Un agente AI è un sistema che esegue sequenze di azioni in autonomia per raggiungere un obiettivo: legge documenti, chiama API, aggiorna database, invia email. Funzionano bene su task ripetitivi con regole chiare. Non funzionano bene su decisioni ambigue o processi che cambiano spesso. Per una PMI il ROI è concreto se il task occupa più di 2 ore a settimana di lavoro umano ripetitivo e le regole sono documentabili.
Cos'è un agente AI — senza il jargon
Un agente AI è un sistema che, dato un obiettivo, sa pianificare i passi necessari per raggiungerlo, usare strumenti esterni per eseguire ogni passo — API, database, email, browser, file — e valutare l'output di ogni passaggio per adattare il piano se qualcosa non va come previsto. Si ferma quando ha raggiunto l'obiettivo o quando incontra un caso che non sa gestire.
La differenza con un LLM classico è questa: un LLM risponde a una domanda. Un agente fa cose. Chiama l'API del CRM, scarica un documento, lo legge, estrae i dati rilevanti, aggiorna un record, invia una notifica — tutto in sequenza, senza che un operatore intervenga a ogni passaggio. L'LLM è il motore di ragionamento; gli strumenti che riesce a usare determinano cosa riesce a fare.
La parola "autonomo" fa paura. Non deve: un agente ben progettato lavora all'interno di confini precisi e delega all'operatore umano tutto ciò che supera la sua soglia di confidenza. L'autonomia non è assenza di controllo — è riduzione del numero di passaggi manuali su task ben definiti.
Cosa automatizzano bene e cosa no
- Elaborazione documenti strutturati
- Qualificazione e routing dei lead
- Onboarding clienti con raccolta documenti
- Monitoraggio KPI e alerting
- Risposta a richieste standard con template variabili
- Riconciliazione dati tra sistemi diversi
- Decisioni su casi ambigui o senza precedenti
- Processi che cambiano ogni settimana
- Trattative commerciali o relazioni delicate
- Ragionamenti multi-step su informazioni incomplete
- Layout creativi o documenti non strutturati
- Qualsiasi cosa in cui il costo dell'errore è alto
Il pattern comune nei casi che funzionano bene è uno: il processo è documentabile in regole chiare che un tecnico può implementare. Se non riesci a spiegare come funziona il processo a un collaboratore nuovo in meno di un'ora, probabilmente non è ancora pronto per un agente AI.
Tre casi d'uso concreti per le PMI italiane
Il problema: i clienti inviano documenti via email, WhatsApp, portale. Qualcuno manda tutto insieme, qualcuno manda un pezzo alla volta, qualcuno non manda quello che serve. Il tempo amministrativo per raccogliere, classificare e verificare la completezza è significativo e non porta valore.
L'agente: riceve i documenti, li classifica per tipo (fattura, contratto, delega, estratto conto), verifica la completezza rispetto a una checklist per pratica, archivia nel sistema di destinazione, notifica il professionista con un brief già strutturato e invia una richiesta automatica al cliente se manca qualcosa.
Risparmio stimato: 3-6 ore a settimana di lavoro amministrativo su una base clienti media. ROI positivo in 3-4 mesi.
Il problema: gli ordini arrivano via email in formati diversi — alcuni come allegato PDF, alcuni come testo libero, alcuni come file Excel del cliente. L'inserimento manuale in ERP è lento, soggetto a errori e toglie tempo a chi potrebbe fare altro.
L'agente: legge l'email e l'allegato, estrae i campi strutturati (codice prodotto, quantità, data richiesta, indirizzo di consegna), verifica la disponibilità di magazzino, crea l'ordine in ERP, genera la conferma d'ordine e la manda al cliente. Se il prodotto non è disponibile o i dati sono incompleti, escalata all'operatore con il contesto già pronto.
Risparmio stimato: dipende dal volume. Con 20+ ordini al giorno il risparmio è nell'ordine di 1-2 FTE equivalenti su inserimento dati.
Il problema: le richieste di preventivo arrivano dal sito, via email, via LinkedIn. Il commerciale senior passa ore a rispondere a richieste generiche che potrebbero essere qualificate automaticamente, mentre i lead caldi aspettano.
L'agente: riceve la richiesta, la classifica per tipo e priorità, verifica se il cliente è già in CRM, raccoglie i requisiti mancanti con domande mirate, genera una bozza di preventivo o risposta contestualizzata per i casi standard, assegna al commerciale corretto con un brief completo per i casi che richiedono valutazione umana.
Risparmio stimato: il commerciale senior si concentra sui lead qualificati. Il tempo medio per risposta cala da giorni a ore su richieste standard.
Il criterio per decidere se vale la pena
Prima di investire nello sviluppo di un agente, quattro domande. Se la risposta è sì a tutte e quattro, l'agente probabilmente ha senso.
- Il task richiede più di 2 ore a settimana di lavoro umano ripetitivo?
- Il processo è documentabile in regole chiare che un tecnico può implementare e un operatore può verificare?
- L'output dell'agente è controllabile — qualcuno può verificare che sia corretto prima che produca effetti esterni?
- Il costo di un errore dell'agente è tollerabile — un errore parziale crea un inconveniente o un danno grave?
Se l'output non è verificabile o il costo dell'errore è alto — decisioni finanziarie rilevanti, impatti legali, sicurezza delle persone — aggiungi sempre un layer di revisione umana. Non è una limitazione tecnica: è il design corretto per qualsiasi sistema automatizzato, AI o meno.
«Un agente ben progettato non elimina il controllo umano — riduce il numero di passaggi manuali su ciò che è già deciso, liberando attenzione per ciò che richiede giudizio.»
Quanto costa — ordini di grandezza reali
Il costo di sviluppo è una tantum e ammortizzabile su base annua. Il costo operativo dipende dal volume di elaborazioni e dal modello LLM scelto — i modelli più economici (Haiku, GPT-4o mini) costano 10-20x meno dei più potenti con prestazioni adeguate per task strutturati. La scelta del modello è parte del design dell'agente, non un dettaglio.
La domanda giusta da fare prima di cominciare
Non "possiamo farlo con l'AI?" — quasi sempre la risposta tecnica è sì. La domanda giusta è: quale processo, se automatizzato, libera abbastanza tempo o riduce abbastanza errori da giustificare l'investimento entro 12 mesi?
La risposta a quella domanda viene dall'analisi dei processi, non dalla tecnologia. Un agente AI costruito su un processo mal definito produce automazione di un problema, non soluzione di un problema. Il lavoro preparatorio — mappare il flusso reale, identificare i casi eccezionali, definire quando escalare all'operatore — è spesso più importante del codice che poi viene scritto.
Se stai valutando dove ha senso introdurre agenti AI nella tua azienda, il punto di partenza è sempre lo stesso: trova i processi ripetitivi con regole chiare e alto volume. Lì il ritorno è misurabile, il rischio è contenuto e il risultato è visibile in poche settimane.