e il flusso va avanti come se nulla fosse.
• Istruzione ambigua. L'obiettivo che gli hai dato si può interpretare in due modi, e ne ha scelto uno.
• Permessi insufficienti. Si blocca a metà, o completa il compito solo parzialmente.
• Risultato tecnicamente corretto ma sbagliato per il business. Il caso più insidioso: ha fatto esattamente quello che gli hai chiesto, e quello che gli hai chiesto non era quello che ti serviva.

Il punto strutturale è questo: un workflow a più passaggi ha più punti in cui qualcosa può andare storto rispetto a una singola risposta. Non è un argomento contro gli agenti — è la ragione per cui vanno testati come un processo e non giudicati da una demo.

Come si valuta prima di affidargli qualcosa

Una demo riuscita non dice quasi nulla. Prima di mettere un agente su un processo reale conviene provarlo su:

• casi normali, quelli che rappresentano la maggior parte del volume;
• casi limite, quelli strani ma possibili;
• input incompleti, perché nella realtà arrivano;
• errori degli strumenti, spegnendo un'integrazione per vedere cosa fa;
• le azioni effettivamente eseguite, non solo il risultato finale dichiarato.

E servono due cose che spesso vengono aggiunte troppo tardi: tracciabilità di cosa ha fatto e quando, e criteri espliciti per fermarsi — quali condizioni fanno passare il caso a una persona.

Quando un agente ha senso

Il processo si presta quando:

• ha un obiettivo identificabile, non «aiutaci a essere più efficienti»;
• richiede più passaggi, non uno;
• contiene variabilità: i casi non sono tutti identici, ma appartengono a una famiglia riconoscibile;
• richiede di consultare più fonti o strumenti;
• non è descrivibile con poche regole deterministiche — se lo è, la regola è meglio;
• produce un risultato verificabile, così puoi capire se ha funzionato;
• consente di definire limiti e condizioni di arresto.

Non sono requisiti da soddisfare tutti. Sono i segnali che, quando ci sono, rendono l'investimento sensato.

Quando è una complicazione inutile

Sezione più importante della precedente, perché è quella che fa risparmiare.

• Il processo è semplicissimo. Un modulo che deve finire in un foglio non ha bisogno di un agente.
• Un'automazione tradizionale risolve il problema. Costa meno, è prevedibile, si controlla meglio.
• Il risultato deve essere deterministico. Calcoli, adempimenti, importi: dove la risposta deve essere sempre identica, la variabilità è un difetto.
• Un errore avrebbe conseguenze sproporzionate. Se sbagliare una volta costa più del beneficio di cento volte giuste, il conto non torna.
• Non ci sono dati o sistemi affidabili. Senza integrazioni e senza dati puliti, l'agente non ha niente su cui lavorare.
• Non è chiaro quale risultato debba ottenere. Il problema è a monte, e nessun sistema lo risolve.
• La supervisione costa più del lavoro risparmiato. Succede più spesso di quanto si creda, soprattutto quando l'output va comunque riletto per intero.

Il conto che conviene fare prima

C'è un aspetto che nelle valutazioni entra sempre troppo tardi. Un workflow con molti passaggi può costare più di una singola interazione con un modello: ogni passaggio consuma, e a questo si aggiungono gli strumenti e i servizi che l'agente utilizza, la configurazione iniziale, la manutenzione quando qualcosa cambia nei sistemi collegati e il tempo di chi lo supervisiona.

È un punto su cui la ricerca di Anthropic è esplicita: i sistemi agentici scambiano spesso latenza e costo in cambio di prestazioni migliori sui compiti, e conviene chiedersi quando questo scambio abbia senso — a volte la risposta è non costruire un sistema agentico affatto.

Tradotto in criterio: il beneficio ottenuto deve giustificare anche il costo di esecuzione, manutenzione e supervisione, non solo quello di partenza. È il conto che può far scoprire che un progetto non vale la complessità che introduce, e vale la pena farlo prima e non dopo.

Come partire senza complicarsi la vita

Tre indicazioni che valgono più di qualunque scelta di strumento.

Parti da un processo che conosci bene. Devi essere in grado di riconoscere un risultato sbagliato al primo sguardo. Se non sai giudicare l'output, non sei nella posizione di supervisionare.

Comincia dalla preparazione, non dall'esecuzione. Nella prima fase l'agente raccoglie, classifica, prepara — e una persona decide. È il modo più rapido di capire se il sistema è affidabile senza rischiare nulla di irreversibile.

Allarga i permessi dopo, non prima. Sempre solo quelli necessari al compito del momento. Ogni ampliamento è una decisione, non un'impostazione predefinita.

Se stai ancora valutando dove l'AI possa esserti utile in generale, prima degli agenti ha senso guardare gli usi più diretti: ne abbiamo raccolti diversi in come usare ChatGPT nella tua azienda, e una panoramica degli strumenti disponibili è in i migliori strumenti di intelligenza artificiale per aziende.

Come leggerla. Le prime tre voci decidono se il progetto ha senso: se la terza non è soddisfatta, la risposta è un'automazione e hai risparmiato tempo e soldi. Le voci su strumenti, dati, condizioni e permessi decidono se è realizzabile. Le ultime tre decidono se sarà sostenibile nel tempo — e sono quelle che vengono rimandate più spesso.

In conclusione

Gli agenti AI non sono dipendenti digitali: dietro l'etichetta esiste una classe concreta di sistemi che collega modelli, strumenti e permessi per portare avanti compiti a più passaggi. Quanto possano operare in autonomia dipende dal modello, dal modo in cui il sistema è progettato e dai limiti e controlli che scegli di applicare — e quei limiti vanno scelti in base al rischio di ciò che possono fare.

La domanda giusta non è «come introduciamo un agente in azienda». È: quale processo abbiamo, con più passaggi e un risultato verificabile, dove interpretare i casi ha valore e sbagliare non è drammatico? Se una risposta c'è, vale la pena partire da lì. Se non c'è, la cosa più utile è aspettare — o sistemare il processo, che spesso è il vero lavoro.

Sul contesto più ampio di come questi strumenti stanno cambiando il lavoro abbiamo scritto in come l'intelligenza artificiale sta cambiando il mondo del lavoro.

Continua la lettura

Mondo AI

I migliori strumenti di intelligenza artificiale per aziende

Mondo AI

ChatGPT in azienda: come usarlo davvero

Mondo AI

Come l’intelligenza artificiale sta cambiando il mondo del lavoro