Ovunque si proclama l'”anno degli agenti IA”. Su YouTube, su X e nelle conferenze le promesse si accavallano: gli agenti sostituirebbero interi reparti e verrebbero presto considerati collaboratori a tutti gli effetti. Molto di tutto ciò è semplicemente falso o quantomeno fortemente esagerato. In una conversazione del podcast “Marketing Against the Grain”, Joe Mora, CEO e fondatore di crewAI, inquadra la situazione con sobrietà – inclusa una valutazione onesta di ciò che oggi funziona e di ciò che invece non funziona ancora. Per i decisori nelle PMI è proprio questa distinzione tra sostanza e marketing a essere decisiva, prima che scorrano i budget.
- Un agente IA è più di un chatbot: riceve un compito, lavora in autonomia e utilizza memoria (Memory) e strumenti (Tools) per accedere a sistemi come CRM o ERP.
- Gli agenti sono realmente in uso – ma sono più lenti e più soggetti a errori di quanto suggerisca l’entusiasmo del momento. Siamo nella fase della sperimentazione, non dell’automazione totale di interi reparti.
- Partire nel modo giusto significa: scegliere casi d’uso semplici con requisiti di precisione bassi, non processi altamente critici come i moduli fiscali.
- Nel processo restano più persone (“human in the loop”) di quanto molti si aspettino. Controllo e tracciabilità sono centrali.
- Solo circa il 15 per cento delle aziende intervistate impiega agenti in produzione – chi inizia adesso è tra i primi a muoversi.
Che cos’è davvero un agente IA
I grandi modelli linguistici come quelli dietro ChatGPT o Claude sono nella sostanza molto bravi a prevedere la parola successiva e a generare contenuti. Scrivono un’e-mail, su richiesta la rendono più informale e sanno persino scegliere tra due varianti motivando la scelta – una forma rudimentale di valutazione.
Un agente sfrutta esattamente questa capacità per ragionare autonomamente su un problema. La differenza rispetto alla chat: Lei affida un compito all’agente e può uscire dalla stanza. L’agente cerca poi in autonomia, attraverso più passaggi, di raggiungere un obiettivo. Mora lo riassume così: un agente ha bisogno di agency, cioè di capacità di agire.
Due elementi costitutivi sono tipici a questo scopo:
- Memory (memoria): perché l’agente conservi le informazioni attraverso i singoli passaggi – a breve e a lungo termine.
- Tools (strumenti): interfacce verso altri sistemi come CRM, ERP o servizi di ricerca, affinché l’agente possa agire per conto dell’utente.
La verifica della realtà: lento, ma utile in background
Come esempio serve l'”Operator” di OpenAI, disponibile nella variante ChatGPT Pro per circa 200 dollari al mese. L’agente pilota un browser e può cercare, per esempio, hotel, voli o ristoranti. Il giudizio espresso nella conversazione è sobrio: Operator è lento e in parte macchinoso – stimato dieci volte più lento di una persona sullo stesso compito.
Il punto decisivo: nei compiti che possono girare in background, la lentezza conta poco. Mora descrive come impiega gli agenti per i suoi post sui social: inserire l’idea, andare a prendere un caffè, continuare a lavorare – e la bozza è pronta quando torna. Così porta a termine regolarmente qualcosa che altrimenti rimandava per mancanza di tempo.
Idea di fondo: la latenza non è critica quando un piccolo “esercito” di agenti sbriga compiti in background mentre Lei si dedica a cose più importanti.
Fiducia e controllo: perché la persona deve restare visibile
Una questione centrale degli agenti autonomi è la logica d’uso: l’agente deve semplicemente segnalare una prenotazione al ristorante come “fatta”, oppure si deve poterlo osservare mentre lavora? Operator punta a far lavorare l’agente in modo visibile e a permettere di intervenire in qualsiasi momento.
Le ragioni sono due: sicurezza e fiducia. Si vede che cosa succede e si può correggere. Un esempio ammonitore dalla conversazione: un primo agente per le e-mail doveva solo creare bozze, ma iniziò a inviare per conto proprio messaggi in parte bizzarri. Nelle aziende vale in particolare: chi automatizza un processo critico vuole poterlo visualizzare, controllare e verificare in seguito.
Partire nel modo giusto: prima la bassa precisione
Il consiglio probabilmente più pratico riguarda la scelta dei primi casi d’uso. Mora distingue tra requisiti di precisione bassi e alti:
- Bassa precisione (basta circa il 90 per cento di accuratezza): per esempio un agente che, partendo da trascrizioni di colloqui o da dati CRM, crea bozze di presentazioni di vendita. Qui gli errori sono sopportabili e facili da correggere.
- Alta precisione (serve il 99,99 per cento): per esempio la compilazione di moduli fiscali o amministrativi. Mora cita moduli di oltre 70 pagine e manuali di 620 pagine – qui non può andare storto nulla.
L’indicazione è netta: non parta dall’alta precisione, altrimenti si brucerà le dita. Cominci in modo semplice e scali da lì.
Quattro linee guida per iniziare
- Adottare presto: si procuri un vantaggio invece di aspettare.
- Non aspettare i casi d’uso altrui: non guardi che cosa fa il gruppo X – trovi il Suo punto di partenza, semplice.
- Iniziare in modo semplice: scomponga un ruolo in singoli compiti e scelga quelli con requisiti di precisione bassi.
- Ampliare in direzione “low risk, high impact”: estenda progressivamente ai casi a basso rischio e ad alto beneficio.
Un suggerimento pratico dalla conversazione: prenda un ruolo concreto – per esempio quello di un addetto alle vendite (BDR) – e si faccia suddividere i compiti in bassa e alta precisione. Proprio i compiti a bassa precisione sono i campi di sperimentazione ideali. Per costruire ci sono oggi diverse strade: piattaforme no-code per utenti meno tecnici così come framework per sviluppatori che programmano agenti in Python.
Come le aziende impiegano gli agenti nel modo giusto
L’approccio sbagliato è costruire gli agenti come pura copia 1:1 di un lavoro umano. Ha più successo automatizzare singoli micro-compiti, così che le persone si liberino per cose più importanti – una sorta di promozione: la responsabilità del risultato finale resta alla persona, l’agente si occupa del lavoro preparatorio.
Un esempio dalla pratica: un’azienda di telecomunicazioni automatizza l’analisi dei contratti. Prima che un contratto arrivi all’ufficio legale, gli agenti forniscono già raccomandazioni e modifiche evidenziate (“Red Lines”). In questo modo si possono scalare cose che prima erano troppo costose.
Per l’ancoraggio in azienda si delinea uno schema: si passa dai singoli collaboratori che usano ChatGPT di nascosto, rivelando magari dati sensibili e chiudendo il sapere in silos, a una gestione centrale, spesso sotto il CIO, il CTO o un Head of AI. Ciò crea controllo su quali modelli vengono usati e su come si trattano i dati personali. Il valore aggiunto davvero grande lo generano i team tecnici, perché le automazioni complesse devono essere integrate in profondità nei dati non strutturati e nei sistemi propri.
Casi d’uso concreti nel marketing e nelle vendite
Tre esempi dalla conversazione mostrano a che cosa servono oggi gli agenti:
- Arricchimento dei lead con ipotesi: se qualcuno si registra per la prima volta su un sito web, gli agenti ricercano la persona e l’azienda. Inoltre formulano ipotesi su come questa persona potrebbe usare il prodotto, strutturano il risultato in JSON e lo trasferiscono in HubSpot e nel database di prodotto. Risultato: e-mail iperpersonalizzate e anteprime di prodotto su misura.
- Preparazione delle vendite: gli agenti fanno ricerche sui clienti in anticipo – per esempio tramite strumenti di ricerca come Sonar di Perplexity. Così un addetto alle vendite non si prepara necessariamente più in fretta, ma meglio in ampiezza, e può sostenere più appuntamenti. È interessante anche l’idea di replicare il modo di procedere del miglior venditore, così che tutti siano preparati a quel livello.
- Ottimizzazione SEO e delle conversioni: gli agenti creano screenshot del proprio sito web, analizzano testi e concorrenti e ne ricavano ipotesi su che cosa si potrebbe cambiare. L’input umano resta snello: il proprio sito web, una descrizione del settore e l’obiettivo di ottimizzazione. Il resto lo fanno gli agenti, che propongono test A/B.
Dove aspettativa e tecnologia divergono
Secondo Mora, il maggiore scarto tra aspettative gonfiate e realtà sta in due punti:
- Più persone nel processo di quanto si pensi: proprio ora serve molto più “human in the loop”. L’automazione end-to-end completamente continua – soprattutto nei processi ad alta precisione – non è ancora a quel punto. Gli agenti falliscono ancora spesso a metà strada.
- L’integrazione è più onerosa del previsto: nelle aziende c’è molta “colla” tra i sistemi. Perché gli agenti possano percorrere questi tragitti servono codice chiaro e istruzioni chiare. Non a caso il settore parte dal browser – lì esiste un’interfaccia comune. Molte aziende usano però software desktop che non è nemmeno online.
Notevole è il dato sull’adozione: su circa 4.000-4.500 persone intervistate solo circa il 15 per cento impiegava agenti in produzione, nelle grandi aziende circa il 23 per cento. Poiché questi intervistati sono comunque persone con affinità tecnica, nel complesso dell’economia il dato sarà probabilmente più basso. Il messaggio per i decisori: è molto presto – e chi parte adesso è ancora tra quelli che si muovono rapidamente.
Gli agenti come futuro criterio di assunzione
Una prospettiva che fa drizzare le orecchie: Satya Nadella, CEO di Microsoft, ha delineato che in futuro le persone potrebbero essere assunte anche per gli agenti che si sono costruite – invece che solo per certificati ed esperienza professionale precedente. Mora concorda, meno per gli agenti in sé che perché dicono qualcosa sulla persona. In crewAI i candidati possono espressamente usare tutti gli strumenti di IA durante il colloquio di engineering – chi non lo fa viene bocciato. Quanto bene qualcuno impiega questi strumenti pesa in modo determinante sulla decisione di assunzione.
Conclusione
Attualmente siamo nella fase in cui molte aziende sperimentano gli agenti e li portano in produzione – ma non nella fase in cui gli agenti sostituiscono il personale. La realtà sobria: oggi gli agenti sono spesso più lenti delle persone, richiedono supervisione e falliscono ancora regolarmente. Il loro valore emerge nei compiti in background, nei micro-compiti all’interno di un ruolo e ovunque gli errori siano sopportabili. Per i decisori nelle PMI questo significa: partire in piccolo e in modo semplice, cominciare con requisiti di precisione bassi, tenere la persona visibilmente nel ciclo e ampliare gradualmente verso casi a basso rischio e di forte impatto. Chi procede così raccoglie oggi esperienza pratica – senza cadere nell’entusiasmo gonfiato.