L’AI aziendale ha attraversato tre stagioni.
La prima è stata quella dell’AI predittiva: l’apprendimento supervisionato e i modelli statistici hanno ottimizzato previsioni di domanda, churn, frodi e manutenzione, alimentando dashboard e decisioni umane.
La seconda ha coinciso con l’AI generativa, basata su foundation model e large language model capaci di creare testo, codice, immagini e di fungere da interfaccia universale per i dati aziendali.
La terza stagione si apre oggi con l’AI agentica: sistemi che non si limitano a generare contenuti o suggerimenti, ma pianificano, interagiscono con applicazioni e dati, prendono decisioni entro limiti predefiniti e compiono azioni per raggiungere obiettivi dichiarati dall’utente. Gartner identifica gli “agentic AI” come una tendenza strategica chiave del 2025 perché abilitano una “forza lavoro virtuale” che assiste e scarica lavoro da persone e software tradizionali, a patto di dotarsi di solide misure di controllo e sicurezza (Gartner, “Top Strategic Technology Trends 2025”).
Cos’è l’AI agentica e come si implementa
Per AI agentica si intende un insieme di agenti software che, guidati da modelli linguistici e da componenti di pianificazione, memoria e integrazione, sono in grado di scomporre obiettivi in sotto-task, scegliere strumenti, interagire con sistemi esterni via API e adattarsi al feedback ambientale con minima supervisione umana. Nelle definizioni più autorevoli, gli agenti combinano LLM con tecnologie per memory, planning, orchestrazione e integrazione, così da passare dalla generazione reattiva all’esecuzione guidata dagli obiettivi.
Sul piano architetturale, un agente tipico include: un modello di ragionamento (LLM) istruito con policy; un planner capace di deliberare e suddividere il lavoro; una memoria a breve e lungo termine per contesto e apprendimento operativo; un insieme di strumenti (tool use / function calling) che permettono di invocare API, database e applicazioni; un orchestratore che gestisce loop di percezione-azione, “handoff” tra agenti e approvazione umana quando necessaria; limiti e controlli di sicurezza, autorizzazioni e auditing.
Le principali piattaforme offrono oggi blocchi pronti.
OpenAI ha introdotto la Responses API e un Agents SDK per costruire agenti con tool integrati come web search, file search e “computer use”, avviando la transizione dall’Assistants API annunciato a marzo 2025.
Amazon propone Agents for Bedrock, che orchestrano modelli, basi di conoscenza e chiamate API per eseguire task end-to-end.
Esistono anche framework open-source per sistemi multi-agente, come AutoGen di Microsoft, pensato per far cooperare più agenti su problemi complessi.
Vantaggi, opportunità e casi d’uso
Il valore dell’AI agentica non sta nella sola riduzione dei tempi, ma nella capacità di automatizzare processi multi-step che oggi richiedono analisi, scrittura, interrogazione di sistemi e decisioni ripetitive.
In prospettiva, Gartner prevede che entro il 2028 il 15% delle decisioni quotidiane in azienda sarà preso in modo autonomo da sistemi agentici e che un terzo delle applicazioni enterprise integrerà questa tecnologia, partendo da livelli molto ridotti nel 2024.
I possibili casi d’uso sono innumerevoli. Vediamo qualche esempio.
Nel customer service e nelle operation front-office, agenti addestrati su policy e dati CRM possono gestire richieste, RMA, rimborsi e aggiornare record su più sistemi, con escalation solo quando serve. L’offerta di mercato va dagli agenti di Oracle per i team di vendita, focalizzati su aggiornamenti e reportistica multilingua, fino agli agenti ServiceNow che propongono piani di risoluzione e azioni su incidenti direttamente dall’interfaccia di lavoro.
Nelle funzioni IT e SecOps, agenti possono classificare eventi, correlare segnali e proporre remediation controllate, mantenendo rigorosi confini d’azione e tracciabilità; ServiceNow descrive flussi “agentic” specifici per Security Incident Response.
Nelle vendite e nel marketing, agenti collegati a CRM, knowledge base e strumenti di analisi preparano briefing, seguono follow-up e attivano azioni in modo proattivo; l’evoluzione degli assistenti Salesforce verso un paradigma agentico va esattamente in questa direzione.
Mercato, offerta e adozione: dove siamo e dove andremo nei prossimi cinque anni
La spesa complessiva in AI continua a correre e fa da traino all’adozione agentica.
IDC stima che gli investimenti globali in AI raggiungeranno 632 miliardi di dollari nel 2028 e proseguiranno fino a circa 1,3 trilioni di dollari nel 2029 con un tasso di crescita annuale composto del 31,9% tra 2025 e 2029.
In Europa, IDC prevede 144 miliardi di dollari al 2028, con CAGR intorno al 30%.
Sul versante adozione, McKinsey rileva nel 2025 che il 78% delle organizzazioni utilizza l’AI almeno in una funzione, in crescita rispetto al 72% di inizio 2024, segno che l’AI generativa sta entrando nei processi e creando le basi per scenari agentici (“The State of AI”, marzo 2025).
L’offerta è in piena espansione, ma va separato il marketing dalla sostanza: Gartner avverte che oltre il 40% dei progetti agentici verrà interrotto entro il 2027 per costi e valore poco chiaro e denuncia fenomeni di “agent washing”, con pochi vendor realmente agentici rispetto alle dichiarazioni (fonte Gartner 2025 riportata da Reuters).
Allo stesso tempo, i grandi fornitori stanno convergendo su piattaforme specifiche, con un’accelerazione nello sviluppo di strumenti e ambienti dedicati agli agenti.
PMI o Enterprise: chi può permettersi l’AI agentica
L’AI agentica non è prerogativa esclusiva delle grandi aziende. La differenza, semmai, sta nel modello operativo.
Le grandi organizzazioni hanno processi complessi, portafogli applicativi stratificati e forti requisiti di governance: qui prevalgono architetture multi-agente, orchestrazione su misura, integrazione profonda con sistemi di record ed estese misure di sicurezza e audit.
Le PMI, invece, possono partire rapidamente con piattaforme gestite e approcci low-code, limitando l’ambito a task ad alta ripetibilità e basso rischio e sfruttando tool di mercato che offrono function calling e connessioni pre-costruite verso CRM, help desk, ERP o fogli di calcolo.
Servizi come Agents for Bedrock semplificano la definizione di gruppi di azioni, policy e basi di conoscenza, riducendo la complessità infrastrutturale.
Per entrambe le classi di imprese, il discrimine non è la dimensione, ma la qualità della definizione degli obiettivi, della gestione delle autorizzazioni, della telemetria e del ciclo di valutazione in produzione.
Guida pratica per mettere in produzione un agentic AI
Il primo passo è definire il perimetro del problema in termini di obiettivo misurabile, vincoli e accettazione del rischio. Un agente utile ha uno scopo chiaro (“riduci del 30% il tempo medio di gestione dei resi”), dati di riferimento affidabili e un processo osservabile.
Subito dopo occorre scegliere l’ambiente dell’agente: quali sistemi deve consultare, quali azioni può compiere, quali chiamate API sono ammesse e con quali permessi. In questa fase si progettano i limiti operativi e i controlli di sicurezza, applicando i principi di least privilege, convalida degli input, controllo dell’esecuzione e osservabilità continua; la letteratura recente sul tema sicurezza degli agenti in ambito retail insiste proprio su perimetri stretti, test avversari e monitoraggio costante.
Si passa quindi alla realizzazione del Minimum Viable Product (MVP) tecnico. Con piattaforme come la Responses API e l’Agents SDK si prototipa rapidamente un agente singolo o una piccola squadra di agenti con handoff espliciti, collegandoli a strumenti integrati di ricerca sul web o su file e alla capacità di “usare il computer” quando l’azione richiede interazione GUI.
In alternativa, servizi fully-managed come Agents for Bedrock permettono di configurare agenti che orchestrano modelli, basi di conoscenza e gruppi di azione verso applicazioni interne ed esterne, con un runtime gestito e API coerenti.
Framework open-source come AutoGen consentono di impostare conversazioni multi-agente e pattern di cooperazione tra specialisti, utili quando il flusso richiede ruoli distinti e discussione tra agenti.
La fase cruciale è l’osservabilità. Ogni esecuzione va tracciata: prompt, tool usati, input/risposte, errori, tempi e risultati. Si definiscono dataset di valutazione con task realistici e metriche di outcome (accuratezza operativa, tasso di intervento umano, NPS/CSAT, risparmio di tempo) e si adotta un ciclo di “test in arena” prima dell’esposizione all’utenza. Il settore si sta attrezzando anche con sandbox e digital twin per collaudare agenti contro scenari realistici e rumorosi prima del go-live, proprio per ridurre il rischio di progetti che non superano la fase pilota.
Infine, si procede al roll-out controllato. L’agente entra in produzione con feature flag e soglie di confidenza che determinano quando chiedere l’approvazione umana. Si pianificano aggiornamenti incrementali di competenze e strumenti, si documentano policy e responsabilità e si mette in conto che alcuni casi falliranno: secondo Gartner, oltre il 40% delle iniziative agentiche potrebbe essere dismesso entro il 2027 per costi e valore non dimostrato, un monito a mantenere il focus su KPI concreti e su un perimetro d’azione ben definito.