Agenti AI in azienda: cosa automatizzano davvero (e dove servono confini)

In breve. La differenza tra un agente AI che funziona e uno che genera un problema più grande di quello che risolve non è la potenza del modello: è quanto è chiaro il perimetro e quanto è stretta la supervisione. Su un processo ripetitivo e a regole, con confini netti, un agente moltiplica i risultati: in un caso reale il secondo contatto sui lead caldi è salito dal 50% a oltre il 90%. Senza perimetro e senza controllo su cosa risponde, lo stesso agente su scala diventa un rischio più grande di quello che doveva risolvere.

Dai un obiettivo a un agente AI e lui lo risolve da solo. È la promessa che gira da un anno buono, ed è anche il modo più veloce per costruire un sistema che smette di capire da solo il giorno in cui va storto. La differenza tra un agente che rende e uno che genera un problema più grande di quello che doveva risolvere non è quanto è potente il modello sotto. È quanto è chiaro il perimetro che gli hai dato prima di accenderlo.

"Un agente AI è potente esattamente quanto il perimetro che gli disegni intorno."

Cos'è davvero un agente AI

Un chatbot risponde. Un agente AI agisce: ha un obiettivo, usa strumenti esterni (una casella email, un CRM, un database) e porta a termine un compito in più passi, senza che tu debba guidarlo passo per passo. Non "parla di più": fa qualcosa al posto tuo.

È anche il motivo per cui se ne parla così tanto e se ne capisce così poco. "Agente" oggi viene usato per qualsiasi cosa che genera testo con un bottone in più, e questo confonde due domande molto diverse: cosa sa fare la tecnologia, e cosa ha senso lasciarle fare senza controllo. Le due cose migliori per rispondere sono due casi veri, non due definizioni.

La nota dal bancone: quando il perimetro stretto funziona

Un reseller di energia, dodici persone in vendita, ci ha portato un problema banale e costosissimo: i lead entravano e finivano impilati in un foglio. Ogni venditore chiamava "quelli che si ricordava", e i lead più vecchi marcivano in fondo alla lista senza che nessuno se ne accorgesse fino a settimane dopo.

Non serviva un agente che decidesse al posto del venditore chi comprare o come chiudere la trattativa. Serviva un sistema che, ogni mattina, dicesse a ogni venditore esattamente chi chiamare adesso, registrasse l'esito della chiamata, aggiornasse lo stato del lead e lanciasse in automatico il follow-up successivo. Zero giudizio, solo esecuzione di regole su un volume che un umano non riesce a tenere in testa.

Il risultato: il secondo contatto sui lead caldi è salito dal 50% a oltre il 90%, e il tempo tra l'arrivo di un lead e il primo richiamo è passato da ore a minuti. È il caso da manuale del task che rende con un agente: ripetitivo, ad alto volume, governato da regole chiare. Il perimetro era stretto per scelta, non per limite tecnico, ed è esattamente per questo che ha funzionato.

Il caso opposto: quando il perimetro manca

Un secondo cliente, banca e assicurazione, con formazione interna su migliaia di dipendenti, aveva già fatto il passo che sembra ovvio: calare agenti AI dall'alto, su larga scala, per rispondere alle domande interne dei dipendenti. Il problema non era la potenza del modello. Era che nessuno controllava davvero cosa quegli agenti stavano rispondendo, a chi, e con quanta sicurezza sbagliata.

Servivano due cose che l'entusiasmo iniziale aveva saltato: agenti configurabili con una conoscenza propria, verificata, invece di rispondere a braccio su tutto; e soprattutto un monitoraggio con rilevamento delle anomalie, per accorgersi quando qualcosa andava storto prima che migliaia di persone ricevessero la stessa risposta sbagliata. Senza supervisione, un agente su larga scala non è neutro: rischia di generare un problema più grande di quello che doveva risolvere, semplicemente perché sbaglia alla stessa velocità con cui prima funzionava.

Cosa separa i due casi

Mettili uno accanto all'altro e la lezione non è "gli agenti funzionano" oppure "gli agenti sono rischiosi". Sono entrambe vere, a seconda di tre variabili che decidi tu prima di accendere qualsiasi cosa:

• Il perimetro. Nel caso energia l'agente poteva fare una cosa sola: dire chi chiamare e registrare l'esito. Nel caso banca il perimetro era, di fatto, "rispondi a qualsiasi domanda dei dipendenti": troppo largo per essere controllato.
• La scala. Dodici venditori sono un volume gestibile anche se qualcosa va storto: si corregge in un giorno. Migliaia di dipendenti moltiplicano un errore prima che qualcuno lo veda.
• La supervisione. Nel primo caso c'era comunque un venditore umano che chiudeva la vendita. Nel secondo, l'unica cosa che mancava davvero era qualcuno che guardasse le risposte con un sistema di monitoraggio, non a campione e a memoria.

Nota di metodo. Le tre variabili si decidono prima di accendere l'agente, non dopo il primo incidente. Il modello, in entrambi i casi, era più o meno lo stesso livello di capacità: quello che cambiava era il disegno attorno al modello.

Come si decide il perimetro, in pratica

1. Scegli un processo, non un obiettivo generico. "Automatizza il supporto clienti" è un obiettivo. "Smista i ticket in base a tre regole e assegna priorità" è un perimetro.
2. Parti piccolo, anche quando la tentazione è scalare subito. Il caso banca insegna che l'errore non era l'ambizione, era saltare il passaggio intermedio di un pilota controllato prima del rollout su migliaia di persone.
3. Scrivi cosa l'agente non può decidere. Non è una lista che si scrive da sola: va discussa, e serve più tempo di quanto sembri necessario.
4. Metti il monitoraggio dentro il progetto, non dopo. Anomaly detection e log delle decisioni non sono un accessorio da aggiungere se avanza budget: sono la parte che rende sicuro tutto il resto, soprattutto quando il volume cresce.
5. Misura in euro, non in "quante richieste ha gestito". Tempo risparmiato, errori ridotti, secondo contatto salito dal 50 al 90%: sono numeri, non sensazioni. Un'infrastruttura come MARF serve proprio a tenere i dati puliti e tracciabili su cui un agente lavora, prima ancora di parlare di quale modello usare.

In sintesi

Un agente AI non è un dipendente che si presenta già formato: è potente esattamente quanto il perimetro che gli disegni intorno. Sui task ripetitivi e a regole, con un perimetro stretto e una persona che supervisiona, moltiplica i risultati, come nel caso del reseller energia. Calato dall'alto su larga scala senza controllo su cosa risponde, lo stesso agente diventa il problema, come nel caso banca prima che arrivasse il monitoraggio.

La domanda giusta non è "quale agente compriamo", ma "su quale processo, con quale perimetro, e chi lo supervisiona". Con il ROIometro puoi partire dal primo pezzo di quella domanda: quanto ti costa oggi, in euro, il processo che stai pensando di affidare a un agente. È da lì, non dal tool, che si decide se e come farlo.