Il tuo nuovo collega è un agente AI.
Spero almeno abbia una job description.
Qualche anno fa, la pubblicità dei telefoni con la Mela diceva: “C’è un’app per tutto”. Probabilmente ve la ricorderete.
Bene, oggi ci stiamo evolvendo verso una logica di “C’è un agent per tutto”. E, se non c’è, probabilmente te lo puoi creare, con un costo davvero ridotto.
Affascinante, sì, ma anche pericoloso.
Perché ormai costruire un prototipo agentico è relativamente semplice: possiamo dargli istruzioni, collegarlo a fonti informative, abilitarlo all’uso di strumenti, farlo dialogare con altri agenti e consentirgli di svolgere azioni all’interno dei nostri sistemi.
Lo dico da persona che di agenti ne ha costruiti a decine e che oggi li utilizza quotidianamente dentro flussi di lavoro reali.
Quando funzionano, eliminano passaggi ripetitivi, tengono insieme informazioni sparse, applicano regole e restituiscono tempo alle persone.
Quando non funzionano, fanno qualcosa di ancora più interessante: automatizzano la confusione.
E la confusione automatizzata ha un grande vantaggio: scala benissimo.
Indice degli argomenti
Siamo già nel pieno dell’agent washing
Nel 2026, la distanza tra il numero di prodotti che si definiscono “agentic” e il numero di agenti realmente operativi è ancora significativa. Secondo il Gartner Hype Cycle for Agentic AI 2026, solo il 17% delle organizzazioni ha già implementato agenti AI, mentre oltre il 60% prevede di farlo nei prossimi due anni. Non a caso, Gartner colloca l’Agentic AI al picco delle aspettative gonfiate.
La situazione ricorda la prima ondata di trasformazione digitale: ricordate quando bastava aggiungere “digital” al nome di un progetto per renderlo strategico?
Oggi basta prendere un chatbot, collegarlo a una funzione e chiamarlo agente.
In alcuni casi è corretto. In altri è semplicemente agent washing: una normale automazione, o una sequenza di prompt, presentata come un sistema autonomo. Gartner ha già richiamato esplicitamente l’attenzione sul rischio di confondere Agentic AI e AI Agent, generando aspettative che i prodotti non sono poi in grado di soddisfare.
Un chatbot che risponde a una domanda in effetti non è necessariamente un agente, così come non lo è una procedura che segue sempre gli stessi cinque passaggi.
E una macro che usa un modello linguistico non diventa automaticamente intelligente. A volte è soltanto una macro con una laurea in lettere.
Un agente non è un workflow con il cappello
La distinzione più utile è quella tra workflow e agente.
In un workflow, supportato o meno dall’AI, il percorso è stabilito in anticipo: il sistema segue passaggi e diramazioni definite dal codice. In un agente, invece, il modello sceglie dinamicamente quali strumenti usare, quali azioni compiere e come procedere in base ai risultati intermedi.
Non è una differenza solo terminologica, quanto più economica e organizzativa.
Se un processo è prevedibile, stabile e descrivibile con regole chiare, probabilmente non ha bisogno di un agente. Un workflow tradizionale sarà spesso meno costoso, più rapido, più semplice da testare e da controllare, e decisamente meno creativo nel produrre output, ma anche errori.
L’autonomia serve quando il percorso non può essere definito completamente a priori: bisogna interpretare informazioni, scegliere tra strumenti, adattarsi agli esiti e gestire eccezioni.
L’agente che sa fare tutto, in genere, non fa bene niente
Il mercato ama l’idea del super-agent: un assistente digitale onnisciente che legge tutto, conosce tutto, accede a tutto e risolve qualsiasi problema.
Personalmente mi fido molto di più degli agenti con un perimetro stretto.
Un buon agente dovrebbe avere:
- un obiettivo comprensibile;
- un insieme limitato di strumenti;
- fonti informative definite;
- permessi proporzionati al compito;
- condizioni chiare di arresto;
- criteri per chiedere l’intervento umano;
- metriche con cui valutarne il lavoro.
In pratica, dovrebbe avere una job description.
Un collaboratore umano con accesso a tutti i sistemi aziendali, nessun ruolo definito e piena autonomia decisionale sarebbe considerato un rischio organizzativo. Quando è un agente AI, invece, qualcuno lo mette in una slide sotto la voce “innovazione”. Paradosso tanto interessante, quanto problematico.
Il vero lavoro non è sul prompt
Gli strumenti per costruire sistemi più controllabili stanno maturando. Le piattaforme agentiche mettono ormai a disposizione funzioni di handoff tra agenti, tracciamento delle azioni, guardrail, gestione dello stato e approvazioni umane prima delle operazioni più delicate. Ma la disponibilità tecnica di un controllo non significa che l’organizzazione lo abbia progettato bene.
Per molto tempo abbiamo parlato di prompt engineering. Con gli agenti, il prompt è solo una parte del problema.
Conta il contesto: quali dati vede l’agente, quanto sono aggiornati, quali fonti hanno priorità, quale parte della storia deve ricordare, quali regole aziendali deve rispettare, quali azioni può compiere, quali conseguenze deve prevedere e tutto il resto
Anthropic definisce effettivamente il context engineering come una naturale evoluzione del prompt engineering: non si progetta soltanto la richiesta, ma l’intero ambiente informativo e operativo dentro cui l’agente deve decidere.
Un modello eccellente alimentato con un contesto mediocre produce un errore molto elegante.
E l’eleganza dell’errore, purtroppo, non ne migliora il risultato.
Gli agenti utili spesso fanno lavori poco spettacolari
Nel marketing e nella marketing automation, gli agenti più interessanti non sono necessariamente quelli che scrivono il post perfetto o inventano la campagna dell’anno.
Sono quelli che recuperano e organizzano informazioni da sistemi differenti, controllano la completezza dei dati, identificano anomalie, classificano richieste e altre cose apparentemente poco rivoluzionarie. Sono lavori meno sexy di una demo con un avatar parlante.
Ma hanno un vantaggio: eliminano lavoro vero.
Un agente va misurato sul lavoro che agevola, non sulla quantità di testo che produce. Le metriche interessanti riguardano il tempo risparmiato, i passaggi manuali eliminati, il tasso di errore, il costo per attività completata, il numero di escalation e la capacità di ricostruire perché sia stata presa una decisione.
Se una persona deve controllare interamente ogni singolo output, probabilmente non abbiamo automatizzato il processo, ma semplicemente assunto uno stagista digitale dotato di una sicurezza in se stesso impressionante.
Il passaggio dalla demo alla produzione
La vera selezione avverrà qui.
Gartner prevede che oltre il 40% dei progetti di Agentic AI sarà cancellato entro la fine del 2027 per costi crescenti, valore di business poco chiaro o controlli del rischio insufficienti.
Non significa che gli agenti siano una bolla, ma che è una bolla pensare che basti crearli.
Un agente in produzione richiede: integrazione con sistemi esistenti, identità e gestione degli accessi, controllo dei costi, logging e osservabilità, valutazioni continue, procedure di recupero dagli errori, ownership organizzativa, responsabilità chiare.
Il prototipo risponde (solo) alla domanda: “Può farlo?”
La produzione deve rispondere a domande meno emozionanti:
Quanto costa? Quanto spesso sbaglia? Chi se ne accorge? Chi interviene? E cosa succede quando compie un’azione irreversibile?
Le risposte a questi quesiti separano un progetto da una demo ben riuscita.
La vera rivoluzione potrebbe colpire il software, non il lavoro
C’è poi una conseguenza di cui si parla ancora poco: se gli agenti iniziano a operare direttamente su CRM, piattaforme marketing, sistemi analytics, gestionali e strumenti di collaborazione, l’utente potrebbe non avere più bisogno di utilizzare ogni singola interfaccia.
L’agente diventa il nuovo livello di accesso al software.
Questo mette in discussione anche il modello economico delle applicazioni enterprise basato sulle licenze per utente: Gartner stima che fino a 234 miliardi di dollari di spesa in software applicativo enterprise potrebbero essere esposti, entro il 2030, a forme di “agentic arbitrage”, proprio perché gli agenti possono ridurre il numero di persone che interagiscono direttamente con le singole applicazioni.
Viene naturale chiedersi: quanti (e quali) software continueremo a usare nello stesso modo?
C’è un agent per tutto. E quindi?
Siamo entrati nella fase in cui creare agenti è più semplice che scegliere bene dove usarli.
La tentazione sarà metterli ovunque.
Credo che il vantaggio competitivo nascerà dall’atteggiamento opposto: individuare i reali processi in cui autonomia, contesto e uso degli strumenti producono un beneficio concreto; costruire agenti specializzati; misurarli; limitarne i permessi; osservare come lavorano; migliorare progressivamente il sistema.
Gli agenti non correggono automaticamente i processi confusi: li rendono più veloci.
Non risolvono l’assenza di governance: la rendono più pericolosa.
Non sostituiscono la necessità di decidere cosa conta.
Eseguono, molto rapidamente, le conseguenze di quella decisione.
Quindi sì: c’è un agent per tutto.
Il vero segno di maturità inizierà quando smetteremo di crearne uno per qualsiasi cosa.
Partecipa alla community