Come implementare un agente AI in azienda: la checklist prima di partire

Il punto di partenza di quasi tutti i progetti che si arenano è lo stesso: si cerca lo strumento prima di aver preparato la casa. Chiedersi come implementare un agente AI in azienda è la domanda giusta, ma la risposta non comincia con la scelta del modello o della piattaforma, comincia con un inventario di quello che l’azienda ha già e di quello che è disposta a mettere in mano a un sistema automatico. Documenti, procedure, permessi, un referente interno che risponda al telefono. Questa è una checklist operativa per chi deve decidere: cosa fornisci tu, cosa fa il partner, e dove sta il punto in cui la maggior parte dei progetti si ferma.

In questo articolo scoprirai:

• Come implementare l’intelligenza artificiale in azienda: perché si parte dai dati, non dal modello
• Cosa deve preparare l’azienda prima di implementare un agente AI: la checklist in sei voci
• Come si sviluppa un agente AI: cosa fa il partner e cosa resta all’azienda
• Come si usa un agente AI dopo il go-live: supervisione umana, escalation e misura
• Cosa possono fare gli agenti AI in azienda: esempi reali di agenti AI già in produzione
• Quando basta uno strumento gratuito o Copilot, e quando no
• Perché implementare un agente AI in azienda senza affiancamento quasi mai arriva in produzione

Come implementare l’intelligenza artificiale in azienda: perché si parte dai dati, non dal modello

La domanda «quale AI scelgo» arriva troppo presto. Un agente non è un software che installi: è un sistema che ragiona sul materiale che gli dai, e la qualità del materiale decide il risultato molto più della scelta tra un modello e l’altro. Se i tuoi documenti sono contraddittori, l’agente sarà contraddittorio, con la differenza che lo sarà velocemente, a tutte le ore, e con il tono di chi è sicuro.

Il comunicato Gartner del 25 giugno 2025 è, a oggi, l’ancora più solida su questo punto: oltre il 40% dei progetti di AI agentica verrà cancellato entro la fine del 2027 (ripresa su MarTech), per costi in crescita, valore di business poco chiaro o controlli di rischio inadeguati. Circolano numeri più drammatici, 95%, 88%, 79%, ma nessuno di quelli è riconducibile a una fonte primaria verificabile, e preferiamo dirlo invece di ereditarli. Il dato Gartner basta: la causa dichiarata non è che gli agenti non funzionino, è che vengono applicati male.

Implementare un agente AI in azienda: conta il processo, non il modello

La stessa indicazione arriva da chi costruisce questi sistemi. Anthropic, nella sua guida tecnica agli agenti, raccomanda di partire da prompt semplici, ottimizzarli con valutazioni complete e aggiungere sistemi agentici multi-step solo quando le soluzioni più semplici non bastano. Tradotto per un decisore: prima di comprare autonomia, verifica di avere qualcosa da automatizzare che sia già descritto, ripetibile e misurabile. Se un processo non è scritto da nessuna parte, l’agente non lo imparerà per osmosi.

Il lavoro preparatorio, quindi, non è tecnico: è documentale e organizzativo. È la stessa logica dell’audit dei dati prima del pilot, e vale la pena farlo prima di firmare qualsiasi contratto, perché è l’unica fase in cui puoi ancora scoprire a costo zero che il progetto non regge.

Cosa deve preparare l’azienda prima di implementare un agente AI: la checklist in sei voci

Questa è la parte che nessun fornitore può fare al posto tuo, perché riguarda materiale che esiste solo dentro la tua azienda. Qui elenchiamo il materiale da mettere fisicamente sul tavolo; la preparazione organizzativa che serve prima di far entrare un partner, ruoli, aspettative, governo del progetto, è un altro perimetro, e l’abbiamo trattata nell’articolo dedicato. Sei voci, e vanno chiuse tutte prima del kickoff, non durante.

Documenti e procedure: la materia prima dell’agente AI

• 1. I documenti. Listini, schede prodotto, manuali, contratti tipo, FAQ interne, email ricorrenti. Non serve che siano belli: serve che siano aggiornati e che tu sappia dire quale versione è quella valida. Il caso peggiore non è l’assenza di documentazione, è averne tre versioni diverse senza sapere quale vince.

• 2. Le procedure. Come si gestisce un reso, quando si applica uno sconto, chi autorizza cosa. Se la procedura vive nella testa di una persona, va scritta, anche male, anche in venti righe. Un agente esegue istruzioni: senza istruzioni, improvvisa.

• 3. Il tone of voice. Tre esempi di risposta che consideri corrette e tre che consideri sbagliate valgono più di dieci pagine di brand book. È il modo più rapido per far capire al partner dove sta il confine tra «cordiale» e «troppo confidenziale».

Tone of voice, permessi e referente interno: le tre voci che si dimenticano

• 4. Le integrazioni. Elenca i sistemi che l’agente dovrà leggere o scrivere: gestionale, CRM, e-commerce, ticketing, posta. Per ciascuno serve sapere se esiste un’API, chi la governa e chi può autorizzare l’accesso.

• 5. I permessi. Qui si decide il rischio reale. Cosa può leggere l’agente, cosa può scrivere, cosa non deve vedere mai. La regola sana è: massimo accesso in lettura sui dati di dominio, permessi di scrittura concessi uno alla volta e solo dopo un periodo di osservazione.

• 6. Il referente interno. Una persona con nome e cognome, che conosce il processo e ha tempo allocato. Non il titolare «quando riesce». Senza questa figura il progetto rallenta sempre, qualunque sia il fornitore. È il punto che approfondiamo in cosa preparare prima del partner AI, ed è anche il primo segnale di AI agent readiness: se non riesci a nominare il referente, non sei pronto.

Come si sviluppa un agente AI: cosa fa il partner e cosa resta all’azienda

La domanda «come posso sviluppare un agente AI» ha due risposte molto diverse a seconda di chi la fa. Per uno sviluppatore è una questione di modello, tool e istruzioni. Per un’azienda è una questione di ripartizione del lavoro: il cliente porta il contenuto e le decisioni, il partner porta il metodo e l’infrastruttura. Confondere i due ruoli è il modo più rapido per bloccare tutto.

Mappa dei dati, normalizzazione e knowledge base iniziale

Il primo deliverable del partner è una mappa dei dati: dove stanno le informazioni, in che formato, chi le possiede, quali sono affidabili. Poi viene la normalizzazione, trasformare PDF scansionati, fogli Excel e cartelle condivise in un corpus coerente e interrogabile, e infine la knowledge base iniziale, cioè la base su cui l’agente costruirà le risposte. È il meccanismo che sta dietro all’approccio RAG, ed è la fase che separa un assistente generico dagli agenti AI su misura: è dove si decide se l’agente citerà il listino giusto.

Guardrail e integrazioni: dove finisce ragionevolmente il fai-da-te

Il secondo deliverable sono i guardrail. La documentazione OpenAI sui guardrail li descrive come controlli automatici su tre livelli: input guardrail che bloccano le richieste non ammesse prima che il modello parta, output guardrail che validano la risposta, e tool guardrail che verificano argomenti e risultati delle chiamate agli strumenti. La stessa documentazione prevede il meccanismo delle approvals: l’esecuzione si interrompe prima di azioni con effetti collaterali, cancellazioni, modifiche, comandi, e riprende solo dopo l’approvazione umana.

Il terzo deliverable sono le integrazioni. Standard come il Model Context Protocol, definito dai suoi autori «una porta USB-C per le applicazioni AI», hanno reso il collegamento ai sistemi aziendali molto meno artigianale di due anni fa, ma «meno artigianale» non significa «automatico»: chi si occupa di MCP server sa che il lavoro vero è sui permessi e sulla qualità delle risposte, non sulla connessione.

Come si usa un agente AI dopo il go-live: supervisione umana, escalation e misura

Un agente acceso non è un agente adottato. Le prime settimane servono a scoprire i casi limite, e l’unico modo per scoprirli è guardare le conversazioni vere. Il modello operativo corretto nelle prime sei-otto settimane è: l’agente propone, una persona verifica a campione, e i permessi di scrittura si allargano solo sui casi già visti funzionare.

Anthropic è esplicita, in Building effective agents, sulla necessità di far sì che gli agenti «si fermino per il feedback umano ai checkpoint o quando incontrano un blocco», e raccomanda test estesi in ambienti isolati prima della produzione. Non è prudenza da manuale: è la differenza tra scoprire un errore su cinque conversazioni interne e scoprirlo su cinquecento email ai clienti.

Usare un agente AI a norma: AI Act, Garante privacy e framework NIST

C’è poi la parte che riguarda la conformità, e in Europa non è opzionale. Il quadro normativo dell’AI Act prevede obblighi di trasparenza per i sistemi che interagiscono con le persone, misure di sorveglianza umana per i sistemi ad alto rischio e, dal 2 febbraio 2025, obblighi di alfabetizzazione AI del personale; l’applicazione generale è fissata al 2 agosto 2026. Sul fronte dati personali, il Garante privacy richiama base giuridica, informativa, valutazione d’impatto quando il rischio lo richiede e supervisione umana sulle decisioni automatizzate.

Per organizzare tutto questo senza inventarsi un metodo da zero esiste l’AI Risk Management Framework del NIST (gennaio 2023), costruito su quattro funzioni, Govern, Map, Measure, Manage, di adozione volontaria ma utile proprio per assegnare ruoli e responsabilità interne. La governance degli agenti AI, cioè policy e ruoli interni, è la traduzione operativa di quel framework; se ti serve la parte normativa in dettaglio, l’abbiamo scritta in AI Act: cosa prevede.

Cosa possono fare gli agenti AI in azienda: esempi reali di agenti AI già in produzione

La domanda arriva quasi sempre dopo la checklist, ed è legittima: vale la pena preparare tutto questo materiale solo se il caso d’uso regge. IBM elenca tra le applicazioni più mature il customer service, l’ottimizzazione della supply chain con analisi di dati in tempo reale e i sistemi multi-agente in ambito sanitario, e cita il caso di un assistente legale multi-agente per la revisione contrattuale che ha ridotto il tempo per pratica da 90 a 45 minuti (panoramica IBM sugli agenti).

Esempi di agenti AI nelle PMI italiane: i tre casi che arrivano in produzione

Nelle PMI italiane i casi che arrivano in produzione più spesso sono meno spettacolari e più solidi. Primo: la risposta di primo livello su richieste ricorrenti, disponibilità, stato ordine, condizioni contrattuali, dove l’agente pesca dalla knowledge base e gira a una persona tutto ciò che esce dal perimetro. Secondo: la preparazione di documenti ripetitivi, preventivi e offerte su listino, con la persona che approva prima dell’invio. Terzo: la ricerca interna, cioè il recupero di informazioni sepolte in anni di documenti, che è il caso con il ritorno più rapido perché non richiede permessi di scrittura.

Il criterio per scegliere è sempre lo stesso: un processo ad alta frequenza, con un esito verificabile e un costo dell’errore contenuto. Un processo raro e ad alto rischio è il peggior candidato possibile per il primo progetto, anche quando è quello che fa più male. Su quali processi funzionano davvero, e perché, abbiamo scritto un pezzo dedicato: tre processi aziendali che funzionano. Per la definizione di base, invece, la guida di riferimento è agenti AI: cosa sono.

Quando basta uno strumento gratuito o Copilot, e quando no

La domanda sugli strumenti gratuiti arriva quasi sempre, e merita una risposta onesta invece di una scrollata di spalle. Gli strumenti gratuiti sono ottimi per capire se un caso d’uso ha senso, e inadatti a portarlo in produzione. Il limite non è la qualità del modello, è quasi sempre lo stesso di quello a pagamento, ma tutto il resto: nessun controllo su dove finiscono i dati, nessun log consultabile, nessun permesso granulare, nessuna continuità se chi l’ha configurato cambia ruolo.

Agenti AI Copilot: cosa cambia tra Microsoft 365 Copilot e Copilot Studio

Il caso di Copilot è diverso e va distinto. Microsoft 365 Copilot è un assistente che lavora sul tuo tenant; Copilot Studio è invece lo studio low-code con cui si costruiscono agenti veri e propri, collegati alle fonti di conoscenza aziendali e pubblicati su Teams, siti o app, con analytics, valutazioni e inventario amministrativo. La differenza tra i due è esattamente la differenza tra «usare un’AI» e «implementare un agente AI in azienda»: il secondo richiede knowledge configurata, azioni, autenticazione e un modello di billing da governare.

Se l’azienda è già tutta su Microsoft 365 e il caso d’uso vive dentro SharePoint e Teams, quella strada è ragionevole. Se invece i dati stanno in un gestionale verticale, in un e-commerce e in tre cartelle condivise, il lavoro di integrazione e normalizzazione resta identico a prima, cambia solo il posto dove finisce. La scelta tra i due approcci è il tema di agente AI chiavi in mano o self-service, e non ha una risposta unica: ha una risposta per azienda.

Perché implementare un agente AI in azienda senza affiancamento quasi mai arriva in produzione

Torniamo al dato di partenza. Gartner attribuisce la mortalità dei progetti agentici a costi, valore poco chiaro e controlli inadeguati, e segnala un fenomeno che complica la selezione del fornitore: l’agent washing, cioè il rebranding di chatbot e automazioni esistenti come «agenti». Secondo la stima riportata nel comunicato Gartner del 25 giugno 2025, su migliaia di vendor che dichiarano capacità agentiche solo un centinaio circa le ha davvero. È il motivo per cui la domanda giusta da fare a un fornitore non è «cosa sa fare il vostro agente», ma «chi normalizza i miei dati, chi configura i guardrail e chi c’è la settimana dopo il go-live».

Implementare un agente AI in azienda: cosa nessuna licenza include

Quell’ultima parte è il vero discrimine. La tecnologia agentica è diventata accessibile; l’affiancamento no. Tra la demo che funziona e l’agente che gestisce richieste vere ci sono la mappa dei dati, la knowledge base, i permessi, il periodo di osservazione, la formazione di chi dovrà usarlo e la gestione della resistenza di chi non lo voleva. Sono settimane di lavoro che nessuna piattaforma include nel prezzo della licenza, e che l’azienda media non ha le persone per fare da sola.

Chi affianca l’azienda dopo il go-live

È la ragione per cui mimir.bot non è solo un prodotto ma un servizio chiavi in mano assistito: l’agente viene costruito sui documenti e sulle procedure dell’azienda, con una fase di onboarding seguita passo passo in cui il partner porta metodo, normalizzazione e guardrail mentre il cliente porta contenuto e decisioni, fino al momento in cui il team interno è autonomo.

Cosa succede concretamente in quelle prime settimane lo abbiamo raccontato in primi 30 giorni, e il lato umano in change management per agenti AI. Perché la parte difficile, come ricorda lo stesso Gartner nel comunicato del 25 giugno 2025 citando Daryl Plummer, è dare priorità ai cambiamenti di comportamento tanto quanto a quelli tecnologici, ed è la parte che non si compra a scaffale.

Se hai la checklist in mano e ti manca chi la percorre insieme a te, è esattamente il lavoro che facciamo: Tinke affianca le aziende dalla mappa dei dati fino al momento in cui l’agente lavora in produzione e il team interno può gestirlo da solo. Una consulenza iniziale serve soprattutto a capire se il caso d’uso regge, e a dirtelo prima che tu abbia speso, non dopo.

Fonti:

• Gartner, Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 (25 giugno 2025)
• MarTech, Gartner: 40% of agentic AI projects will fail, making humans indispensable
• Anthropic, Building effective agents
• OpenAI, Agents: guardrails and approvals
• Model Context Protocol, Introduzione
• Microsoft Learn, What is Copilot Studio
• Commissione europea, Regulatory framework for AI (AI Act)
• NIST, AI Risk Management Framework
• IBM Think, AI agents