Formazione team agenti AI dopo il go-live: cosa fa il partner

Il momento più pericoloso della vita di un agente AI aziendale non è il collaudo. È la settimana dopo. L’infrastruttura regge, i log girano, il fornitore ha consegnato le credenziali, e nel frattempo, in azienda, tre persone su dieci hanno capito cosa fa esattamente quella cosa, una sola sa dove si correggono le istruzioni, e nessuno ha idea di cosa fare quando l’output è plausibile ma sbagliato. Il progetto risulta “in produzione” su ogni slide di avanzamento. Nella realtà operativa è in stallo.

È qui che si gioca la partita vera, e i numeri lo confermano: Gartner prevede che oltre il 40% dei progetti di AI agentica verrà cancellato entro la fine del 2027, e il motivo non è la capacità dei modelli, sono costi fuori controllo, valore di business non definito e controlli inadeguati (comunicato Gartner). Problemi di gestione, non di tecnologia. Questo articolo si occupa della formazione del team sugli agenti AI dopo il go-live: parte dal giorno successivo alla messa in produzione e riguarda i ruoli da assegnare, il playbook operativo e la review dei log. Il percorso formativo in sé, moduli, ore, costi, è trattato in formazione agenti AI in azienda: moduli, ore e quanto costa, mentre il ruolo del partner nell’adozione ha un suo approfondimento dedicato in il ruolo del partner nella formazione aziendale sugli agenti AI. Qui vediamo cosa succede quando l’agente è già acceso: chi fa cosa, e dove finisce il lavoro dell’azienda e comincia quello del partner.

In questo articolo scoprirai:

• Perché il go-live di un agente AI non chiude il progetto, lo apre
• Cosa smette di funzionare quando nessuno in azienda sa usare l’agente
• I quattro ruoli che servono dopo il deploy (e chi li ricopre davvero)
• Cosa deve contenere un piano di formazione post-deploy che funziona
• Il playbook del business owner: cosa deve saper fare senza chiamare nessuno
• La review dei log: quali numeri si guardano e chi c’è al tavolo
• Cosa impone l’articolo 4 dell’AI Act a chi usa l’AI, non solo a chi la sviluppa

Perché il go-live di un agente AI non chiude il progetto, lo apre

C’è un’asimmetria che quasi tutti i piani di progetto ereditano dal software tradizionale: si dimensiona il 90% dello sforzo prima del rilascio e il 10% dopo. Con un agente AI questa proporzione è rovesciata, perché un agente non è un modulo che fa sempre la stessa cosa: è un sistema che prende decisioni su input che cambiano, dentro processi che cambiano, con modelli che vengono aggiornati sotto i piedi. Se la distinzione non è ancora netta, la trovi spiegata nella nostra guida su cosa sono gli agenti AI e come funzionano.

Il divario di scala che rende necessaria la formazione sugli agenti AI

I dati sulla scala raccontano esattamente questo divario. Secondo la ricerca McKinsey sullo stato dell’AI, l’88% delle organizzazioni usa regolarmente AI in almeno una funzione, ma solo il 23% sta scalando sistemi agentici da qualche parte, e quasi due terzi non hanno nemmeno iniziato a scalare in azienda (CX Today su McKinsey). Il dettaglio più interessante di quella rilevazione, però, è un altro: tra le organizzazioni che ottengono valore misurabile, il 65% ha processi di validazione human-in-the-loop definiti, contro il 23% di tutte le altre. La differenza tra chi ricava valore e chi no non passa dal modello scelto. Passa da quanto è chiaro chi controlla cosa.

In Italia il quadro parte da più indietro: l’indagine ISTAT citata da Randstad rileva che solo l’8,2% delle imprese con almeno 10 addetti usa AI, con le grandi al 32,5%. Significa che la maggior parte delle aziende italiane che oggi mette un agente in produzione lo sta facendo per la prima volta, senza memoria organizzativa a cui appoggiarsi. È la condizione in cui il supporto post-deploy conta di più, non di meno. Se vuoi vedere l’anello precedente della catena, l’abbiamo trattato in cosa deve consegnare il partner all’handover: la formazione comincia dove finisce quella consegna.

Cosa smette di funzionare quando nessuno in azienda sa usare l’agente

Il degrado di un agente senza presidio umano non è un crash. È molto più silenzioso, e proprio per questo passa inosservato per settimane. Ci sono quattro sintomi che ricorrono con una regolarità quasi noiosa.

Output accettati senza valutazione: il rischio più costoso

Il primo e più grave: le risposte dell’agente vengono usate senza essere giudicate. Non perché le persone siano distratte, ma perché nessuno ha detto loro cosa distingue una risposta buona da una plausibile. Microsoft, nella sua guida alla creazione di agenti, mette il dito esattamente qui: le organizzazioni devono garantire che i dipendenti sappiano “quando rivedere o modificare i propri output” (Microsoft Copilot 101). È una frase che sembra ovvia e non lo è: saper riconoscere un output sbagliato è una competenza che va insegnata, con esempi reali dell’azienda, non con principi generali.

Prompt che nessuno corregge e drift che nessuno vede

Il secondo sintomo: le istruzioni dell’agente restano congelate al giorno del rilascio mentre il processo evolve. Cambia un listino, si aggiunge un canale, si modifica una policy di reso, e l’agente continua a rispondere secondo il mondo di tre mesi prima. Il terzo: nessuno sa dove si scrive un’escalation, quindi le anomalie si accumulano in conversazioni private invece di arrivare a chi può intervenire. Il quarto: il drift, cioè lo scostamento progressivo tra ciò che l’agente fa e ciò che dovrebbe fare, resta invisibile perché nessuno guarda i log con una cadenza fissa. Come abbiamo argomentato in le quattro cause per cui i POC si bloccano, il fallimento raramente arriva da un errore clamoroso: arriva da mesi di piccoli scostamenti che nessuno era incaricato di notare.

I quattro ruoli che servono dopo il deploy (e chi li ricopre davvero)

La formazione post-deploy funziona quando smette di essere “un corso a tutti” e diventa un’assegnazione di ruoli con nomi e cognomi. Ne servono quattro, e conviene averli scritti su un documento che sopravviva al turnover.

Super-user e business owner: i due ruoli che reggono il presidio

Il super-user interno è la persona del business, non dell’IT, che usa l’agente ogni giorno e ne conosce i limiti a memoria. È chi risponde ai colleghi prima che aprano un ticket, chi si accorge che “da lunedì risponde male sulle spedizioni estere”, chi propone la correzione al prompt. I programmi strutturati di enablement lo trattano come una figura da coltivare deliberatamente: un modello di competenza a tre livelli prevede circa 2-3 ore di alfabetizzazione base per tutti, 8-12 ore per i knowledge worker su valutazione della qualità degli output, e 20-40 ore per i power user su architettura e governance degli agenti (MindStudio). Un super-user ogni circa cento utenti è la densità che viene indicata come sostenibile.

Il business owner è chi risponde del risultato, non dell’uso. Deve poter dire, a fine mese, se l’agente ha fatto risparmiare tempo netto o l’ha consumato in revisioni. La checklist operativa più chiara che abbiamo trovato su questo punto prescrive un “named owner” con quattro doveri precisi: monitorare le prestazioni settimanalmente, ricevere le escalation, decidere quando mettere in pausa l’agente ed essere il contatto per i colleghi (Voyant AI). Il potere di fermare l’agente è la parte che le aziende dimenticano di assegnare, ed è quella che conta.

Referente IT e partner: dove finisce la formazione interna sugli agenti AI

Il referente IT o data presidia accessi, permessi e integrazioni; non deve saper scrivere prompt, deve sapere cosa l’agente può toccare. Il partner, infine, non è un ruolo residuale: è chi interviene quando il problema esce dal perimetro che l’azienda può risolvere da sola, ed è il tema che abbiamo isolato in il ruolo del partner nella formazione aziendale sugli agenti AI. Su come si distribuiscono le responsabilità nell’intero ciclo, abbiamo scritto un quadro completo in le 5 fasi dell’adozione AI e chi firma cosa.

Cosa deve contenere un piano di formazione post-deploy che funziona

Un piano credibile ha tre caratteristiche che si riconoscono subito: è a livelli, è scaglionato nel tempo, e ha metriche di adozione dichiarate prima di partire.

Livelli differenziati invece del corso unico per tutti

Il corso unico è la scorciatoia più comune e la meno efficace, perché annoia i tecnici e spaventa il resto. La differenziazione per ruolo è anche ciò che l’AI Act chiede esplicitamente: le misure di alfabetizzazione vanno calibrate su “conoscenze tecniche, esperienza, istruzione e formazione” delle persone e sul contesto d’uso. Nel mercato italiano della formazione AI aziendale si vedono tre livelli abbastanza standardizzati, base per tutto il personale, avanzato per middle manager e power user, tecnico per developer, con durate che vanno da 1-2 giorni intensivi fino a 5-10 giorni distribuiti su 8-12 settimane (Soraia). Abbiamo dettagliato moduli, ore e costi in formazione agenti AI in azienda: moduli, ore e quanto costa; qui interessa il principio: il livello si scaglia sul ruolo, non sull’anzianità.

Follow-up a 30, 60 e 90 giorni: la parte che si taglia sempre per prima

La sessione d’aula produce entusiasmo e lo perde in tre settimane. Ciò che tiene l’adozione in piedi è la ripetizione ravvicinata al lavoro reale: sessioni brevi settimanali nelle prime fasi, microlearning al posto dei manuali, e check-in strutturati a 30/60/90 giorni con misurazione, non con un sondaggio di gradimento. La stessa fonte italiana è netta: l’adozione resta sostenibile nel lungo periodo solo se la formazione include hands-on sui processi reali del cliente più follow-up a scadenze fisse. E le metriche vanno separate in due famiglie: indicatori anticipatori (percentuale di persone che usano l’agente ogni settimana, tempo per raggiungere l’autonomia) e indicatori di risultato (tasso di errore, cicli di revisione, ore effettivamente liberate). Un obiettivo realistico di adozione dopo 60 giorni è il 60-80% del team con almeno un uso a settimana: sotto quella soglia non hai un problema di formazione, hai un problema di caso d’uso. Come si incastra tutto questo nelle prime settimane di esercizio l’abbiamo ricostruito in cosa fa il partner nelle prime 8 settimane, mentre la preparazione culturale che precede tutto questo la trovi in change management per agenti AI.

Il playbook del business owner: cosa deve saper fare senza chiamare nessuno

Il playbook è un documento corto, due pagine, non venti, che risponde a domande operative in linguaggio non tecnico. È lo strumento che rende il business owner autonomo sull’ordinario e disciplinato sullo straordinario.

Deve contenere almeno: cosa fa l’agente e cosa esplicitamente non fa; quali azioni richiedono approvazione umana obbligatoria; cosa guardare nei log e con che frequenza; come si mette in pausa; chi si chiama, entro quanto, e con quali informazioni. Sulle approvazioni obbligatorie la letteratura tecnica è convergente: servono gate umani su modifiche di fatturazione, azioni sul personale, cancellazione dati e comunicazioni verso l’esterno, più interruttori automatici in caso di errori ripetuti o cicli anomali (Product School). Sono le quattro categorie in cui un errore dell’agente non si corregge con una scusa.

Le tre domande che Forbes, commentando la previsione Gartner, suggerisce di risolvere prima del via libera valgono anche dopo: qual è la metrica di successo scritta e chi l’ha approvata; l’agente ha oggi gli accessi a dati e strumenti che gli servono; chi risponde dei fallimenti e in quanto tempo si torna indietro (Forbes). Se il playbook non risponde alla terza, l’agente sta operando senza rete. La cornice contrattuale che rende esigibili queste risposte l’abbiamo descritta in cosa include il contratto di gestione continua col partner.

La review trimestrale dei log: cosa si guarda e chi c’è al tavolo

La revisione periodica dei log è il punto in cui la formazione smette di essere teoria e diventa un’abitudine aziendale. La cadenza minima che consigliamo è mensile nei primi tre mesi e trimestrale a regime, con una review obbligatoria a 30 giorni dal go-live: si confronta quanto tempo richiedeva il processo manuale con quanto ne richiede ora, incluso il tempo speso a rivedere e correggere il lavoro dell’agente. Il criterio di successo è brutalmente semplice: il tempo risparmiato deve superare il tempo di supervisione. Se non lo supera, l’agente sta spostando fatica, non riducendola.

Al tavolo servono quattro numeri e due letture qualitative. I numeri, tasso di completamento del compito, frequenza delle escalation a umano, tasso di errore sugli strumenti invocati, costo per operazione riuscita, sono gli stessi indicatori che i quadri di riferimento sul deployment degli agenti AI mettono al centro del monitoraggio continuo. Le letture qualitative: un campione di conversazioni reali lette a mano, anche quando le metriche sono verdi, perché la revisione a campione intercetta ciò che le medie nascondono, e i commenti raccolti dai super-user. Chi partecipa: business owner, super-user, referente IT, e il partner almeno una volta a trimestre. La parte tecnica del presidio, dagli aggiornamenti dei modelli al monitoraggio degli errori, è trattata in manutenzione agenti AI post-deployment.

C’è una ragione strutturale per cui questa disciplina non è rimandabile: l’autonomia operativa degli agenti sta crescendo più in fretta della governance che dovrebbe contenerla, ed è esattamente la combinazione, controlli inadeguati più valore di business non definito, che porta alla cancellazione di oltre il 40% dei progetti agentici entro il 2027 (MarTech su Gartner). È la definizione operativa di rischio accumulato.

AI literacy e AI Act: dal 2026 la formazione non è più una buona pratica

C’è un motivo in più, e non è di opportunità: è di conformità. L’articolo 4 del Regolamento UE 2024/1689 stabilisce che fornitori e deployer di sistemi di AI “adottano misure per garantire, nella massima misura possibile, un livello sufficiente di alfabetizzazione in materia di AI del loro personale e delle altre persone che si occupano del funzionamento e dell’utilizzo dei sistemi di AI a loro nome” (testo dell’articolo 4). L’obbligo è in vigore dal 2 febbraio 2025; dal 2 agosto 2026 scattano la piena applicazione del Regolamento e la vigilanza delle autorità nazionali, senza che sia richiesta alcuna certificazione.

Obblighi di formazione sugli agenti AI per i deployer, non solo per i fornitori

Due implicazioni pratiche che spesso sfuggono. La prima: l’obbligo riguarda i deployer, cioè le aziende che semplicemente usano l’AI, non solo chi la sviluppa. Se in azienda gira un agente che risponde a clienti o supporta decisioni, l’obbligo formativo è vostro, anche se il sistema l’ha costruito qualcun altro. La seconda: la norma non impone un corso standard né una certificazione, quindi la conformità non si dimostra con un attestato, si dimostra con evidenza documentata di misure proporzionate ai ruoli. Registro delle sessioni, materiali, playbook, verbali delle review dei log: la documentazione della formazione continua è essa stessa la prova di conformità. Il quadro normativo completo, con le scadenze aggiornate, è nel nostro approfondimento sull’AI Act.

Vale la pena dirlo senza retorica: qui l’incentivo regolatorio e l’incentivo economico puntano nella stessa direzione. La formazione che vi mette in regola è la stessa che evita di finire nel 40% dei progetti cancellati. Raramente capita che compliance e ritorno coincidano così bene.

Il servizio è la parte che non si consegna al go-live

Su questo abbiamo una posizione netta, ed è la ragione per cui in MIMIR l’onboarding non si chiude con la messa in produzione. Consegnare un agente funzionante e andarsene è la modalità che genera il 40% di progetti cancellati: tecnicamente irreprensibile, operativamente inutile. Continuiamo invece con la formazione dei super-user, il playbook per chi risponde del risultato, le sessioni di review dei log e un canale di escalation che ha un tempo di risposta scritto, perché un agente in produzione è un servizio in corso, non un prodotto consegnato. È anche il modo in cui impariamo cosa non funziona nei sistemi che costruiamo: i log li leggiamo insieme a voi, e il percorso graduale che ne deriva l’abbiamo descritto in come si scala un agente AI da pilot a produzione.

Se avete un agente già in produzione e riconoscete qualche sintomo di questa lista, o se state per andare in go-live e volete impostare il presidio prima che serva, parliamone: valutiamo insieme quali ruoli mancano e quale piano di formazione ha senso per la vostra organizzazione. Se invece state ancora scegliendo a chi affidarvi, la nostra guida su come scegliere il fornitore giusto in Italia contiene le domande da fare prima di firmare.

Fonti:

• Gartner — Over 40% of agentic AI projects will be canceled by end of 2027
• MarTech — Gartner: 40% of agentic AI projects will fail, making humans indispensable
• AI Act — Articolo 4: alfabetizzazione in materia di IA
• CX Today — McKinsey’s State of AI: the scaling gap is now CX’s problem
• IBM Think — AI agent deployment
• MindStudio — How to launch an AI agent training program for your team
• Soraia — Guida alla formazione AI aziendale
• Product School — AI agent deployment
• Forbes — Why 40% of agentic AI projects may be canceled by 2027
• Microsoft Copilot 101 — Creare agenti AI
• Voyant AI — AI agent deployment checklist for non-technical operations teams