Gli AI Agent rappresentano l’ultima frontiera dell’evoluzione dell’Intelligenza Artificiale. Applicazioni di terza generazione, dopo chatbot e copiloti, dell’AI Generativa che, a differenza dei predecessori, sono in grado di operare in modo autonomo, apprendendo e imparando di continuo dalla propria esperienza. Questi sistemi evoluti integrano l’intelligenza artificiale in ogni, singolo, flusso di lavoro e agiscono come veri e propri colleghi del corrispondente operatore in carne e ossa a cui sono idealmente affiancati.
Molti analisti concordano sul fatto che queste soluzioni impatteranno in modo significativo nel day-by-day delle organizzazioni. Il mercato globale degli agenti AI autonomi, infatti, secondo uno studio recente di MarketsandMarkets, è destinato a crescere a un tasso annuo medio composito del 44,8% da qui al 2030, quando arriverà a superare i 47 miliardi di dollari in valore.
Mercato globale degli AI Agent (previsioni 2024-2030 in mld di dollari)
Cosa sono gli agenti di intelligenza artificiale
Gli operatori autonomi di assistenza segnano un cambiamento profondo nel modo in cui tutti noi interagiamo con l’IA. Si tratta, a conti fatti, di software progettati per interagire e relazionarsi con l’ambiente in cui operano, che in più sanno reperire e rielaborare in tempo reale i dati rilevanti utilizzandoli per svolgere compiti autodeterminati. Gli esseri umani stabiliscono gli obiettivi dell’agente che, però, poi esegue autonomamente la sequenza di azioni funzionali al loro conseguimento senza che sia necessaria alcuna supervisione.
I modelli tradizionali come i chatbot, i concierge e gli assistenti AI analizzano i dati e soddisfano quesiti anche piuttosto complessi. Ma lo fanno in risposta a un’attivazione, ovvero un comando o un prompt impartito dall’operatore umano. Gli AI agent, invece, fanno un ulteriore passo avanti, traducendo la comprensione dei dati in azioni, apprendendo dal contesto e adattandosi per essere sempre più efficaci liberando, quindi, il “collega di lavoro” a cui sono virtualmente abbinati da quella microgestione che è stata il principale ostacolo alla diffusione ancor più pervasiva dell’AI in azienda.
Come funzionano gli agenti AI
Gli AI agent combinano tecnologie di Machine Learning, Deep Learning, Generative AI ed elaborazione del linguaggio naturale (NLP) per “interpretare” il contesto di riferimento, identificare i compiti e le azioni necessarie per raggiungere l’obiettivo assegnato, predisporre un piano d’azione ed eseguirlo.
Nel caso di un agente a servizio del cliente, per esempio, capire dove si trova una determinata spedizione richiede una serie di azioni. Per prima cosa, occorre accedere ai database contenenti le informazioni sull’ordine, come l’ID della spedizione, il metodo e la data di consegna. Poi, occorre interrogare il database del vettore incaricato della spedizione, per fornire la tracciabilità in tempo reale e una data di consegna stimata. L’agente deve anche verificare dove si trova attualmente la spedizione e fornire una stima del tempo che impiegherà per compiere la tappa successiva del viaggio. Infine, potrebbe essere utile accedere anche alle previsioni meteo per comprendere se, per esempio, delle piogge torrenziali si stanno abbattendo lungo il percorso causando probabili ritardi. E trasmettere queste informazioni al cliente.
Tutto questo, l’agente AI è in grado di farlo senza che sia necessaria alcuna richiesta da parte del consumatore o dell’operatore del Customer Care.
L’architettura dei GenAI Agent
Perché siano in grado di lavorare al meglio, è fondamentale che gli assistenti personali autonomi siano “istruiti” definendo a priori quelle che sono di fatto delle vere e proprie regole d’ingaggio:
Utilità: la misura del tasso di raggiungimento degli obiettivi assegnati, solitamente rappresentata da KPI numerici.
Scopo: il ruolo per cui è stato progettato l’AI Agent. Definisce gli obiettivi che deve raggiungere.
Ambito: il contesto, ovvero l’insieme delle informazioni e dei dati di cui l’agente si nutre e di cui ha bisogno per svolgere i propri compiti e a cui attinge a partire da fonti strutturate – ERP, CRM – o non strutturate – file audio, video – interne ed esterne all’azienda – siti web, blog, Social Media.
Compiti: le attività che l’AI Agent può compiere nell’ambito dello scopo assegnato. I compiti sono definiti solitamente da un insieme di istruzioni o sono individuati nell’ambito di un insieme di trigger (ovvero di azioni che avvengono in risposta al verificarsi di una o più condizioni specificate).
Azioni: gli elementi fisici o le interfacce che consentono agli AI Agent di interagire con l’ambiente circostante. L’azione può essere fisica – il movimento di un braccio robotico, di un veicolo a guida autonoma… –; cognitiva – decidere tra diverse opzioni o creare un elenco di possibili interventi – oppure comunicativa – redigere un messaggio di posta elettronica, trascrivere un file audio o fare il debriefing di una riunione.
Percezione: alcuni agenti AI possono utilizzare anche dei sensori – come telecamere smart o microfoni – per recepire le informazioni dall’ambiente che li circonda.
Memoria: la capacità che l’AI Agent ha di immagazzinare informazioni generate da esperienze passate e recuperarle facilmente, utilizzandole per prendere decisioni informate che si adattano al variare del contesto.
Coerenza: gli agenti di intelligenza artificiale sono in grado di seguire processi e procedure prescrittivi, contribuendo ad assicurare uno standard di qualità definito.
Guardrail: i limiti definiti entro cui l’agente può operare in totale autonomia.
Touchpoint: i canali e le applicazioni su cui è abilitato a operare l’agente AI.
Tipologie di agenti IA
Esistono diverse tipologie di AI Agent per come sono state identificate e codificate dai tech vendor e dai principali analisti. Volendo semplificare, le 7 più diffuse sono queste:
- Agenti con riflessi semplici: operano sulla base di un insieme di regole di condizione/azione e reagiscono agli input senza considerare il contesto più ampio.
- Agenti con riflessi model-based: hanno un modello integrato che mappa l’ambiente rilevante per la loro funzione. Questo gli permette di considerare la situazione attuale e gli effetti di varie azioni prima di decidere cosa fare.
- Agenti basati su obiettivi: si basano sulle capacità degli agenti con riflessi ma sono specializzati nel raggiungere gli obiettivi a lungo termine, pianificando le loro azioni di conseguenza.
- Agenti utility-based: detti anche task-based, sono associati a una funzione specifica e sono chiamati da altri agenti a svolgere un compito, come interrogare un database, inviare un’e-mail, eseguire un calcolo o recuperare un documento.
- Agenti conversazionali: interagiscono con il mondo esterno e, nel caso delle applicazioni aziendali, le interazioni sono solitamente limitate agli esseri umani, ma potrebbero essere programmati per relazionarsi anche altri software, dispositivi o apparecchiature digitali. In ambito industriale, ad esempio, gli agenti conversazionali possono interagire con gli ERP industriali o i dispositivi IoT.
- Agenti funzionali, chiamati anche user-proxy, sono associati a una particolare persona o ruolo organizzativo. Esistono AI Agent associati per esempio a un operatore del Customer Service, a uno del Marketing, a un Sales Representative, che eseguono un set di sottoattività sulla base di una specializzazione definita, utilizzando ciascuno strumenti diversi e comunicando tra loro qualora necessario per portare a termine un compito più ampio, tipo quello di aumentare il Customer Lifetime Value di un cliente.
- Agenti gerarchici: si tratta di gruppi di AI Agent organizzati in livelli. Gli agenti più alti in grado suddividono le attività più complesse in task più semplici e li assegnano a quelli di livello più basso, raccogliendo i risultati e coordinandone l’attività.
Esempi di AI Agent
Nel decidere i casi d’uso di questi operatori software, le organizzazioni dovrebbero analizzare i loro punti critici e capire quali sono i ruoli più difficili da coprire nell’attuale mercato del lavoro. Ma anche se ci sono opportunità di mercato identificate ma che, per limiti di carattere organizzativo o di budget, non si è in grado di esplorare. La soluzione più efficace, in questi casi, può essere effettivamente quella di affiancare a un operatore o a un team uno o più agenti AI autonomi. Allo stato attuale, le principali sperimentazioni riguardano gli agenti funzionali e quelli task-based. Si seguito dettagliamo alcuni dei casi d’uso più diffusi in questi due ambiti.
Agenti funzionali
Ecco alcuni esempi di applicazioni di agenti funzionali.
- Agente del recruiter. In ambito HR, esegue compiti che includono la valutazione e documentazione dei requisiti, tipicamente le competenze e l’esperienza del candidato.
- Agente del tecnico sul campo. Fornisce informazioni ai tecnici, automatizza le attività di programmazione degli interventi, offrendo anche supporto nella fase di diagnostica di problemi e guasti.
- Agente addetto ai crediti. Semplifica l’elaborazione dei pagamenti, intraprende azioni per migliorare il flusso di cassa, come l’invio di solleciti, e produce report sul merito creditizio.
- Agente dell’assistenza clienti. Supporta le funzioni di Customer Care fornendo informazioni pertinenti agli agenti in carne e ossa, o direttamente ai clienti.
- Agente di supervisione. È un direttore d’orchestra che guida la pianificazione delle azioni necessarie per raggiungere gli obiettivi di agenti AI gerarchicamente sottoposti, coordinandone l’operato.
AI Agent utility-based
Ecco, invece, alcuni use case di agenti utility-based.
- Agente di arricchimento delle competenze. Utilizza la documentazione racchiusa nella Knowledge Base aziendale o in altre fonti esterne per suggerire le competenze necessarie a completare le diverse attività, come la creazione di un annuncio di lavoro o l’assistenza a un dipendente nella creazione del suo profilo di onboarding.
- Agente di coding. Scrive codice per eseguire un compito specifico utilizzando linguaggi come HTML, Java o Python.
- Agente conversazionale. Riceve compiti dagli esseri umani e comunica i risultati delle attività del flusso di lavoro nel modo più adatto alle esigenze del suo referente in carne e ossa.
- Agente di interrogazione dei database. Esegue compiti relativi al recupero dei dati, come l’esecuzione di query SQL, da una base dati aziendale.
- Agente RAG (Retrieval-Augmented Generation). Coordina il reperimento di dati specifici e aggiornati necessari a un LLM (Large Language Model) per rispondere correttamente a una richiesta o svolgere una specifica attività.
- Agente schedulatore. Pianifica le riunioni con le parti interessate per far avanzare un progetto.
- Agente di ricerca. Determina il tipo di ricerca ottimale, ad esempio una ricerca sul web o sui documenti, e interroga lo strumento o gli strumenti più appropriati per eseguire il compito.
Vantaggi dell’utilizzare gli AI Agent
I benefici citati più di frequente dagli utilizzatori degli agenti AI autonomi includono la disponibilità 24×7 e la scalabilità. Questi software possono, infatti, operare continuamente, senza tempi di inattività. Inoltre, se gestiti in modalità As-a-Service e distribuiti in Cloud, possono operare ovunque si trovino i clienti, dipendenti o collaboratori esterni all’azienda cui sono abbinati e scalare facilmente.
L’accuratezza è un altro plus degli agenti di intelligenza artificiale: a differenza degli strumenti di GenAI di prima generazione, infatti, sono in grado di riconoscere quando non dispongono di informazioni sufficienti per prendere una decisione di qualità, scovando ulteriori dati se necessario.
L’efficienza è, poi, uno dei vantaggi più apprezzati. Se da un lato gli agenti IA autonomi possono ridurre i costi operativi sostituendosi nelle attività svolte dagli esseri umani, dall’altro possono anche individuare e suggerire modi per ottimizzare i processi, riducendo errori e sprechi.
Come implementare gli agenti di intelligenza artificiale
Le fasi di implementazione di un AI Agent sono simili a quelle di qualsiasi altro progetto di intelligenza artificiale.
Il primo passo è definire il compito, ovvero decidere cosa si vuole che faccia l’agente, prestando attenzione al fatto di essere il più specifici possibile rispetto agli obiettivi e alle finalità più alte.
Lo step successivo è identificare il processo funzionale che l’agente seguirà, i dati a cui dovrà accedere, gli esperti aziendali rilevanti a cui eventualmente rendere conto, gli strumenti e gli altri agenti con cui potrà relazionarsi come parte del suo lavoro.
Spesso è meglio iniziare “in piccolo”, con un beta test o un Proof-of-Concept, valutando attentamente l’output e affinando progressivamente le istruzioni date all’agente in base ai risultati ottenuti, aumentandone l’autonomia in relazione all’efficacia dimostrata.
Volendo riassumere le fasi significative, ecco le principali.
- Fare una descrizione dettagliata del lavoro che dovrà svolgere. L’agente AI dovrà prevedere la domanda di prodotti? Monitorare le interazioni con i clienti?
- Decidere quali dati sono necessari. L’agente di previsione della domanda avrà bisogno, come minimo, dei dati sulle vendite passate, di informazioni sulle tendenze attuali del mercato e sugli indicatori economici più rilevanti, nonché dei dati demografici e dello storico degli acquisti dei clienti. L’aggiunta di informazioni sui modelli stagionali che possono influenzare la domanda, come le temperature previste, e di dettagli storici sulle promozioni, gli sconti e le attività di marketing che hanno avuto successo in passato, contribuirà ad aumentare la precisione dei risultati.
- Integrare gli agenti AI nelle altre applicazioni core. L’integrazione dell’AI agent con altri sistemi, come la gestione dell’inventario, l’ERP e gli strumenti di Supply Chain Planning, contribuirà a migliorarne l’efficacia.
- Fare il fine tuning. Una valutazione e una messa a punto regolari possono sembrare inizialmente una perdita di tempo che, tuttavia, si ripaga nel lungo termine. Raccogliere il feedback di clienti e operatori interni che rappresentano il “buddy” (il compagno cui è stato assegnato l’agente), per identificare le aree di miglioramento, e collaborare con il fornitore del software per apportare le modifiche necessarie sono buone prassi da adottare.
Le principali sfide legate all’utilizzo degli AI Agent
Le organizzazioni che si accingono a implementare gli agenti IA autonomi dovrebbero considerare alcuni punti che necessitano di particolare attenzione. In prima battuta, il training di questi sistemi richiede risorse di calcolo ingenti, quindi di un’infrastruttura costosa da predisporre e manutenere e soprattutto non sempre facilmente scalabile.
Un altro elemento che deve essere valutato attentamente è legato alla privacy e alla sicurezza dei dati che finiscono “in pasto” a questi software. L’adozione di tecniche di anonimizzazione che impediscano di poter risalire, attraverso l’ingegneria inversa, ai dati dei clienti, dei pazienti o dei brevetti dovrebbe, per esempio, essere considerata una priorità.
Esistono, poi, delle sfide che potremmo definire “etiche”, legate alle distorsioni dei risultati prodotto dai cosiddetti bias algoritmici. In alcune circostanze, infatti, i modelli matematici e statistici che costituiscono il cuore pulsante di questi sistemi possono generare risultati imprecisi o, peggio, faziosi o ingiusti.
Ultime, ma non meno rilevanti, sono le complessità tecniche e tecnologiche che si accompagnano all’implementazione degli agenti AI evoluti. Gli sviluppatori dovranno saper integrare perfettamente le librerie di autoapprendimento con le applicazioni in questione, prevedendo ovviamente un addestramento che potrà essere più o meno lungo basato sui dati specifici dell’azienda, che non è sempre facile trovare e organizzare in una base di conoscenza condivisa e accessibile.