Agenti AI in azienda: cosa sono, come funzionano e quando ha senso usarli

Quando spiego l'AI in aula, la domanda che ricorre quasi sempre è la stessa: "Federico, ma alla fine questi agenti sostituiscono i nostri processi?". La risposta onesta è: dipende. E dipende molto meno dalla tecnologia di quanto si pensi, e molto di più dal tipo di problema che avete davanti. In questo articolo metto in fila quello che racconto ai miei corsi: cosa distingue un agente da un chatbot, come ragiona internamente, in quali casi conviene e in quali è solo un modo costoso per fare ciò che un semplice script farebbe meglio.

Partiamo dalla differenza di fondo. Un chatbot riceve un input e produce un testo. Un agente, invece, può pianificare una sequenza di azioni, usare strumenti esterni come database, API e file system, valutare i risultati intermedi e correggere il proprio percorso. In una parola, passa dalla conversazione all'azione. È un salto concettuale che cambia tutto, compresi i rischi.

Non servono competenze tecniche avanzate per seguire il ragionamento. L'obiettivo è darvi gli strumenti concettuali per decidere, che siate responsabili IT, imprenditori, innovation manager o semplicemente curiosi che vogliono capire dove sta andando il lavoro.

01Cos'è un agente AI

Un agente AI è un sistema software che usa un modello linguistico come "cervello" per ragionare, pianificare e agire in autonomia, con l'obiettivo di portare a termine un compito che gli avete affidato. La differenza con un chatbot è netta: il chatbot genera testo in risposta a un prompt, l'agente decide quali strumenti usare, in quale ordine, e valuta da solo se il risultato è soddisfacente o se vale la pena riprovare in un altro modo.

Nei miei corsi mi piace spiegarlo con tre livelli crescenti di autonomia, perché aiuta a inquadrare subito di cosa stiamo parlando.

• Chatbot. Riceve una domanda e risponde. Si ferma lì.
• Copilota. Suggerisce un'azione, ma siete voi a decidere se eseguirla. È l'autocompletamento del codice, l'email proposta da rivedere.
• Agente. Riceve un obiettivo e lavora da solo per raggiungerlo, scegliendo i passaggi intermedi senza chiedere il permesso a ogni passo.

Attenzione a un equivoco comune: un agente non è un modello linguistico più potente. È un'architettura che dà a un modello la capacità di agire nel mondo, usando strumenti, leggendo i risultati e adattando il piano in tempo reale. Il modello è il cervello, ma serve tutto il resto del corpo per fare qualcosa.

02Come è fatto dentro: il loop dell'agente

Dietro ogni agente c'è un ciclo che si ripete fino a obiettivo raggiunto: il modello ragiona su cosa fare, sceglie uno strumento, osserva il risultato e decide il passo successivo. Questo ciclo, che chiamiamo loop dell'agente, è il cuore di tutte le architetture principali. Capirlo è il modo migliore per smettere di vedere gli agenti come magia.

Il pattern ReAct

L'architettura più diffusa si chiama ReAct (Reasoning + Acting), proposta nel 2022 da ricercatori di Google e Princeton. Il modello alterna in modo esplicito fasi di ragionamento testuale (thought) e fasi di azione (action). Dopo ogni azione riceve un'osservazione (observation) e ricomincia il ciclo. Vi faccio l'esempio che uso sempre, quello dei solleciti di pagamento.

1. Thought. "Devo trovare le fatture non pagate del mese scorso. Per farlo interrogo il database contabile."
2. Action. Il modello lancia una query SQL verso il gestionale aziendale.
3. Observation. Riceve il risultato: una tabella con 12 fatture.
4. Thought. "Ho 12 fatture. Ora devo mandare un sollecito per ciascuna. Comincio dalla prima."
5. Action. Invoca lo strumento di invio email con i dati della prima fattura.

Il ciclo va avanti finché l'agente non decide che l'obiettivo è raggiunto, o che non si può proseguire. Notate una cosa: nessuno ha scritto in anticipo "manda 12 email". L'agente ha scoperto strada facendo quante fatture c'erano e ha adattato il piano.

Plan-and-Execute

C'è un'alternativa: il pattern Plan-and-Execute. Invece di ragionare azione per azione, l'agente prima costruisce un piano completo, una lista ordinata di passaggi, poi li esegue in sequenza. Se un passaggio fallisce, può rivedere l'intero piano. Funziona bene per compiti complessi con molte dipendenze tra le fasi. La differenza pratica con ReAct la metto spesso così in una tabella.

Function calling: come l'agente tocca il mondo

Il meccanismo tecnico che rende possibile il tool use si chiama function calling. Quando il modello capisce che deve usare uno strumento, non scrive testo libero: genera una struttura dati precisa, il nome della funzione e i parametri in formato JSON. Un componente intermedio, l'orchestratore, esegue la funzione e restituisce il risultato al modello. Questo riduce drasticamente gli errori rispetto al tentare di interpretare testo generato a mano libera. È la differenza tra dire "vai a comprare il pane" e compilare un modulo d'ordine.

03Agente o automazione tradizionale?

Questa è la confusione più frequente, e quella che fa sprecare più budget. Sia un agente sia un workflow automatizzato eseguono sequenze di operazioni, ma lo fanno in modi opposti. Capirlo è la decisione tecnica più importante di tutto l'articolo.

Un workflow segue un percorso deterministico: le regole sono fissate prima, i passaggi sono rigidi, l'output è prevedibile. Se arriva un input che non era previsto, il workflow si blocca o segue un ramo d'errore predefinito. Un agente lavora in modo probabilistico: usa il ragionamento del modello per decidere cosa fare e si adatta all'imprevisto.

Un esempio che funziona sempre in aula: la gestione delle email di supporto. Un workflow classifica le email per parole chiave e le instrada al reparto giusto. Ma se un cliente scrive una richiesta complessa che tocca più aree, ad esempio un reclamo che contiene anche una richiesta di rimborso e una domanda tecnica, il workflow va in crisi. Un agente legge l'email, ne capisce la complessità, decide di aprire due ticket separati, li assegna ai reparti corretti e scrive una risposta interlocutoria al cliente.

L'automazione tradizionale eccelle nel ripetere. L'agente AI eccelle nell'adattarsi. La bravura sta nel capire quando serve l'una e quando l'altra.

Esiste anche una terza via, sempre più diffusa e secondo me la più sensata per partire: i workflow ibridi. Un'automazione tradizionale gestisce il flusso principale e chiama un agente solo per i passaggi che richiedono ragionamento. Un workflow di fatturazione, per dire, può delegare a un agente solo la riconciliazione delle voci ambigue, lasciando deterministico tutto il resto.

04Dove serve davvero in azienda

Gli agenti non sono una tecnologia in cerca di un problema: risolvono esigenze reali e misurabili. Ma non tutti i processi ci guadagnano. I casi dove l'agente dà il meglio condividono tre caratteristiche: richiedono ragionamento contestuale, coinvolgono fonti dati multiple e prevedono decisioni non banali lungo il percorso. Dove queste tre cose mancano, di solito basta molto meno.

Supporto clienti avanzato

Un agente di supporto va oltre il chatbot. Accede allo storico ordini del cliente, verifica lo stato di una spedizione tramite l'API del corriere, consulta le policy di reso e scrive una risposta personalizzata che tiene conto di tutto il contesto. Se il caso richiede un'escalation, apre il ticket, allega il riepilogo della conversazione e lo assegna all'operatore più adatto.

Elaborazione documenti

L'analisi di documenti complessi (contratti, fatture, report) è un caso naturale. Un agente legge un contratto, estrae le clausole rilevanti, le confronta con i termini standard dell'azienda, segnala le deviazioni e produce un riepilogo strutturato. E itera: se una clausola è ambigua, cerca precedenti nel database contrattuale o chiede chiarimenti.

Generazione e revisione di codice

I coding assistant di nuova generazione ricevono una specifica, generano il codice, lanciano i test, leggono gli errori, correggono e ripetono finché i test passano. Non è autocompletamento: è un ciclo di sviluppo autonomo che regge compiti di complessità medio-alta.

Ricerca e analisi dati

Un agente può interrogare più database, incrociare fonti eterogenee e generare un report con grafici, partendo da una semplice domanda di business ed esplorando in autonomia. È il caso in cui un'analisi che richiederebbe giorni si riduce a minuti.

05Con quali strumenti si costruisce

L'ecosistema cambia in fretta. Ci sono soluzioni per ogni livello di competenza, dalle librerie per sviluppatori ai builder visuali no-code. La scelta dipende dalla complessità del caso, dalle competenze del team e da quanta personalizzazione vi serve.

Framework per chi programma

LangChain e il suo ecosistema (LangGraph, LangSmith) sono lo standard di fatto per costruire agenti in Python e JavaScript. LangGraph in particolare permette di definire un agente come un grafo con stati, transizioni e cicli, dandovi un controllo granulare sul flusso. La curva di apprendimento è impegnativa, ma la flessibilità è massima.

CrewAI sceglie un'altra strada, orientata alla collaborazione tra più agenti. Ogni agente ha un ruolo (ricercatore, scrittore, revisore) e collabora con gli altri. Funziona bene per processi che richiedono competenze diverse in sequenza o in parallelo.

Piattaforme low-code e no-code

n8n, con i suoi nodi AI, è una via di mezzo interessante: una piattaforma di automazione visuale open-source che ha integrato capacità agentiche. Potete creare workflow con nodi LLM che hanno accesso a strumenti, mantenendo la semplicità del drag-and-drop. Per molte aziende è il miglior rapporto tra potenza e accessibilità, ed è spesso da qui che consiglio di partire.

06Limiti e rischi da non sottovalutare

Gli agenti sono un passo avanti reale, ma la loro autonomia introduce rischi che nei sistemi tradizionali non esistevano. Guardarli in faccia è la condizione per un'adozione seria.

Allucinazioni che diventano azioni

I modelli possono produrre informazioni sbagliate con grande sicurezza apparente. In un chatbot un'allucinazione genera una risposta errata. In un agente genera un'azione errata: un ordine sbagliato, un'email al destinatario sbagliato, un file cancellato. L'errore esce dallo schermo ed entra nel mondo reale.

Agenti che scappano di mano

Il rischio specifico è il cosiddetto runaway agent: un agente che, dentro il suo ciclo di ragionamento, prende una direzione imprevista e continua ad agire senza mai convergere verso l'obiettivo. Risultato: costi che salgono (ogni iterazione consuma token e magari chiamate API a pagamento), azioni indesiderate o blocco del sistema.

Costi, latenza e sicurezza dei dati

Un agente complesso può richiedere decine di chiamate al modello per un singolo compito. Ogni chiamata ha un costo in token e una latenza in secondi. Per task che un workflow chiude in millisecondi, un agente può metterci minuti e costare ordini di grandezza in più: il vantaggio deve giustificare il sovracosto. A questo si aggiunge la sicurezza dei dati. Un agente con accesso a database, email e documenti riservati ha un perimetro di rischio ampio. Una prompt injection, cioè un input malevolo nascosto in un documento, può indurlo a compiere azioni non previste. Definire i permessi con rigore e validare gli input non è un optional.

07Quando ha senso usarli: cinque domande

La domanda giusta non è "come costruisco un agente" ma "vale la pena costruirlo". Per rispondere uso un piccolo framework decisionale: cinque domande. Se rispondete "sì" a tre o più, allora un agente merita una valutazione seria.

1. Il processo richiede interpretazione? Se le regole sono chiare e le eccezioni poche, meglio un workflow. Se serve giudizio contestuale, l'agente ha un vantaggio.
2. Le fonti dati sono multiple ed eterogenee? Gli agenti brillano quando devono integrare CRM, email, documenti e database per produrre un risultato coerente.
3. Il percorso non è prevedibile? Se ogni caso può richiedere passaggi diversi a seconda del contesto, la flessibilità dell'agente diventa valore.
4. L'errore è tollerabile? Gli agenti sbagliano. Se c'è margine (una bozza che poi viene revisionata) si possono usare. Se l'errore è irreversibile, serve estrema cautela.
5. Il costo del lavoro manuale è alto? Se ogni esecuzione richiede ore di lavoro qualificato, il costo dell'agente, anche alto in token, può essere ampiamente giustificato.

Non serve un agente AI per fare ciò che un if/else fa meglio. L'agente è lo strumento giusto quando il problema chiede flessibilità, non quando il processo chiede velocità.

Il percorso che consiglio è pragmatico, in tre fasi. Prima si automatizzano i processi ben definiti con workflow tradizionali. Poi si introducono componenti AI dentro i workflow, ad esempio un nodo LLM per classificare del testo. Solo alla fine si costruiscono agenti veri e propri, e solo per i processi che lo richiedono davvero, partendo sempre da un prototipo con human-in-the-loop prima di concedere autonomia piena.

Un'ultima cosa, ed è quella che in azienda fa la differenza tra un esperimento e un investimento: misurare. Un agente in produzione va valutato su metriche concrete: tasso di successo, costo per task, tempo medio di completamento, frequenza di errore, numero di escalation a persone in carne e ossa. Senza dati, non potete dire se l'investimento si ripaga. E senza quei dati, di solito, non si ripaga.

08Glossario rapido

I termini che ricorrono quando si parla di agenti AI, spiegati in modo accessibile per riprenderli al volo.

• Agente AI: sistema software che usa un modello linguistico per ragionare, pianificare e agire in autonomia verso un obiettivo. A differenza di un chatbot, usa strumenti esterni, itera sui risultati e si adatta al contesto.
• ReAct (Reasoning + Acting): pattern in cui il modello alterna ragionamento (thought) e azione (action); dopo ogni azione riceve un'osservazione e decide il passo dopo. È l'architettura più diffusa.
• Tool Use: capacità del modello di usare strumenti esterni (API, database, file system, browser) per agire nel mondo reale. È ciò che trasforma un sistema che "parla" in uno che "agisce".
• Function Calling: meccanismo con cui il modello genera una chiamata strutturata a una funzione, con nome e parametri in JSON. Rende affidabile il tool use, evitando di interpretare testo libero.
• Chain-of-Thought (CoT): tecnica in cui il modello esplicita i passaggi intermedi del ragionamento prima della risposta finale. Migliora la qualità sui problemi complessi e rende le decisioni più trasparenti.
• Human-in-the-Loop (HITL): approccio in cui una persona interviene nei punti critici del flusso per approvare, correggere o rifiutare le azioni ad alto impatto. È la principale difesa contro errori e allucinazioni in produzione.
• Orchestrazione: il livello software che gestisce la vita dell'agente: riceve l'obiettivo, governa il loop ragionamento, azione, osservazione, invoca gli strumenti, mantiene lo stato e applica le policy di sicurezza.
• MCP (Model Context Protocol): standard aperto di Anthropic (2024) per connettere modelli a fonti dati e strumenti tramite un protocollo unificato. Un server MCP espone capacità che qualsiasi client compatibile scopre e usa, senza integrazioni su misura.
• Prompt Injection: attacco in cui un input malevolo nascosto in un dato esterno induce il modello a compiere azioni non previste. Per un agente con strumenti reali può avere conseguenze gravi. Difese: validazione degli input e principio del minimo privilegio.
• Runaway Agent: situazione in cui l'agente entra in un ciclo non convergente e continua ad agire senza raggiungere l'obiettivo. Si previene con limiti di iterazione, budget di token e timeout.

Se siete arrivati fin qui, avete già tutto quello che serve per fare la domanda giusta nella vostra azienda: non "quale agente costruisco", ma "questo problema ha davvero bisogno di un agente". Nove volte su dieci, la risposta vi farà risparmiare tempo e soldi. La decima, vi aprirà possibilità che un anno fa non esistevano.