Agenti AI per aziende che eseguono azioni reali, entro limiti chiari

Cosa sono gli agenti AI per aziende e in cosa differiscono dai chatbot?

Un chatbot risponde a una domanda; un agente porta a termine un'attività. Chieda a un chatbot del contratto di un cliente e troverà la clausola pertinente. Chieda a un agente di preparare un dossier di rinnovo e recupererà il contratto da SharePoint, l'utilizzo dal database di prodotto, i ticket aperti da Zendesk e le e-mail recenti da HubSpot, poi scriverà il dossier e lo archivierà nel record del rinnovo.

La differenza conta per il rischio. Un chatbot che sbaglia dà una risposta errata che si può ignorare. Un agente che sbaglia può modificare un record, inviare un'e-mail o creare un ordine d'acquisto. Per questo lo sviluppo di agenti riguarda soprattutto i limiti attorno al modello, più che il modello stesso.

Quali attività si prestano a un agente IA?

I buoni candidati si ripetono spesso, richiedono di cercare informazioni in più punti e si concludono con una decisione che una persona può verificare in fretta. I cattivi candidati sono rari, ad alto rischio o impossibili da verificare.

Uno dei nostri casi studio rientra bene in questo schema: per una società di consulenza in sourcing e qualità dei fornitori abbiamo realizzato due strumenti che trovano fornitori candidati e applicano automaticamente le regole di screening del cliente, con un risparmio di tempo dell'85% e di costi del 91% sullo scouting dei fornitori. Si trattava di una ricerca in più passaggi con criteri chiari alla fine, ed è proprio lì che gli agenti si ripagano.

• Ricerca e qualificazione degli account in entrata prima che chiami un commerciale.
• Dossier di rinnovo e revisione degli account assemblati da più sistemi.
• Ricerca di fornitori secondo regole di screening scritte.
• Riconciliazione dei record tra CRM, ERP e fogli di calcolo.
• Analisi dei ticket che raccoglie log e cronologia prima dell'intervento di un tecnico.

Come si costruisce un agente IA: strumenti, permessi e memoria?

Ogni agente è un modello, più un insieme definito di strumenti, più le regole che li circondano. Gli strumenti sono funzioni circoscritte: cercare aziende, recuperare un contatto dall'e-mail, leggere un PDF, creare una nota in bozza. Li scriviamo uno per uno con validazione degli input, così il modello non può richiamare un'API in modi non previsti.

Gli strumenti di lettura sono di solito liberi; quelli di scrittura sono controllati. Creare una bozza o un'attività è spesso consentito direttamente, mentre inviare un'e-mail, modificare l'importo di un'opportunità o creare un ordine d'acquisto attende un'approvazione. La memoria è volutamente ridotta: gli appunti di lavoro dell'attività più i record recuperati per questa esecuzione, non un archivio in continua crescita difficile da verificare.

Per l'orchestrazione usiamo LangGraph o Python quando la logica è complessa, i nodi agente di n8n quando il team vuole vedere e modificare il flusso, e MCP quando permette ai suoi sistemi esistenti di esporre strumenti in modo pulito. Negli ambienti AWS Bedrock AgentCore è un'opzione, e le aziende che lavorano con Microsoft possono usare Copilot Studio dove i suoi connettori sono adatti.

Come si impedisce a un agente di fare la cosa sbagliata?

Con controlli a più livelli che non dipendono dal buon comportamento del modello. Il modello propone; il codice decide cosa è consentito.

Ogni agente ha un numero massimo di passaggi e un tetto di spesa per attività, superati i quali si ferma e riporta fin dove è arrivato. Le azioni di scrittura sopra una certa soglia richiedono l'approvazione umana su Slack, Teams o in una schermata di revisione. Tutti i prompt, le chiamate agli strumenti, i risultati e le decisioni vengono registrati, così un revisore può ricostruire esattamente perché l'agente ha fatto qualcosa. Un interruttore di emergenza sospende l'agente su tutte le esecuzioni e ogni modifica di prompt o strumenti può essere riportata alla versione precedente.

• Elenco esplicito degli strumenti consentiti per ogni agente.
• Approvazioni obbligatorie sulle scritture che toccano denaro, clienti o dati regolamentati.
• Limiti di passaggi e tetti di spesa per attività.
• Log completi di prompt, chiamate agli strumenti e output.
• Interruttore di emergenza e rollback per versioni.

Perché così tanti progetti di agenti vengono cancellati?

Soprattutto perché erano stati definiti in modo troppo ampio e controllati in modo troppo blando. Nel giugno 2025 Gartner ha previsto che oltre il 40% dei progetti di IA agentica sarà cancellato entro la fine del 2027 per costi, valore poco chiaro o controlli del rischio deboli, e ha messo in guardia dall'agent washing, ovvero l'automazione ordinaria rietichettata come agente.

Lo evitiamo in tre modi. Partiamo da un'attività con un prima e un dopo misurabili. Verifichiamo se un semplice workflow farebbe il lavoro, perché un'automazione a percorso fisso costa meno ed è più facile da considerare affidabile quando i passaggi non cambiano mai. E costruiamo tetti di spesa, approvazioni e log prima che l'agente abbia qualsiasi accesso ai sistemi reali, non dopo che qualcosa è andato storto.

Come si testa lo sviluppo di un agente IA prima del lancio?

Riproduciamo attività reali passate. Per ciascuna registriamo come appare un buon risultato, eseguiamo l'agente in una sandbox o in sola lettura e valutiamo sia il risultato finale sia il percorso seguito (se ha usato gli strumenti giusti, in un ordine sensato, entro il budget).

Dopo il lancio l'agente lavora prima in modalità ombra o con approvazione: propone le azioni e una persona accetta o rifiuta ciascuna. I tassi di accettazione per tipo di attività mostrano dove si può lasciare che l'agente agisca direttamente e dove l'approvazione deve restare permanente.