Primi 30 giorni con un agente AI: cosa fa il partner

C’è un momento, nell’adozione di un agente AI, che quasi nessun fornitore racconta: quello che succede dopo la firma. Il demo ha funzionato, il caso d’uso è chiaro, il contratto è chiuso, e poi comincia il lavoro vero. Perché un agente non è un software che si installa: è un collaboratore che va messo nelle condizioni di capire come lavora la tua azienda, con quali dati, dentro quali limiti e sotto la supervisione di chi.

L’onboarding di un agente AI è esattamente questo: il periodo, nella pratica, il primo mese, in cui l’agente passa dall’essere una promessa configurata a un processo che gira davvero in produzione. È la fase dove i progetti si salvano o muoiono, ed è anche la fase dove si vede la differenza tra chi ti ha venduto un prodotto e chi ti ha venduto un servizio. Qui non trovi il quadro d’insieme di fasi, ruoli e strumenti: per quello c’è la guida pratica all’onboarding degli agenti AI in azienda. Qui trovi il calendario delle quattro settimane: cosa succede giorno per giorno, chi fa cosa, quali numeri si guardano e cosa si decide il trentesimo giorno.

In questo articolo scoprirai:

• Perché l’onboarding di un agente AI non è un’installazione
• Settimana 1: discovery e mappatura dei processi, prima di scrivere una riga di prompt
• Settimana 2: integrazione dei dati e i permessi dell’agente
• Settimana 3: shadow mode, l’agente lavora ma non agisce
• Settimana 4: rollout graduale e formazione delle persone
• Il giorno 30: cosa si decide alla revisione di fine mese
• Perché l’affiancamento del partner non è un servizio accessorio

Perché l’onboarding di un agente AI non è un’installazione

Il dato che dovrebbe far riflettere chiunque stia valutando un progetto agentico è una previsione di Gartner: oltre il 40% dei progetti di agentic AI sarà cancellato entro la fine del 2027. Il numero è una stima degli analisti, non l’esito di un sondaggio; il sondaggio che accompagna la previsione, condotto a gennaio 2025 fra i 3.412 partecipanti a un webinar Gartner, serve a inquadrare il contesto e dice quante organizzazioni stiano già investendo nell’agentic AI o la stiano esplorando. Le cause della mortalità attesa non sono tecnologiche: costi che sfuggono di mano, valore di business mai definito, controlli di rischio inadeguati. Come sintetizza l’analista Anushree Verma, «la maggior parte dei progetti di agentic AI oggi sono esperimenti in fase iniziale o proof of concept guidati soprattutto dall’hype e spesso mal applicati» (comunicato stampa Gartner del 25 giugno 2025, ripreso da MarTech).

La stessa Harvard Business Review, in un pezzo dedicato proprio a questo tema, ribalta la diagnosi corrente: «la maggior parte dei dirigenti crede che la grande sfida nell’adottare l’agentic AI sia capire come adattarsi a una tecnologia nuova e importante. Ma in realtà è soprattutto una questione di gestione del lavoro» (Harvard Business Review). La conclusione operativa è quella che dà il titolo all’articolo: bisogna trattare gli agenti AI meno come tecnologia nuova e più come persone da inserire in azienda.

Agente AI e software tradizionale: due modelli di rilascio diversi

La differenza è concreta. Il software tradizionale è deterministico: gli stessi input producono gli stessi output, quindi lo testi, lo rilasci e hai finito. Un agente prende decisioni autonome che hanno conseguenze, invia una mail, aggiorna un record nel CRM, decide di non escalare un caso. Se il concetto stesso di agente è ancora sfocato, conviene partire dalla guida su cosa sono gli agenti AI e come funzionano. Per questo la sequenza corretta non è «costruisci, testa, rilascia, fine» ma «primo giorno, periodo di prova, revisione a 30 giorni, decisione». È il modello che descrive bene un’analisi di ANCI AI: «i primi 30 giorni di vita lavorativa di un agente non sono un evento di lancio: sono un periodo di onboarding, e vanno progettati, strumentati e revisionati come tali».

Onboarding di un agente AI in Italia: si compra molto, si adotta poco

Sul mercato italiano il contesto rende il tema ancora più urgente. Secondo l’Osservatorio Artificial Intelligence del Politecnico di Milano, il mercato AI italiano vale 1,8 miliardi di euro con una crescita del +50%, il 71% delle grandi imprese ha almeno un progetto avviato, ma solo il 20% usa l’AI in modo pervasivo e appena il 9% ha una governance strutturata (Osservatori.net). Tradotto: si compra molto, si mette a terra poco. Il collo di bottiglia è l’adozione, non l’acquisto. Il quadro d’insieme delle fasi, dei ruoli e degli strumenti lo abbiamo raccolto nella guida pratica all’onboarding degli agenti AI in azienda; se invece vuoi capire prima se la tua organizzazione è nelle condizioni di partire, abbiamo dedicato un pezzo intero alla valutazione della readiness aziendale sugli agenti AI.

Settimana 1: discovery e mappatura dei processi, prima di scrivere una riga di prompt

La prima settimana non si tocca il modello. Si guarda l’azienda. È la fase di discovery, ed è quella che il cliente tende a percepire come «tempo perso» perché non produce niente di visibile, mentre è esattamente il momento in cui si decide se il progetto avrà senso.

Come si sceglie il primo processo da affidare all’agente

Il criterio è controintuitivo: non si sceglie il processo più costoso, ma quello dove il successo è facile da verificare e il fallimento è economico da recuperare. La logica è quella di un perimetro stretto e ben delimitato, da allargare solo quando le evidenze si accumulano. In pratica significa partire da attività interne, smistamento di richieste, arricchimento di record, preparazione di risposte, e tenere fuori dal primo mese tutto ciò che tocca direttamente il cliente o che ha conseguenze contrattuali.

Un buon partner in questa settimana fa domande scomode: chi possiede oggi questo processo? Quante eccezioni gestisce a mano ogni settimana? Cosa succede se sbaglia? Quali passaggi esistono solo nella testa di una persona e non sono scritti da nessuna parte? È mappatura di processo, non consulenza AI, e serve a evitare l’errore più comune, automatizzare un processo rotto, ottenendo solo di romperlo più velocemente. Se stai valutando cosa aspettarti concretamente da questa fase, ne parliamo più a fondo nell’articolo sulla consulenza sugli agenti AI per le PMI.

La baseline: il numero che serve prima di partire

Il secondo output della settimana 1 è una metrica di successo con un valore di partenza misurato. Non «vogliamo essere più efficienti», ma un numero: quanti ticket vengono risolti autonomamente oggi, quanti minuti richiede oggi quell’attività, quale percentuale di richieste viene evasa entro le 24 ore. Saltare la misurazione della baseline è il primo degli errori ricorrenti nelle checklist di adozione: senza un prima, il dopo non dimostra niente, e alla revisione di fine mese la discussione diventa un’opinione contro un’altra.

Si assegna anche la proprietà del progetto: una persona sola, dal lato cliente, con autorità su perimetro, tono e regole di escalation. Non un comitato. Chi ha esperienza di deployment lo indica come punto non negoziabile, e vale anche in aziende piccole: la responsabilità diffusa è il modo più affidabile per far arenare un progetto.

Settimana 2: integrazione dei dati e i permessi dell’agente

La seconda settimana è quella tecnica, ed è dove emergono i problemi che nessun modello, per quanto potente, risolve da solo. Un agente vale quanto valgono i dati e gli strumenti a cui accede.

Il data health check: perché la qualità del dato decide la qualità dell’agente

Prima di collegare qualunque sistema si fa una verifica sanitaria dei dati: record duplicati, incompleti, obsoleti, campi chiave popolati in modo incoerente. È il primo dei consigli operativi che Blackbaud mette in cima alla sua lista per un onboarding senza attriti, e la ragione è diretta: dati migliori producono raccomandazioni migliori, e nessun prompt compensa un CRM sporco.

Ma c’è un livello più sottile, ed è quello che l’analisi di DataHub chiama «la disciplina mancante». Il context engineering, ottimizzare cosa entra nella finestra di contesto del modello, lavora solo sull’informazione già disponibile: non può stabilire se sia aggiornata, se la fonte sia quella canonica, se la definizione di una metrica venga dal team che ha titolo per darla. Un agente senza questo strato di conoscenza «fa quello che farebbe qualsiasi neoassunto senza onboarding: pesca con sicurezza dalla prima fonte che trova, e a volte sbaglia». Servono tre cose: conoscenza istituzionale (perché quel dato esiste, come si definisce quella metrica), segnali di affidabilità (chi possiede il dato, quanto è fresco, se è deprecato) e cicli di feedback che riportino le correzioni nel contesto condiviso.

Identità e permessi: l’agente ha bisogno di un badge

Nello stesso periodo si definisce l’identità tecnica dell’agente. Non un account di servizio condiviso, non le credenziali di uno sviluppatore: un’identità propria, con privilegi minimi e un owner unico. Workday usa la metafora del badge aziendale e raccomanda l’approccio zero standing privileges, token temporanei per compiti specifici, così che un agente compromesso non diventi una porta aperta sull’intera infrastruttura.

Il tema non è teorico. Un’analisi di Namirial segnala che il 61% delle aziende ha già agenti AI in produzione, spesso senza supervisione formale, e introduce il passaggio da KYC a KYA, Know Your Agent, perché i controlli d’identità tradizionali non distinguono un agente legittimo da uno fraudolento. Sul piano dell’integrazione, lo standard che sta semplificando i collegamenti tra agenti e sistemi aziendali è il Model Context Protocol, di cui abbiamo scritto una guida completa agli MCP Server; va detto però che MCP da solo non basta, perché la tracciabilità e la conformità restano un livello a parte, e su quel fronte le scadenze dell’AI Act riguardano ormai anche chi si limita a usare i sistemi.

Settimana 3: shadow mode, l’agente lavora ma non agisce

La terza settimana è il periodo di prova vero e proprio. L’agente riceve input reali, ragiona, produce output, ma non esegue nulla verso l’esterno. È la shadow mode, e Workday la descrive senza ambiguità: prima di lasciare che un agente parli con clienti veri, lo si mette in una sandbox, dove redige senza inviare e ogni sua decisione viene confrontata con quella che avrebbe preso una persona.

I casi di test dell’onboarding di un agente AI: 20-30 scenari

In parallelo si eseguono i casi di test. Le checklist di deployment convergono su un ordine di grandezza: 20-30 scenari realistici, che devono coprire tre categorie diverse, i percorsi lineari, i casi limite, e soprattutto le situazioni che l’agente non deve gestire e deve saper riconoscere come fuori perimetro (checklist di onboarding di AgentMelt). Da lì partono in genere due o tre cicli di tuning, in cui le istruzioni vengono riscritte sulla base degli errori osservati e non delle ipotesi fatte a tavolino.

Sul rigore di questa fase vale la pena guardare come lavora chi gestisce agenti su larga scala. Il team di ingegneria di Microsoft descrive un processo di onboarding degli agenti in più stadi, con revisori autorizzati e un change log dettagliato: verifica che nome e descrizione dell’agente non si sovrappongano semanticamente a quelli esistenti, confronto delle utterance tramite embedding vettoriali per scovare ridondanze funzionali, integrazione in un ambiente di pre-produzione e valutazione su un golden dataset con oltre 2.370 scenari di test. Le due metriche di gate sono Recall@5 e Agent Invoke Accuracy, con soglie raggiunte rispettivamente al 98% e 95%. Nessuna PMI ha bisogno di 2.370 scenari, ma il principio si scala: si passa in produzione superando una soglia misurata, non quando «sembra funzionare».

La curva di apprendimento dell’agente nelle prime settimane

Le aspettative sulla curva di apprendimento vanno calibrate anche col cliente. Le esperienze documentate indicano una prima settimana con il 60-70% di attività corrette al primo tentativo, un salto all’80-90% dopo la revisione delle istruzioni e il superamento del 90% quando le eccezioni sono state codificate (Carly AI). È una progressione normale: chi la presenta come un difetto non ha capito la natura dello strumento, chi promette il 95% dal primo giorno sta vendendo altro. Sul perché tanti progetti restino incastrati proprio qui abbiamo scritto un’analisi dedicata alle quattro cause per cui i POC sugli agenti AI si bloccano.

Settimana 4: rollout graduale e formazione delle persone

La quarta settimana porta l’agente in produzione, ma non tutto insieme. La pratica consolidata è instradare inizialmente il 10-20% del volume reale, monitorare quotidianamente accuratezza, tasso di escalation e feedback, e portare il traffico al 100% nell’arco di due-quattro settimane successive. Il rollout segmentato serve a un obiettivo preciso: contenere il raggio d’impatto di un errore mentre il sistema è ancora sotto osservazione.

La supervisione umana è una manopola, non un interruttore

La supervisione umana non è un interruttore acceso/spento ma una manopola graduata: si approva tutto, poi si approva per eccezione, poi si interviene solo sulle escalation. La cadenza pratica passa da revisioni quotidiane a controlli a campione settimanali, fino ad audit periodici quando i pattern si sono stabilizzati.

La parte più sottovalutata di questa settimana, però, non è tecnica. È il training del team. Gli stessi dati dell’Osservatorio Polimi raccontano un’organizzazione impreparata: il 47% dei lavoratori usa già strumenti AI in azienda, e di questi l’81% utilizza anche strumenti non forniti dall’azienda, cioè fuori da ogni perimetro di governance. Workday cita un divario analogo tra chi decide e chi esegue: il 62% dei leader accoglie favorevolmente l’AI, contro il 55% dei dipendenti.

Il lavoro qui è di riquadratura: le persone che presidiavano il processo non vengono sostituite dall’agente, diventano i suoi supervisori. Sono loro a validare, correggere e gestire i casi che richiedono giudizio, e le loro correzioni sono il materiale con cui l’agente migliora. È un cambio di ruolo che va spiegato, non annunciato, e che richiede tempo dedicato: abbiamo approfondito il tema sia dal lato della formazione del team sugli agenti AI sia da quello del change management necessario per preparare l’organizzazione all’agentic AI.

Il giorno 30: cosa si decide alla revisione di fine mese

Il trentesimo giorno non è la fine dell’onboarding: è una decisione formale, presa sui dati raccolti nelle quattro settimane. Il framework più chiaro prevede quattro esiti possibili, e vale la pena che siano espliciti fin dall’inizio del progetto: promuovere (ampliare autonomia o perimetro), mantenere (lasciare le impostazioni attuali e raccogliere altri dati), ridefinire il perimetro (restringere l’agente a ciò che sa fare bene) oppure ritirare con uno spegnimento pulito.

Il quarto esito è quello che nessun fornitore mette nel contratto, ed è precisamente il motivo per cui vale la pena averlo. Un partner che non contempla la possibilità di dire «questo processo non è adatto» ha un incentivo a tenere in vita progetti morti.

Le quattro famiglie di metriche del giorno 30

Le metriche su cui si decide si raggruppano in quattro famiglie: metriche di attività (tasso di successo, accuratezza rispetto alla baseline, segmentate per tipo di compito), metriche comportamentali (frequenza di escalation, scelta degli strumenti, capacità di autocorrezione), metriche di fiducia e metriche operative (costo per attività, latenza, raggio d’impatto). L’indicatore sintetico più utile è il rapporto tra autonomia e override: se la quota di azioni autonome cresce mentre il tasso di correzioni umane cala, l’agente si sta guadagnando la fiducia. Se crescono entrambi, il perimetro è stato allargato troppo presto.

C’è poi un criterio di qualità meno numerico ma decisivo: la capacità dell’agente di dichiarare incertezza invece di rispondere con sicurezza sbagliata. Un agente che escala quando non sa è più utile di uno che ha ragione nove volte su dieci e non ti fa capire quale sia la decima. Sui tempi complessivi, perché trenta giorni sono l’onboarding, non l’intero progetto, abbiamo raccolto i riferimenti reali nell’articolo su quanto dura implementare un agente AI in una PMI.

Perché l’affiancamento del partner non è un servizio accessorio

Torniamo al dato di apertura. Se oltre il 40% dei progetti agentici verrà cancellato per costi, valore poco chiaro e controlli inadeguati, nessuna di queste tre cause si risolve scegliendo un modello migliore. Si risolvono nelle quattro settimane che abbiamo descritto, cioè con del lavoro umano, fatto da qualcuno che conosce sia la tecnologia sia il processo del cliente.

Agent washing: riconoscere un partner di agenti AI reale

Gartner mette il dito su un secondo problema che pesa sulla scelta del fornitore: l’agent washing, cioè la riverniciatura di chatbot, assistenti e vecchie automazioni RPA come «agenti». Su migliaia di vendor che si dichiarano agentici, secondo le stime dell’analista solo circa 130 offrono capacità agentiche reali. In un mercato così, la domanda utile da fare in fase di selezione non è «che modello usate», ma «chi c’è dall’altra parte nel primo mese, e cosa fa esattamente». Abbiamo dedicato a questo criterio due letture complementari: sette criteri per scegliere il partner giusto e un’analisi sul perché, negli agenti AI enterprise, il servizio conti più del modello.

È la ragione per cui in Mimír l’affiancamento del primo mese è parte del servizio e non una voce opzionale a listino. Nel concreto, alla domanda «cosa fa esattamente» rispondiamo con due consegne datate. Al giorno 7 il cliente riceve un documento di mappatura del processo scelto, passaggi, eccezioni gestite a mano, punti di decisione e chi li presidia, insieme alla baseline misurata sul suo storico, non stimata, e al nome della persona che ha la proprietà del progetto. Al giorno 30 riceve l’elenco dei casi di test eseguiti con l’esito di ciascuno, il confronto tra baseline e dati delle quattro settimane, e il verbale della revisione di fine mese con la decisione presa fra i quattro esiti e il perché. Sono documenti che restano al cliente anche se la decisione è «ritirare»: è il modo più semplice che conosciamo per rendere verificabile quello che abbiamo fatto.

La discovery iniziale, la mappatura dei processi

La discovery iniziale, la mappatura dei processi, l’integrazione con i sistemi già in uso, la fase di test in shadow mode e la formazione delle persone che lavoreranno con l’agente sono il servizio, tanto quanto l’agente stesso. Un agente consegnato senza questo mese è un prodotto; un agente che al giorno 30 ha una baseline, un perimetro verificato e un team che sa usarlo è un processo aziendale che funziona. La differenza non la fa la tecnologia: la fa chi la mette a terra con te.

Se in azienda avete un processo candidato e volete capire se regge davvero un agente, o se conviene aspettare, potete parlarne con noi di Mimír e valutarlo insieme partendo dai vostri numeri, non da una demo. La prima cosa che facciamo è guardare il processo e dire onestamente se ha senso automatizzarlo.

Fonti:

• Gartner — comunicato stampa: oltre il 40% dei progetti di agentic AI cancellati entro il 2027
• MarTech, sintesi della ricerca Gartner
• Harvard Business Review — Create an Onboarding Plan for AI Agents
• ANCI AI — i primi 30 giorni di un agente
• Osservatorio Artificial Intelligence, Politecnico di Milano
• Blackbaud — 7 consigli per un onboarding fluido degli agenti AI
• DataHub — AI agent onboarding, la disciplina mancante
• Workday — Onboarding AI agents
• Namirial — onboarding e identità degli agenti AI (KYA)
• Microsoft ISE — Agent onboarding process for agentic systems
• Carly AI — i primi 30 giorni di un agente AI
• AgentMelt — AI agent onboarding checklist