Le email arrivano anche quando in ufficio non c’è nessuno, e la mattina qualcuno deve recuperarle una per una. Un agente AI lavora su quella coda: legge il messaggio, capisce se è un ordine, un reclamo o una fattura e lo prepara per chi dovrà rispondere. Un chatbot si ferma alla conversazione, un agente arriva fino all’azione.

Tecnicamente, un agente è composto da quattro elementi: il modello di base (l’LLM), il sistema di percezione (i dati che arrivano da API o da altri strumenti), il modulo di ragionamento (pianificazione e valutazione delle alternative) e il sistema di azione (esecuzione tramite API o comandi). Il modello pensa; il resto dell’architettura gli dà occhi e mani.

In azienda i primi impieghi arrivano dal customer service, dove l’agente gestisce i ticket da solo e passa a una persona quando serve; dalle vendite, con qualifica dei lead, bozze di proposte e follow-up; dalla supply chain, con la gestione delle scorte; e dallo sviluppo software, con revisione del codice e fix automatici.

Prima di costruire il primo agente, definisci il perimetro di autonomia (cosa può fare da solo e cosa deve sottoporre a una persona), scegli gli strumenti di orchestrazione e imposta la sicurezza, con permessi granulari e un log di ogni azione compiuta.

Un primo progetto pilota si avvia in poche settimane, su un solo processo, con risultati che controlli tu. Netcat accompagna le imprese dalla definizione del caso d’uso alla messa in produzione.

Chatbot, workflow, agente: tre cose diverse

Un chatbot conversa con chi gli scrive e si ferma lì. Un workflow esegue una sequenza fissata in anticipo: se succede questo, fai quest’altro, senza interpretare nulla. Un agente riceve un obiettivo, sceglie gli strumenti che gli hai collegato per arrivarci e controlla il risultato del proprio lavoro.

L’esempio più chiaro sono le email in arrivo. Un workflow sa inoltrare un messaggio in base alla casella o a una parola chiave. Un agente legge il messaggio, capisce se è un ordine, una fatturazione o un reclamo, lo registra dove deve e prepara la risposta perché una persona la verifichi. Ciò che cambia da caso a caso è la discrezionalità che deleghi alla macchina.

Per vedere un agente inserito in un workflow reale, l’articolo sui nodi AI di n8n mostra i tre pattern che usiamo più spesso nelle PMI.

Quando un agente ha senso, e quando no

Un agente ha senso quando il lavoro si ripete spesso ma richiede un minimo di interpretazione a ogni svolta: riconoscere un documento, scegliere un’etichetta, riassumere, abbozzare una risposta. Non ha senso quando il processo è del tutto prevedibile, perché lì bastano le regole di un workflow, né quando ogni caso è diverso dall’altro e l’errore costa caro: lì serve una persona, con l’AI al massimo come assistente.

Prima di costruire, rispondi a quattro domande:

  • Quante volte al giorno si presenta il compito? Se quasi mai, l’automazione non ripaga lo sforzo di costruirla.
  • Com’è l’output? Deve essere verificabile in pochi secondi da chi lo riceve.
  • Cosa succede se sbaglia? Un’etichetta scambiata si corregge; un pagamento sbagliato no.
  • I dati sono accessibili? L’agente deve poter leggere le informazioni che gli servono, non tutto l’archivio.

Il perimetro di autonomia: la prima decisione

Quello che determina il rischio del progetto è l’autonomia che concedi, molto più del modello scelto. Si parte sempre dal livello più basso: l’agente propone, una persona approva. Se dopo settimane le proposte risultano affidabili, si allarga il perimetro, con azioni automatiche sui casi semplici e approvazione umana su tutto il resto. Alcuni processi non arrivano mai al livello superiore, e va bene così.

Ogni azione va registrata in un log: cosa ha letto l’agente, cosa ha deciso, cosa ha scritto e dove. È la tua polizza contro gli errori silenziosi, ed è anche il materiale con cui migliorare il sistema settimana dopo settimana. Per come i modelli linguistici usano strumenti e istruzioni, il riferimento resta la documentazione ufficiale di Anthropic.

Gli errori dei primi progetti

  • Il compito è troppo ampio. Occuparsi della posta non è un compito. Classificare le email in arrivo in quattro etichette e preparare una bozza per le più urgenti sì.
  • Nessun limite di esecuzione. Un agente che riprova all’infinito consuma credito API senza avvisarti: imposta tentativi, timeout e interruzioni.
  • Nessun controllo sulle azioni. Se nelle prime settimane nessuno guarda il log, gli errori si scoprono quando hanno già creato danno.
  • Troppi dati nel contesto. All’agente va dato solo ciò che serve al compito, mai l’intero archivio aziendale.

Un primo agente su un processo vero, non una demo

Partiamo da un processo che conosci, definiamo compito e perimetro di autonomia, poi costruiamo e osserviamo insieme le prime esecuzioni. Se prima vuoi capire dove l’AI ha senso nella tua azienda, la diagnosi digitale gratuita ti consegna un report in 48 ore.

Raccontaci il processo da automatizzareServizio AI: agenti e automazioni

Continua il percorso

Domande frequenti

Un agente AI può combinare danni se sbaglia?

Può sbagliare, come ogni sistema. Per questo si parte con un perimetro ristretto: l’agente propone, una persona approva, e ogni azione finisce in un log controllabile. I permessi seguono il principio del minimo necessario: un agente ben costruito può fare meno danni di uno script senza controlli.

Serve un reparto IT interno per usarlo?

No. Serve una persona che conosca bene il processo, l’accesso ai dati coinvolti e gli strumenti di orchestrazione giusti. In molte PMI il primo agente vive dentro un workflow n8n collegato ai sistemi già in uso. Il reparto IT diventa necessario quando l’agente deve toccare sistemi critici.

Che differenza c’è tra un agente e ChatGPT?

La chat è una conversazione: il modello risponde e si ferma. L’agente ha strumenti e obiettivi: legge dati, scrive su altri sistemi, verifica il risultato e riprova se serve. La chat è il modo più semplice di usare un modello; l’agente è il modo più utile dentro un processo.