Gli agenti AI sono oggi la categoria più nominata e meno definita del software aziendale: quasi ogni fornitore chiama “agente” il proprio prodotto, e quasi ogni azienda che ne ha attivato uno si chiede se lo sia davvero.
La differenza rispetto a un chatbot non sta nell’interfaccia — parlano entrambi in linguaggio naturale — ma in tre criteri verificabili: obiettivo, strumenti, controllo del risultato. Se il sistema che stai valutando ne soddisfa meno di due, non è un agente: è un chatbot con un buon prompt. È una distinzione noiosa e utilissima, perché separa i progetti che entrano in produzione da quelli che restano demo.
Qui trovi la definizione operativa per fare questa verifica, i tre processi aziendali in cui questi sistemi sono già al lavoro con i numeri di adozione misurati, cosa serve per partire e cosa va storto le prime volte.
In questo articolo scoprirai:
- La definizione in tre criteri: obiettivo, strumenti, controllo
- Cosa c’è sotto: modello, memoria, autonomia
- Tre processi in cui gli agenti AI funzionano già
- Cosa serve per partire
- Cosa va storto le prime volte
La definizione in tre criteri: obiettivo, strumenti, controllo
Le definizioni da manuale — Google Cloud e IBM descrivono entrambe un sistema software autonomo orientato agli obiettivi — sono corrette e inservibili: non ti dicono se quello che hai in azienda lo è. I tre criteri qui sotto sì, perché si verificano guardando cosa fa il sistema, non cosa promette la scheda prodotto.
Criterio 1: riceve un obiettivo, non un turno di conversazione
Un chatbot riceve una domanda e produce una risposta: l’unità di lavoro è il singolo scambio. Un agente riceve un esito da raggiungere — “chiudi questo ticket”, “riconcilia queste fatture”, “prepara la bozza di questo contratto” — e lo scompone da sé nei passaggi necessari, che possono essere tre o quindici.
La verifica pratica: se togli la conversazione, il sistema ha ancora un lavoro da fare? Un agente sì, e spesso lavora in background senza nessuno davanti allo schermo. Un chatbot senza interlocutore non esiste.
Criterio 2: usa strumenti, non solo parole
È il criterio che pesa di più. Attraverso il tool calling (o function calling) il sistema invoca funzioni reali: interroga il CRM, aggiorna un ticket, estrae dati da un gestionale, genera un documento, avvia un workflow. Non descrive l’azione da compiere: la compie, lasciando una traccia.
La verifica pratica: dopo che il sistema ha lavorato, è cambiato qualcosa in un software aziendale? Se l’unico artefatto prodotto è testo sullo schermo, il criterio non è soddisfatto — per quanto sofisticato sia il testo.
Su questo punto è nato uno standard: il Model Context Protocol (MCP), la cui specifica ufficiale normalizza il collegamento tra il sistema e gli strumenti a cui accede, mentre il protocollo A2A (Agent-to-Agent) regola il dialogo tra agenti diversi. Dalla fine del 2025 entrambi sono governati dall’Agentic AI Foundation della Linux Foundation.
Criterio 3: verifica il risultato e cambia strada
Il terzo criterio è il più trascurato: un agente controlla l’esito delle proprie azioni e, se il risultato non regge, ripianifica. Il dato non c’era, l’API ha risposto errore, il cliente non è quello previsto: cambia sequenza e riprova, oppure si ferma ed escala a una persona.
La verifica pratica: cosa succede quando un passaggio fallisce? Se il sistema restituisce comunque un output plausibile senza accorgersi dell’errore, non sta controllando niente. È qui che si separa l’automazione robusta dalla demo che funziona solo sul caso felice.
Come si legge il risultato del test
Tre criteri su tre: è un agente. Due su tre: è un agente parziale, di solito perché manca il controllo del risultato — funziona, ma va tenuto sotto supervisione stretta. Meno di due: è un chatbot AI, e non c’è niente di male — a patto di non pagarlo come un agente e di non aspettarsi che riduca il carico di lavoro operativo.
Questo test serve soprattutto in fase di acquisto: applicato a una demo commerciale, chiarisce in dieci minuti se stai comprando automazione o conversazione.
Cosa c’è sotto: modello, memoria, autonomia
Il modello è un componente, non il prodotto
Il cuore cognitivo è quasi sempre un modello linguistico di grandi dimensioni (LLM), che interpreta la richiesta e ragiona sul contesto. Ma l’efficacia dipende molto più dall’architettura che dal modello scelto: dagli strumenti collegati, dai permessi, dai controlli.
Per questo le piattaforme mature restano agnostiche rispetto all’LLM: usano modelli diversi a seconda del caso d’uso, della lingua o dei requisiti di riservatezza, e possono cambiarli quando il mercato si muove — senza riprogettare l’infrastruttura. Legarsi a un unico fornitore di modello è oggi il vincolo architetturale che invecchia peggio.
Memoria e contesto
Un agente conserva memoria a breve e lungo termine: la cronologia delle interazioni, ma anche informazioni strutturate su un cliente, una commessa, una procedura. Serve a due cose: evitare che l’utente ripeta ciò che ha già detto e rendere il sistema progressivamente più competente sul contesto specifico in cui opera.
È anche il punto in cui nascono i problemi di riservatezza più concreti: la memoria va perimetrata per ruolo e per finalità, esattamente come gli accessi a un gestionale.
L’autonomia utile è governata
In azienda la forma efficace di AI agentica non è l’autonomia totale, ma quella controllata: l’agente lavora e prepara l’output, una persona approva le azioni critiche — dati sensibili, impegni contrattuali, decisioni con impatto economico.
Non è una cautela teorica: fra gli sviluppatori che usano agenti al lavoro, il 60% impedisce loro di apportare modifiche non approvate ai sistemi e il 68% preferisce configurazioni prevedibili a singolo agente rispetto a impianti multi-agente (Stack Overflow, maggio 2026). Chi li usa di più è anche chi li tiene più al guinzaglio. Sul piano di ruoli e responsabilità, il riferimento è la governance degli agenti AI e l’AI Act.
Tre processi in cui gli agenti AI funzionano già
“Funzionano già” qui significa una cosa precisa: non che esista un caso di successo raccontato bene, ma che una quota rilevante e misurata di aziende li ha in esercizio su quel processo. Sono tre.
1. Assistenza clienti
È il processo più avanti di tutti, e non per caso: il volume è alto, l’esito è verificabile (il ticket si chiude o no) e il costo dell’errore è recuperabile. Secondo lo State of Service di Salesforce, il 66% delle organizzazioni di assistenza dichiara di usare AI agentica, contro il 39% della rilevazione precedente: un raddoppio quasi netto in un anno.
Il dato interessante non è la percentuale ma dove viene applicata: il 77% dei team che hanno agenti li usa sia verso il cliente sia verso l’interno, per preparare risposte, recuperare storici e istruire le pratiche prima che le veda un operatore. La quota di lavoro sottratta al backlog interno è spesso più grande di quella visibile in chat.
2. Sviluppo software e IT
È il processo con la crescita più rapida misurata su una base ampia: l’uso di agenti al lavoro fra gli sviluppatori è passato dal 31% al 59% in un anno (Stack Overflow, maggio 2026), con l’aumento concentrato nell’uso quotidiano — cioè nell’abitudine, non nella prova.
Vale come indicatore anche fuori dall’IT, per due ragioni. La prima: è il dominio in cui l’esito è verificabile automaticamente — il codice compila, i test passano — ed è esattamente la condizione che rende un processo adatto a un agente. La seconda: gli sviluppatori sono la popolazione che ha usato questi sistemi più a lungo, e il loro atteggiamento resta prudente. Adozione alta e fiducia bassa convivono: è un buon modello mentale anche per gli altri reparti.
3. Back office documentale e amministrativo
Il terzo processo è il meno raccontato e il più redditizio: classificare documenti, estrarre dati, riconciliare, istruire pratiche. Nel settore finanziario — il più regolato e quindi il più prudente — quattro dei cinque casi d’uso AI più diffusi sono funzioni di back office, con l’automazione di processo al 79% fra pilota e produzione (Cambridge Centre for Alternative Finance, 2026).
Il motivo è lo stesso dei due precedenti: l’output è confrontabile con una verità nota. Un importo estratto è giusto o sbagliato, un documento è classificato bene o male. Dove esiste un criterio di correttezza, un agente si può misurare — e quindi si può migliorare.
Quanto è diffusa davvero l’adozione
Serve una misura d’insieme per non sbagliare le proporzioni. Nell’indagine State of AI di McKinsey (1.993 organizzazioni in 105 paesi), l’88% delle aziende usa regolarmente l’AI in almeno una funzione e il 62% sta almeno sperimentando agenti, ma solo il 23% ne sta scalando uno in produzione.
La distanza fra 62% e 23% è la fotografia più onesta del momento: sperimentare è facile, portare in esercizio no. Abbiamo raccontato altrove i tre pattern che portano in produzione chi ci riesce.
Cosa serve per partire
Un processo con un esito verificabile
È il prerequisito che decide tutto il resto. Prima di scegliere una tecnologia, scegli un processo in cui esiste una risposta giusta: la pratica è completa o incompleta, l’importo torna o non torna, il ticket è risolto o riaperto. Senza un criterio di correttezza non puoi misurare l’agente, e senza misura non puoi dargli autonomia.
Scarta invece, per il primo progetto, i processi dove il risultato “dipende”: valutazioni discrezionali, decisioni negoziali, contenuti dal successo soggettivo. Non sono impossibili, sono solo pessimi punti di partenza.
Accessi, dati e permessi
Un agente vale quanto gli strumenti a cui arriva. Servono tre cose concrete: integrazioni funzionanti verso i sistemi coinvolti, dati leggibili da una macchina (non solo da una persona) e un profilo di permessi che dica cosa può fare da solo e cosa no.
Questa parte è quasi sempre sottostimata, perché non è un problema di AI: è un problema di sistemi informativi che riemerge appena provi a farci lavorare qualcosa sopra. La verifica preliminare è quella che chiamiamo AI agent readiness: si fa prima di firmare, non dopo.
Le persone e il perimetro di responsabilità
Un agente entra in un processo che oggi è di qualcuno. Va deciso in anticipo chi approva le azioni critiche, chi controlla i log, chi risponde di un errore e come si segnala un comportamento anomalo — con nomi, non con ruoli generici.
È la parte organizzativa, ed è la ragione più frequente per cui un progetto tecnicamente riuscito non viene usato. Il percorso operativo è descritto nella nostra guida all’onboarding agenti AI in azienda, e sul lato costi vale la pena stimare in anticipo quanto costa implementare un agente AI.
Cosa va storto le prime volte
Gartner prevede che oltre il 40% dei progetti di AI agentica venga cancellato entro la fine del 2027, su una rilevazione che ha coinvolto più di 3.400 organizzazioni che stanno investendo nella tecnologia. Le cause indicate sono costi fuori controllo, valore di business poco chiaro e controlli di rischio inadeguati. La capacità dei modelli non compare nell’elenco: si fallisce per ragioni organizzative.
Il progetto senza un numero da spostare
È l’errore più comune: si parte da “vogliamo un agente” invece che da “vogliamo ridurre di un terzo il tempo di istruttoria delle pratiche”. Senza un numero di partenza dichiarato prima, non esiste un momento in cui il progetto risulta riuscito — e un progetto che non può essere dichiarato riuscito viene cancellato al primo taglio di budget.
Troppa autonomia troppo presto
Il secondo errore è dare all’agente il permesso di scrivere sui sistemi prima di aver osservato come si comporta in sola lettura. La sequenza sana è: prima propone e una persona esegue, poi esegue e una persona approva, infine esegue in autonomia sui casi già visti mille volte. Saltare i primi due passaggi fa risparmiare settimane e costa mesi.
Il caso limite trattato come eccezione
Il terzo errore è progettare sul caso medio. Nei processi reali le eccezioni non sono rare: sono la metà del lavoro. Un agente che gestisce bene l’80% dei casi ma non riconosce il restante 20% genera più lavoro di quanto ne tolga, perché qualcuno deve comunque ricontrollare tutto.
Il criterio 3 serve proprio a questo: un agente che sa dire “questo caso non lo so trattare” ed escalarlo è più utile di uno che risponde sempre.
Una piattaforma, non un singolo agente
Il primo agente si costruisce da soli. Dal terzo in poi servono le cose noiose: orchestrazione, log consultabili, permessi centralizzati, un modo per aggiornare i modelli senza rifare il lavoro. È il motivo per cui le aziende che arrivano in produzione ragionano in termini di piattaforma.
Cosa cambia dal terzo agente AI in poi
Il costo che emerge dopo i primi progetti non è quello dei modelli, ma la duplicazione: tre agenti costruiti separatamente significano tre integrazioni verso lo stesso gestionale, tre insiemi di permessi da tenere allineati e tre posti diversi in cui cercare quando qualcosa non torna. È il punto in cui una scelta architetturale rimandata inizia a costare più del progetto che l’ha rimandata.
Come si valuta una piattaforma di agenti AI
Mimír AI Agent nasce con questa impostazione: agnostica rispetto ai modelli, integrabile nei sistemi esistenti, con i controlli necessari a dare autonomia in modo graduale. Se stai valutando fornitori, abbiamo messo per iscritto come scegliere il partner giusto.
Se vuoi scoprire come Mimír AI Agent può supportare la tua azienda, clicca sul pulsante e richiedi una demo.
Fonti
- The state of AI in 2025: Agents, innovation, and transformation, McKINSEY (novembre 2025, 1.993 organizzazioni)
- Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, GARTNER (25 giugno 2025)
- Agents on a leash: agentic AI remains mostly monitored at work, STACK OVERFLOW (27 maggio 2026)
- State of Service Report, SALESFORCE
- 2026 Global AI in Financial Services Report, CAMBRIDGE CENTRE FOR ALTERNATIVE FINANCE
- Model Context Protocol — specifica ufficiale, MODEL CONTEXT PROTOCOL
- Che cos’è un agente AI?, GOOGLE CLOUD
- What are AI agents?, IBM
Domande frequenti
Qual è la differenza tra un agente AI e un chatbot?
Un chatbot risponde alle domande in conversazione; un agente AI invece persegue un obiettivo: pianifica i passaggi, usa strumenti e dati esterni ed esegue azioni nei processi aziendali fino al risultato.
Quanto costa un agente AI per un'azienda?
Il costo dipende dai casi d'uso, dal numero di processi automatizzati e dal livello di integrazione. Con una piattaforma agnostica si può partire da un perimetro ridotto e scalare, ottimizzando il rapporto tra investimento e risultati.
Come si integra un agente AI con i sistemi aziendali?
Tramite connettori e protocolli standard come il Model Context Protocol (MCP), lo standard aperto introdotto da Anthropic e oggi adottato da OpenAI, Google e Microsoft, l'agente accede a software, database e servizi interni, operando dentro i workflow esistenti con controlli di sicurezza e tracciabilità.
Gli agenti AI sono sicuri per le aziende?
Sì, se governati: l'autonomia è incanalata da regole, permessi e limiti definiti, con supervisione umana sui passaggi critici e gestione dei dati conforme alle normative.
