Onboarding agente AI: cosa fa il partner nelle prime 8 settimane

Quando un’azienda decide di mettere un agente AI dentro un processo vero, la domanda che arriva subito dopo la firma è sempre la stessa: e adesso cosa succede? L’onboarding di un agente AI in azienda è la parte del progetto di cui si parla meno e da cui dipende quasi tutto: non è l’installazione di un software, è il periodo in cui l’agente riceve il contesto, i permessi, i confini e le persone che lo sorvegliano. Questo articolo racconta cosa accade settimana per settimana quando quella fase la guida un partner, con una finestra realistica di otto settimane per un primo agente su un processo circoscritto, non per un programma multi-agente su tutta l’azienda, che ha tempi diversi e più lunghi. Un chiarimento utile subito, per non cercare qui quello che sta altrove: il pezzo su cosa fa il partner nei primi 30 giorni racconta il primo mese giorno per giorno, questo copre l’arco intero fino al go-live dell’ottava settimana, mentre la guida pratica resta l’inquadramento generale di fasi, ruoli e KPI. È la fase di mezzo fra il discovery workshop e l’handover al team IT: quella che nei progetti fai-da-te di solito non esiste, e che è il motivo per cui molti pilot restano pilot.

In questo articolo scoprirai:

• Perché l’onboarding decide il progetto più del modello che hai scelto
• Settimana 1: il kickoff serve a decidere chi firma, non a scegliere la tecnologia
• Settimane 2 e 3: mappare il processo prima di scrivere una riga di prompt
• Settimana 4: il primo prototipo che qualcuno usa davvero
• Settimane 5 e 6: le integrazioni, il punto dove il fai-da-te si ferma
• Settimana 7: test con gli utenti pilota e shadow mode
• Settimana 8: go-live, e cosa resta in mano al tuo team

Perché l’onboarding decide il progetto più del modello che hai scelto

I numeri sul divario fra pilota e produzione sono ormai difficili da ignorare. Il report The GenAI Divide del progetto NANDA del MIT, uscito nell’estate 2025, ha analizzato 300 deployment pubblici, 52 interviste a dirigenti e 153 questionari, e ha trovato che il 95% dei progetti di AI generativa non produce alcun impatto misurabile sul conto economico: solo il 5% degli strumenti custom supera il salto dal pilota alla produzione, come riporta la sintesi del rapporto. La causa individuata non è la qualità dei modelli né la mancanza di talento: è che quei sistemi «non trattengono il feedback, non si adattano al contesto e non migliorano nel tempo».

Quanti progetti di agentic AI vengono cancellati, e perché

Gartner arriva dallo stesso punto per un’altra strada: prevede che oltre il 40% dei progetti di agentic AI verrà cancellato entro la fine del 2027, sulla base di un sondaggio su più di 3.400 organizzazioni, e le ragioni che elenca sono costi in crescita, valore di business poco chiaro e controlli di rischio inadeguati. Nessuna di queste tre è una ragione tecnologica: sono tutte cose che si decidono, o non si decidono, nelle prime settimane. Vale la pena aggiungere il contorno: nello stesso studio Gartner stima che, fra le migliaia di fornitori che dichiarano capacità agentiche, solo circa 130 offrano davvero autonomia reale, il fenomeno che chiama agent washing.

Dove si perde davvero l’onboarding di un agente AI in azienda

C’è poi il dato che riguarda direttamente il metodo. Il blog di AnyReach, in una guida all’onboarding enterprise di agenti AI, riporta che solo l’11% delle aziende che avviano un pilota arriva al pieno dispiegamento in produzione, e che il 43% dei fallimenti dipende da qualità dei dati e infrastruttura frammentata, il 35% da resistenza delle persone. È il motivo per cui esiste un servizio accanto al prodotto: l’agente non fallisce perché il modello sbaglia, fallisce perché nessuno ha deciso cosa può toccare, chi risponde e come si misura. Su questo abbiamo scritto anche le quattro cause per cui i POC si bloccano e, sul lato del ritorno economico, perché se l’AI generativa non genera ROI il problema non è la tecnologia.

Settimana 1: il kickoff serve a decidere chi firma, non a scegliere la tecnologia

La prima settimana è la più fraintesa. Chi la immagina come una riunione tecnica di solito la spreca. Il kickoff serve a mettere nella stessa stanza chi ha il problema, chi ha i dati e chi ha l’autorità di dire sì: il responsabile del processo, un referente IT, chi presidia sicurezza e privacy, e uno sponsor che possa sbloccare gli accessi. Nella pratica, secondo lo stesso blog di AnyReach un discovery fatto bene intercetta l’80% dei problemi di implementazione prima che diventino costi.

Nel kickoff con il servizio Mimir affianco a Mimír AI Agent si fissano quattro cose, che sono le stesse che Tom’s Hardware Italia elenca come componenti di un onboarding serio in un’analisi sulle istruzioni che mancano a quasi tutte le aziende: la definizione del ruolo (cosa fa l’agente, per chi, in quale contesto), il perimetro d’azione (quali sistemi vede, cosa fa da solo, cosa richiede una firma umana), l’accountability (chi risponde del suo comportamento) e il modo in cui verrà valutato nel tempo. Lo stesso articolo individua l’errore ricorrente: trattare il rilascio come un progetto IT tradizionale invece che come gestione del cambiamento.

Cosa cambia nella settimana 1 se fai da solo

Il fai-da-te salta questa settimana quasi per definizione, perché sembra tempo perso: c’è già la piattaforma, si può iniziare a provare. Il risultato tipico si vede al mese tre, quando l’agente funziona nelle demo e nessuno sa dire chi lo ha autorizzato a scrivere su quel gestionale. La domanda che fa la differenza in settimana 1 non è «quale modello usiamo», è «quale decisione l’agente può prendere senza chiedere a nessuno»: se non ha una risposta scritta, il go-live slitta o arriva senza controlli. Abbiamo raccolto le domande utili in questa fase nelle 10 domande da fare al partner prima di firmare, e i criteri per valutare chi ti sta davanti in come scegliere il fornitore giusto in Italia.

Settimane 2 e 3: mappare il processo prima di scrivere una riga di prompt

Le due settimane successive sono le più noiose e le più redditizie: si guarda come il lavoro viene fatto oggi. Non come è documentato, come viene fatto. Quante richieste arrivano ogni settimana, da quali canali, quali sono le tre varianti che coprono l’80% dei casi, dove il collega esperto interviene «a mano» perché il sistema non prevede quella casistica. La roadmap a 90 giorni di Aisera colloca esattamente qui la discovery e l’identificazione dei casi d’uso, nelle settimane 1-2, con un’analisi dei ticket storici per clustering, e suggerisce di partire da processi ad alto volume e bassa complessità: reset password, provisioning, richieste ripetitive.

Questa è anche la fase in cui si scopre il vero costo del progetto, che quasi mai è il modello. Xenoss, in una roadmap enterprise da pilota a produzione, distingue tre scenari: un singolo workflow con dati già maturi richiede 20-24 settimane, lo stesso workflow con dati da bonificare passa a 28-36 settimane, e uno scenario multi-agente con integrazioni complesse arriva a 40-52 settimane. La stessa fonte segnala che i tempi si allungano dal 50 al 100% quando nessuno lavora al progetto a tempo pieno: è la ragione per cui un team interno con altre priorità mette dodici mesi a fare quello che una squadra dedicata chiude in due. Sui tempi reali nelle PMI italiane abbiamo un pezzo dedicato: quanto dura implementare un agente AI.

Il contesto che l’agente eredita il primo giorno

La parte più sottile della mappatura non riguarda i passaggi del processo ma il sapere non scritto che li circonda. DataHub la chiama con precisione: l’onboarding di un agente è «la disciplina di preparare il contesto organizzativo che l’agente eredita nel momento in cui si accende», e a differenza di un dipendente l’agente lo eredita in millisecondi, non in mesi. Servono tre cose: la conoscenza istituzionale che oggi vive nella testa dell’analista che sa perché esiste una colonna duplicata, i segnali di fiducia sui dati (chi li possiede, quanto sono freschi, quali tabelle sono deprecate) e un ciclo di feedback che riporti le correzioni nel contesto condiviso. L’esempio che portano è istruttivo: un loro agente interno citava numeri da una pipeline rotta da giorni, senza avere modo di saperlo. Un agente senza segnali di fiducia non si blocca: risponde con sicurezza usando il primo dato che trova.

Settimana 4: il primo prototipo che qualcuno usa davvero

Alla quarta settimana esiste qualcosa che si può aprire e provare, su un perimetro deliberatamente stretto: un canale, un tipo di richiesta, un gruppo di tre o quattro persone. Non è una demo, è la prima volta che l’agente incontra il modo reale in cui i colleghi scrivono, con abbreviazioni, allegati sbagliati e richieste doppie. La guida di CloudNSite all’implementazione di agenti AI in azienda colloca un pilota circoscritto in 2-4 settimane quando i sistemi sono accessibili e le regole di approvazione sono chiare, e raccomanda di partire da task delimitati prima di pensare a qualunque autonomia piena.

Quello che il partner porta qui non è codice, è disciplina di misura. Prima di accendere il prototipo si scrive come si fa a dire che funziona: percentuale di richieste chiuse senza intervento umano, tempo di risposta, quante volte l’agente sbaglia in modo silenzioso. Quest’ultima metrica è la più importante e la più dimenticata: un errore che l’utente vede costa poco, un errore che nessuno nota entra nei numeri dell’azienda. Il prototipo della settimana 4 serve a produrre una lista di casi che l’agente non deve gestire, e quella lista vale più di qualunque miglioramento del prompt. Se il tema ti è nuovo, il quadro generale è qui: cosa sono gli agenti AI e come funzionano.

Settimane 5 e 6: le integrazioni, il punto dove il fai-da-te si ferma

Finché l’agente legge documenti, tutto sembra facile. Il momento in cui deve scrivere, aprire un ticket, aggiornare un CRM, generare un documento, cambia la natura del lavoro. Servono credenziali con permessi minimi, un log di ogni azione, un percorso di escalation quando la richiesta esce dal perimetro, e la decisione, presa da una persona, non dal modello, su quali operazioni richiedono un’approvazione umana. La guida di CloudNSite citata sopra elenca fra i requisiti pre-go-live proprio logging, testing e permessi per ogni sistema, regole di escalation, accessi ai dati approvati e controlli di audit.

Connettori pronti o integrazioni custom: dove l’onboarding si allunga

Moveworks descrive il rollout in cinque fasi, discovery e scoping, design e architettura, integrazione e configurazione, test e validazione con gli utenti, deployment e ottimizzazione, e nota una differenza che pesa più di ogni altra: le implementazioni interamente custom richiedono diversi mesi, mentre su una piattaforma con connettori già pronti si può andare live in poche settimane. È esattamente il confine fra prodotto e servizio: Mimír AI Agent porta le integrazioni già costruite e testate, il servizio Mimir porta le decisioni su permessi, guardrail e responsabilità che nessuna piattaforma può prendere al posto tuo. Il fai-da-te tipicamente si arena qui, non perché manchino le competenze, ma perché la settimana 5 richiede contemporaneamente un tecnico, un responsabile di processo e qualcuno che risponda della compliance, e in un’azienda che non fa questo di mestiere quelle tre persone hanno già altro da fare. Se il tema è quello dei ruoli, vedi le 5 fasi dell’adozione e chi firma cosa.

Settimana 7: test con gli utenti pilota e shadow mode

La settima settimana è quella in cui l’agente lavora accanto alle persone senza decidere da solo: risponde, propone, prepara, e un umano conferma. È la modalità che Aisera chiama «autonomia supervisionata», con gli esperti di dominio in sandbox nelle settimane 7-8, e che nella pratica serve a due cose. La prima è tarare la soglia oltre la quale l’agente deve fermarsi. La seconda, meno ovvia, è costruire fiducia: il gruppo pilota che ha visto l’agente correggersi diventa il gruppo che lo difende quando arriva agli altri reparti.

Qui il dato sulla resistenza organizzativa torna utile: secondo il blog di AnyReach il 35% delle implementazioni incontra una resistenza significativa dei dipendenti. Gartner arriva alla stessa conclusione dal lato del metodo, raccomandando alle organizzazioni di «dare priorità ai cambiamenti comportamentali insieme a quelli tecnologici». Tradotto in pratica: la settimana 7 include due ore di formazione a chi userà l’agente ogni giorno, non una circolare. Un agente che nessuno sa quando usare produce zero risultati anche se funziona perfettamente, e questo è il motivo per cui il servizio comprende la formazione, non solo il rilascio. Ne parliamo in il ruolo del partner nell’adozione e nel dettaglio operativo di moduli, ore e costi della formazione.

Settimana 8: go-live, e cosa resta in mano al tuo team

Il go-live di un primo agente su un processo circoscritto è un evento piccolo, e va bene così: si apre al reparto, si tiene il canale di escalation aperto, si guardano i numeri ogni giorno per la prima settimana. Sulla finestra temporale le fonti convergono più di quanto si pensi: la stessa guida di CloudNSite che stima 2-4 settimane per il pilota indica 4-8 settimane per il rollout in produzione di un singolo workflow, con tempi più lunghi in caso di deployment privato, integrazioni multiple o vincoli normativi. Otto settimane sono quindi una finestra difendibile per un agente ben delimitato, e non lo sono per un programma multi-agente: in quel caso i 20-52 settimane della roadmap enterprise sono il riferimento onesto.

Ciò che deve restare al tuo team alla fine dell’ottava settimana è la parte che distingue un progetto chiuso da una dipendenza permanente: la documentazione del perimetro, gli accessi in mano tua, i log leggibili, le metriche in un posto dove qualcuno le guarda, e un nome accanto alla voce «responsabile dell’agente». Un handover che consegna solo un agente funzionante è un handover incompleto. Sul contenuto minimo di quella consegna abbiamo scritto cosa deve consegnare il partner. Se cerchi invece l’inquadramento completo di fasi, ruoli e KPI, la sede è la guida pratica all’onboarding di agenti AI in azienda.

Se in azienda hai un processo che assomiglia a quelli descritti qui, ripetitivo, ad alto volume, oggi presidiato a mano, la strada più breve per capire se un agente ha senso è farlo valutare da chi ha già percorso queste otto settimane. Il confronto ragionato su cosa chiedere è in cosa aspettarsi da un partner. Su mimir.bot trovi sia il prodotto sia il servizio di onboarding che lo accompagna: si parte da una conversazione sul processo, non da una licenza. E se la risposta è che il caso non è maturo, è comunque un’informazione che vale il tempo speso.

Fonti:

• MIT NANDA, The GenAI Divide: il 95% dei progetti di AI generativa senza impatto misurabile (sintesi)
• Gartner, comunicato ufficiale: oltre il 40% dei progetti di agentic AI cancellati entro il 2027
• MarTech: la previsione Gartner sul 40% dei progetti agentici e l’agent washing
• AnyReach, guida all’onboarding enterprise di agenti AI: 11% arriva in produzione, 43% dati, 35% resistenza
• Aisera: roadmap di implementazione agentica a 90 giorni e autonomia supervisionata
• Xenoss: roadmap enterprise da pilota a produzione, 20-52 settimane per scenario
• DataHub: l’onboarding di un agente come preparazione del contesto organizzativo
• CloudNSite, guida all’implementazione di agenti AI in azienda: pilota 2-4 settimane, rollout 4-8
• Moveworks: timeline di implementazione enterprise, custom vs connettori pronti