Agente AI per il marketing in azienda: la lezione del caso LangChain

LangChain ha pubblicato il resoconto tecnico di un agente che usa internamente per gestire la pubblicità a pagamento. I numeri li mette in apertura: il paid media è passato da zero al 20% della pipeline di marketing in sei mesi, con un costo per lead su LinkedIn del 40% inferiore rispetto a gennaio, come racconta il post sul blog di LangChain. Ma la parte che conta per chi in Italia sta valutando un agente AI per il marketing in azienda non sono i KPI: è il principio di progettazione che li ha resi possibili. Modelli per il giudizio, codice per i calcoli, umani per le azioni che hanno conseguenze. Detto così sembra ovvio. In pratica è la linea che separa un sistema arrivato in produzione da un proof of concept che si ferma.

In questo articolo scoprirai:

• Come si usa l'intelligenza artificiale nel marketing: cosa fa davvero l'agente di LangChain
• Modelli per il giudizio, codice per i calcoli: perché un agente AI per il marketing in azienda non è un chatbot
• L'approvazione umana è parte dell'architettura, non una cautela in più
• Dove si ferma l'orchestrazione nelle aziende italiane
• Come portare questo schema nei tuoi processi: calcoli, contesto, checkpoint

Come si usa l’intelligenza artificiale nel marketing: cosa fa davvero l’agente di LangChain

L’agente non scrive testi pubblicitari. Legge i dati delle campagne su Google Ads e Meta, li incrocia con il data warehouse aziendale, individua gli scostamenti e propone modifiche concrete, una keyword da togliere, un targeting da stringere, un creativo da sostituire. Le proposte arrivano su Slack. Un umano approva, e solo a quel punto il codice applica la modifica sulla piattaforma e verifica che sia andata a buon fine.

Intelligenza artificiale nel marketing: l’orchestrazione dietro l’agente

Sotto c’è un’orchestrazione, non un modello con un prompt. Ogni esecuzione gira dentro una sandbox isolata preconfigurata con pandas, DuckDB, openpyxl e WeasyPrint: l’agente è attrezzato come si attrezza una persona appena assunta, con gli strumenti già installati. Il contesto è diviso in cinque livelli, system prompt, cartelle di skill, un wiki di 19 pagine con la conoscenza specifica dell’azienda, i dati live e il codice deterministico. LangChain lo descrive così: il system prompt è diventato una mappa per trovare le cose, non un contenitore che porta tutto in memoria.

Quanto costa far girare un agente AI per il marketing

La prima versione faceva fare tutto al modello: calcoli, classificazioni, report. Costava 3,9 milioni di token in input, 1.112 secondi e circa 3 dollari per esecuzione. Spostando i calcoli su Python, lo stesso lavoro è diventato 40 volte più economico e 13 volte più veloce, da 18 minuti a 85 secondi, secondo i dati pubblicati da LangChain. Non è un dettaglio di ottimizzazione: è la prova che l’architettura pesa quanto il modello. Se vuoi il quadro d’insieme su cosa sia un agente e cosa lo distingua da un assistente, l’abbiamo raccolto nella guida 2026 sugli agenti AI.

Modelli per il giudizio, codice per i calcoli: perché un agente AI per il marketing in azienda non è un chatbot

Il principio che regge tutto è una divisione del lavoro. Il codice fa quello che deve dare sempre lo stesso risultato: scaricare i dati, allineare le finestre temporali, sommare, applicare le regole fisse. Il modello fa quello che richiede giudizio, collegare le evidenze, spiegare le cause probabili, valutare una campagna rispetto al suo obiettivo. Un calcolo che il modello rifà a ogni esecuzione è costoso e, peggio, non è verificabile.

Non è un’intuizione isolata. Anthropic, nella sua guida ingegneristica, distingue i workflow, «sistemi dove gli LLM e i tool sono orchestrati attraverso percorsi di codice predefiniti», dagli agenti veri e propri, e raccomanda di partire da prompt semplici e aggiungere complessità agentica solo quando le soluzioni più semplici non bastano. La stessa linea la tiene OpenAI, che nella guida pratica agli agenti consiglia il singolo agente prima del multi-agente, e i guardrail come strato di sicurezza non negoziabile.

La fonte di verità per un agente AI per il marketing in azienda

C’è un secondo pezzo meno intuitivo: la fonte della verità. Invece di costruire uno schema unificato, LangChain ha deciso di quale sistema fidarsi per ogni metrica. Le piattaforme pubblicitarie sono la verità su spesa, impression e click; il warehouse lo è su lead, opportunità e pipeline. Il caso limite lo raccontano senza girarci intorno nel loro resoconto: circa il 10% della spesa video su Google non compariva nel warehouse, perché mancava la corrispondenza sulla keyword. Con la regola in chiaro, l’agente smette di tentare join impossibili. Anche il catalogo dei tool è stato ridotto da 38.000 a circa 12.000 token adottando un pattern di ricerca, lettura ed esecuzione, lo stesso terreno di cui parliamo nella guida agli MCP Server.

L’approvazione umana è parte dell’architettura, non una cautela in più

Il passaggio su cui vale la pena fermarsi è l’approvazione. L’agente genera la proposta; il server controlla lo Slack user ID e mostra la scheda solo a chi è autorizzato; la card affianca valori attuali e valori proposti; il revisore confronta, se serve modifica, approva; il codice applica e verifica. LangChain lo sintetizza così: «l’agente può analizzare le performance e raccomandare un’azione, ma è un umano a controllare se quell’azione viene effettivamente eseguita», si legge nel resoconto dell’implementazione. Preparare chi approva è parte del lavoro, e lo abbiamo trattato nel change management per agenti AI.

Human-in-the-loop: cosa distingue un sistema in produzione da un POC

Non è prudenza: è ciò che separa i progetti che reggono da quelli che vengono spenti. Nel report State of AI di McKinsey, il 65% delle aziende ad alte performance ha processi human-in-the-loop definiti, contro il 23% di tutte le altre, e le stesse aziende hanno ridisegnato i workflow nel 55% dei casi contro il 20%, numeri ripresi da CX Today nella sua analisi dello scaling gap. Dall’altro lato, Gartner prevede che oltre il 40% dei progetti di agentic AI sarà cancellato entro la fine del 2027, su un sondaggio che ha coinvolto più di 3.400 organizzazioni, per costi fuori controllo, valore di business poco chiaro o controlli di rischio inadeguati, come riporta MarTech.

Le cause si assomigliano sempre. Un agente che agisce senza checkpoint accumula errori; un agente senza confini espliciti fra sotto-agenti si blocca in cicli di auto-verifica, è successo anche a LangChain, che ha dovuto progettare l’isolamento a mano perché, scrivono, «un subagent ti dà una finestra di contesto separata: il resto del modello di isolamento sta a te». Abbiamo raccolto le dinamiche ricorrenti nell’analisi sui POC che si bloccano e in quella sulla supervisione degli agenti autonomi.

Dove si ferma l’orchestrazione nelle aziende italiane

Il mercato italiano dell’intelligenza artificiale vale 1,8 miliardi di euro, in crescita del 50% sul 2024, e il 71% delle grandi imprese ha almeno un progetto attivo, secondo l’Osservatorio Artificial Intelligence del Politecnico di Milano. Ma lo stesso rilevamento aggiunge il numero che pesa: solo il 20% delle grandi imprese usa l’AI in modo pervasivo su più funzioni, e appena il 9% ha una governance strutturata. La distanza fra «abbiamo un progetto» e «abbiamo un sistema che lavora» è ancora tutta lì. Dove invece l’AI agentica sta già lavorando, l’abbiamo mappato nei tre processi aziendali in cui regge.

Quali soluzioni AI usano davvero le aziende italiane

La composizione delle soluzioni adottate spiega il resto. I sistemi conversazionali e di analisi testi valgono il 39%, data exploration e prediction il 30%, immagini e video il 16%, i recommendation system l’11%. La process orchestration e l’agentic AI si fermano al 4%, sempre nei dati dell’Osservatorio. In altre parole: quasi tutte le aziende italiane che «usano l’AI» hanno comprato una licenza di generative AI, l’84% delle grandi ne ha una, e pochissime hanno messo in piedi qualcosa che orchestri un processo dall’inizio alla fine. È esattamente il salto che l’agente di LangChain rappresenta, lo stesso che chiediamo agli agenti costruiti su misura, ed è il motivo per cui il ROI resta sfuggente: ne abbiamo parlato nel ROI dell’AI generativa.

Come portare questo schema nei tuoi processi: calcoli, contesto, checkpoint

Lo schema di LangChain, modelli per il giudizio, codice per i calcoli, umani sulle azioni con conseguenze, si generalizza a qualsiasi processo aziendale, ma va tradotto tre volte. Primo: quali calcoli spostare su codice. Prendi il processo che vuoi automatizzare e separa ciò che deve dare sempre lo stesso risultato, aggregazioni, riconciliazioni, soglie, regole fisse, da ciò che richiede interpretazione. Tutto quello che sta nella prima colonna è codice deterministico, e ogni volta che lo lasci al modello paghi due prezzi: il costo per esecuzione e l’impossibilità di verificare il risultato. Secondo: chi scrive il contesto aziendale. Il wiki di 19 pagine di LangChain contiene la loro struttura di campagne, i loro obiettivi, le loro eccezioni: nessun fornitore te lo consegna, perché descrive la tua azienda. Serve una persona interna che conosca il processo e abbia il tempo di metterlo per iscritto, incluse le regole su quale sistema è fonte di verità per quale dato, nel caso di LangChain, il 10% di spesa video che non riconciliava è diventato una regola esplicita invece di un bug ricorrente. Terzo: dove mettere il checkpoint. La domanda è dove l’azione diventa irreversibile o visibile all’esterno, un budget modificato, una mail inviata, un record scritto su un sistema di terzi. Lì va il passaggio umano, con un’interfaccia che mostri valore attuale e valore proposto affiancati, e permessi che decidano chi può approvare cosa. Il resto del flusso può restare automatico.

Anche i tre errori di percorso si generalizzano: due grafi separati durati cinque settimane, con «ogni nuova funzionalità andava implementata due volte» prima di unificare il runtime, come raccontano loro stessi; i confini fra sotto-agenti lasciati impliciti; il catalogo di tool cresciuto finché non è diventato un costo. Sono tre cose che si decidono in progettazione e si pagano in produzione. Vale la pena aggiungere che nessuno di questi passaggi è un acquisto: sono decisioni organizzative, e su quel lato abbiamo scritto perché per un agente enterprise il servizio conti più del modello.

Case study aziendale di successo: cosa guardare prima di firmare

Davanti a un case study, tre domande separano il risultato vero dalla vetrina. Chi approva le azioni che hanno conseguenze, e con quale interfaccia. Quali calcoli sono deterministici e quali li fa il modello. Quanto è durato l’onboarding e chi ha scritto il contesto aziendale. Se le risposte non ci sono, stai leggendo una demo. Il confronto fra le due strade lo trovi in chiavi in mano o self-service.

Se stai valutando un agente AI per il marketing o per un altro processo della tua azienda, in MIMIR facciamo esattamente questo lavoro: disegniamo l’orchestrazione, decidiamo insieme dove serve l’approvazione umana e seguiamo l’onboarding finché il sistema non lavora sui tuoi dati e sui tuoi processi. Se vuoi capire se il tuo caso regge, scrivici e ne parliamo: quello che la licenza non include è spesso la parte che decide il risultato.

Fonti:

• LangChain, How we built our paid media agent
• Anthropic, Building effective agents
• OpenAI, A practical guide to building agents (PDF)
• Gartner, Oltre il 40% dei progetti di agentic AI sarà cancellato entro fine 2027
• MarTech, Gartner: il 40% dei progetti agentic AI fallirà
• McKinsey, The state of AI in 2026: on the road to ROI (PDF)
• CX Today, McKinsey’s State of AI: the scaling gap
• Osservatorio Artificial Intelligence, Politecnico di Milano