agent ai Archives - Fabio Lalli

7 Luglio 202610 Luglio 2026AI & GENAI, TECH & BUSINESS

Chi può ancora dire di no

Sta diventando normale vedere un agente che si mette in moto da solo, magari perché è arrivata una nuova richiesta o perché qualcosa nel lavoro si è bloccato, prende in carico il compito, lo divide in molte parti più piccole e le affida ad altrettanti agenti che procedono in parallelo, ognuno nel suo spazio isolato, mentre lui tiene d’occhio quello che producono e rilancia i pezzi che si inceppano, fino a tornare con una proposta di modifica pronta da rivedere. Ai tavoli dove passo le giornate incontro sempre più persone che lavorano in questo modo, coordinando decine di agenti su progetti veri senza quasi più scrivere codice a mano.

Davanti a una scena del genere la domanda che viene subito è quanto sia autonomo il sistema, e per rispondere si è diffusa l’abitudine di usare una scala che assegna un numero e ti dice quanto sei avanti nel lavorare con l’AI. Quel numero è comodo proprio perché è uno solo, e per un po’ ha funzionato come misura veloce del rischio, ma finisce per nascondere la cosa che conta di più dentro un’impresa cognitiva, e cioè chi, in mezzo a tutto questo, può ancora dire di no e con quanta rapidità riesce a farlo.

Quanto lo lasci andare, quanti ne tieni insieme

La scala più citata è quella proposta da Steve Yegge in «Welcome to Gas Town», costruita su un asse solo che sale dal basso verso l’alto, da quando l’agente si limita a suggerire fino a quando arriva a gestire l’intera baracca per conto suo. Come modo per dire quanta fiducia riponi in un singolo agente funziona ancora bene, ma nel frattempo il lavoro è cambiato e la leva più importante è diventata un’altra, perché conta meno fino a che punto lasci andare un singolo agente e conta molto di più quanti agenti riesci a coordinare nello stesso momento. Sono due cose diverse, e Addy Osmani ha fatto bene a tenerle separate, mettendo su un asse l’autonomia del singolo e sull’altro la capacità di orchestrarne molti, dato che una persona bravissima a far lavorare in sicurezza cinquanta agenti in parallelo può benissimo restare prudente su quanto si fida di ciascuno di loro preso da solo.

Questo spostamento cambia il modo di ragionare sull’autonomia. Non è un livello da raggiungere né una medaglia da esibire mentre si sale di grado, è piuttosto un permesso, e come ogni permesso si concede quando serve e si ritira quando serve. Davanti a un compito, allora, la domanda giusta smette di essere quanto in alto posso spingermi e diventa quanto rischio quel compito è capace di sopportare, e quale prova mi permette di difendere la scelta di lasciarlo correre da solo.

Conta quanto pulito torni indietro

Per capire se un sistema sta lavorando con un’autonomia davvero alta mi appoggio a tre domande che devo a Osmani, e riguardano tutte la possibilità di correggere il tiro: con quanta rapidità mi accorgo se sta sbagliando, con quanta facilità posso annullare quello che ha fatto, e che cosa mi dimostrerebbe invece che sta andando nella direzione giusta. Quando le risposte sono che me ne accorgo tardi, che tornare indietro è complicato e che in fondo mi sto fidando del riassunto, di autonomia alta è rimasto soltanto il nome, e sotto c’è un azzardo con un cruscotto messo lì a rassicurare.

È qui che l’idea del permesso revocabile diventa concreta. La sovranità di un’organizzazione sui propri processi si misura da quanto in fretta riesce a fermarli e a riportare le cose com’erano senza fare danni, molto più che dal numero di agenti che riesce a mettere in moto. Un intervento delicato come la riscrittura del motore dei pagamenti, se è protetto da verifiche serie, da agenti che controllano il lavoro di altri agenti e da un ritorno indietro pulito, può sopportare un’autonomia molto più alta di un compito che tocca dei contenuti senza avere una fonte certa con cui confrontarsi. Il livello di autonomia dipende dal processo di verifica che gli abbiamo costruito attorno, molto più che dal nome che diamo al compito.

Il debito nascosto nel riassunto

Man mano che l’agente si prende carico di compiti ben delimitati, la verifica smette di passare dai tuoi occhi e si sposta sulle prove che l’agente stesso produce, come le verifiche automatiche che vanno a buon fine, le schermate, le registrazioni di quello che è successo e le istruzioni per riprodurre un problema. Da un lato è un guadagno, perché nel frattempo puoi occuparti d’altro o semplicemente andare a dormire, dall’altro è un rischio, perché la scorciatoia è sempre a portata di mano, e cioè prendere il riassunto che l’agente ti consegna e usarlo al posto della revisione vera, dando per scontato che basti.

Questa scorciatoia, nei miei appunti, ha un nome e si chiama debito cognitivo. Ogni volta che accetto un riassunto senza pretendere lo stesso corredo di prove che chiederei a una revisione fatta a mano, e cioè il confronto delle modifiche, le verifiche, le registrazioni e i rischi rimasti scoperti, contraggo un debito che prima o poi qualcuno dovrà ripagare, con gli interessi. Per questo, in un’organizzazione che lavora con gli agenti, la verifica diventa una forma di capitale, qualcosa che va costruito, va mantenuto e quando manca si nota subito. Nessun modello te la regala già pronta, è una capacità che l’impresa coltiva nel tempo. In «Pelle Digitale» ho provato a raccontare proprio questa membrana sottile che ci separa dalla macchina che agisce al posto nostro, ed è lì che il debito cognitivo comincia ad accendersi.

Anthropic ha misurato tutto questo osservando circa quattrocentomila sessioni di lavoro con Claude Code, raccolte tra l’ottobre del 2025 e l’aprile del 2026, e ne è uscito un quadro abbastanza chiaro, perché nella sessione tipica sono le persone a prendere circa il settanta per cento delle decisioni di pianificazione, quelle su cosa fare e su quando considerare finito il lavoro, mentre è il modello a prendere circa l’ottanta per cento delle decisioni di esecuzione, quelle su quali file toccare e quale comando eseguire. Letta con questi numeri, l’autonomia alta non toglie le persone dal processo ma le sposta di posto, portandole dal compiere ogni singolo passo al decidere in che direzione muovere quello successivo, e chi porta con sé più competenza del proprio ambito ottiene di più da ogni istruzione e se la cava meglio quando l’agente si blocca, perché sa rimettere a fuoco il problema invece di lasciar perdere.

Il contratto prima della corsa

Prima di lasciar partire un agente conviene mettere per iscritto, in modo breve, che cosa dovrà cercare di ottenere. Non serve un documento burocratico, basta un foglio chiaro che chiunque, compreso un altro agente, possa leggere per capire dove passano i confini. Osmani ne propone una forma pratica che trovo solida, e la riprendo adattandola al modo in cui ragiono io sui permessi.

La prima cosa da fissare è l’obiettivo, che va detto come risultato e non come attività, quindi non «usa questa tecnica» ma «porta il tempo di caricamento sotto il secondo». Attorno all’obiettivo si dispone tutto il resto, e cioè il perimetro entro cui l’agente può muoversi insieme alle cose che invece deve lasciar stare, i permessi con cui gli è concesso toccare il mondo fuori dal suo recinto, la condizione che gli dice quando fermarsi e che è meglio sia misurabile, le prove che confermano il risultato in modo indipendente da lui, il momento e la persona a cui deve passare la mano quando qualcosa si complica, e infine un limite prefissato di tempo, di tentativi e di token, che per questi sistemi sono la moneta con cui pagano il lavoro che fanno.

Su come funzionano davvero il runtime, il contesto e i permessi degli agenti mi sono già soffermato di recente, e non torno qui sui dettagli. Senza un contratto del genere, comunque, l’autonomia alta resta soltanto un atto di fede, e gli atti di fede, quando finiscono in produzione, prima o poi si pagano.

Più agenti lanci e più serve chi controlla

Il gradino più alto assomiglia a una piccola fabbrica. C’è un agente che fa da manager e si attiva quando arriva un compito, distribuisce il lavoro agli altri agenti, ne segue l’avanzamento, rilancia le parti fallite e porta all’attenzione di una persona soltanto le decisioni che richiedono davvero un occhio umano, mentre in ingresso riceve la coda del lavoro, che sia una lista di lavori da fare o un registro delle segnalazioni, e in uscita restituisce attività chiuse e proposte di modifica accompagnate dalle loro prove. Attorno a impostazioni di questo tipo stanno nascendo specifiche di orchestrazione costruite intorno a una lavagna dei compiti, in cui ogni problema riceve il proprio spazio di lavoro e il proprio agente, e la frontiera, per come la racconta Osmani, sono ormai fabbriche che non si fermano mai, con centinaia o addirittura migliaia di agenti al lavoro insieme.

A questa scala due trappole si aprono quasi da sole. La prima è un parallelismo solo apparente, che scatta quando lanci trenta agenti su porzioni di lavoro che si sovrappongono e invece di moltiplicare i risultati ti ritrovi con conflitti da risolvere e con decisioni prese due volte. La seconda è più insidiosa e riguarda noi, perché la tentazione è continuare a coordinare a mano ogni singola dipendenza mentre decine di agenti girano, un po’ come se ci ostinassimo a dirigere il traffico a un incrocio che ormai ha già i semafori. Sul mestiere del manager che passa dal gestire persone al gestire agenti ho scritto di recente, perché è lì che si decide la partita organizzativa più difficile.

Più agenti metti in campo e più diventa vitale una verifica che sia indipendente, con chi implementa tenuto separato da chi rivede, con chi prepara le prove distinto da chi ne controlla la qualità e con dei passaggi di approvazione diversi per accettare il lavoro finito. Le organizzazioni cognitive che vedo nascere si riconoscono proprio da questo, dal fatto che riescono a far lavorare molti agenti insieme e nello stesso tempo a tenere il permesso sempre revocabile, a ogni anello della catena.

Quanti agenti sai ancora fermare

Alla fine il vero collo di bottiglia resta sempre la verifica, più che l’ambizione o il numero di agenti che riusciamo a far girare, perché tutto si gioca su quanto in fretta ci accorgiamo di aver sbagliato e su quanto puliti riusciamo a tornare sui nostri passi. La postura più matura, per chi lavora con gli agenti, è un’autonomia calibrata, che sale di un gradino soltanto dopo che le prove per reggere quel gradino si sono accumulate e che accetta di restare bassa proprio là dove tornare indietro sarebbe difficile.

Mi porto dietro dai tavoli dove lavoro una convinzione che col tempo si è fatta netta. Il giorno in cui ci vanteremo di far girare mille agenti, la prova di essere davvero avanti starà tutta nella rapidità con cui possiamo ancora fermarli. Finché quella rapidità tiene il passo del lavoro che si avvia da solo il permesso resta revocabile e siamo al sicuro, e conviene costruire i processi perché resti così: il giorno in cui la lasciamo indietro avremo soltanto una fabbrica che non sappiamo più spegnere.

Lo spunto di partenza è l’articolo di Addy Osmani «Agentic Autonomy Levels». Le tre domande sulla reversibilità e la forma del contratto d’esecuzione vengono dal suo pezzo, mentre la lettura in chiave di permesso revocabile e di debito cognitivo è mia.

2 Luglio 202610 Luglio 2026AI & GENAI

Claude Code orchestra i suoi agenti: dynamic workflows e la riscrittura di Bun

Il 28 maggio 2026 Anthropic ha aperto in research preview i dynamic workflows dentro Claude Code, disponibili su CLI, app desktop, estensione VS Code e via API su Bedrock, Vertex AI e Microsoft Foundry. La meccanica, descritta nel comunicato, è che Claude scrive al volo uno script di orchestrazione e lo esegue lanciando da decine a centinaia di subagent in parallelo nella stessa sessione, verificando il proprio lavoro prima che qualcosa arrivi a te. Per chi guida un’azienda che sta valutando dove mettere l’AI nel proprio stack, la notizia non è il numero di agenti, è cosa cambia nel modo in cui un problema grande viene scomposto e chiuso.

Ci ho ragionato per qualche giorno prima di scriverne, perché la prima reazione, leggendo “centinaia di agenti in parallelo”, è di archiviarlo come l’ennesima demo da keynote. Poi ho guardato il caso che Anthropic mette in cima al post, e il caso è meno comodo di quanto sembri.

Il salto rispetto al singolo agente

Fino a ieri il modello mentale era lineare: un agente legge il contesto, ragiona, agisce, controlla, e quando il compito è troppo grande lo spezzi tu, a mano, in pezzi che la finestra di contesto riesce a tenere. Funziona finché il piano sta in tre o quattro passaggi. Smette di funzionare quando il lavoro tocca migliaia di file, o quando lo stesso problema va affrontato da angoli indipendenti per essere affidabile.

Un dynamic workflow ribalta l’ordine. Claude parte dalla richiesta in linguaggio naturale, pianifica il lavoro e lo scompone in sottocompiti, distribuendoli su subagent che girano in parallelo. I risultati vengono controllati prima di essere ricomposti. Agenti diversi attaccano il problema da prospettive indipendenti, altri agenti provano a smontare quello che i primi hanno trovato, e il ciclo itera finché le risposte convergono. La coordinazione avviene fuori dalla conversazione, in uno script che gira in background, e questo è il dettaglio architetturale che conta: il piano resta in piedi a prescindere da quanto cresce il compito, e un lavoro interrotto riprende da dove si era fermato invece di ripartire da zero.

Pasquale Pillitteri, in una delle prime analisi tecniche italiane, l’ha sintetizzato bene: nessun modello nuovo, nessun plugin, soltanto uno scarto architetturale sottile per cui Claude scrive uno script di orchestrazione in JavaScript a partire dalla richiesta, mentre un runtime separato lo esegue in background.

Bun, ovvero il caso scomodo

L’esempio che Anthropic porta come prova è la riscrittura di Bun, il runtime JavaScript alternativo a Node. Jarred Sumner ha usato i dynamic workflows per portare Bun da Zig a Rust: circa 750.000 righe di Rust, il 99,8% della test suite esistente che passa, undici giorni dal primo commit al merge. Un workflow ha mappato il lifetime Rust corretto per ogni campo di ogni struct nel codice Zig. Quello successivo ha riscritto ogni file .rs come port a comportamento identico del corrispettivo .zig, con centinaia di agenti in parallelo e due reviewer su ciascun file. Un fix loop ha poi guidato build e test fino a farli girare puliti. Dopo il merge, un workflow notturno ha aperto una pull request per ogni copia di dati superflua, lasciando la revisione finale a un umano.

Numeri da capogiro. Solo che la storia ha un’altra metà che il comunicato non racconta, e che vale la pena conoscere prima di firmare un budget su questa promessa.

Quando il branch è apparso a fine aprile, la community degli sviluppatori è esplosa: oltre 700 voti e 500 commenti su Hacker News in poche ore. Sumner stesso, il 5 maggio, scriveva su quel thread che era tutto un’esagerazione, che non c’era nessun impegno a riscrivere, e che c’era un’alta probabilità che il codice venisse buttato via del tutto. Non è andata così, il merge è arrivato il 14 maggio. Però le critiche tecniche restano sul tavolo: alcuni vecchi test sarebbero stati modificati perché la versione Rust li superasse, e l’uso della keyword unsafe da parte di Claude rende meno solida la promessa di sicurezza sulla memoria che il passaggio a Rust dovrebbe garantire. heise riporta che le issue su GitHub hanno iniziato ad accumulare i primi problemi che con la versione Zig non si presentavano.

Tengo insieme le due cose di proposito. Il workflow ha prodotto in undici giorni un risultato che a mano avrebbe richiesto trimestri, ed è una capacità reale. E allo stesso tempo il “99,8% dei test passa” significa qualcosa di diverso se una parte di quei test è stata adattata, e “non ancora in produzione” è una postilla che pesa. Chi valuta questa tecnologia per la propria azienda deve guardare entrambe le metà.

Piani che diventano codice

La regola operativa che emerge dalla documentazione e dall’uso reale è semplice. Se il piano sta in due o tre passaggi che Claude tiene in testa, restano migliori i subagent o le skill. Quando il piano diventa codice, ripetibile, scalabile a centinaia di operazioni indipendenti, allora ha senso un workflow.

I casi d’uso che Anthropic e i suoi clienti early access citano cadono tutti dentro questa logica. Bug hunt su un intero servizio, con verifica indipendente su ogni finding così che il report contenga problemi veri e non rumore. Audit di sicurezza e di ottimizzazione guidati dal profiler. Migrazioni e modernizzazioni che toccano migliaia di file, swap di framework, deprecazioni di API, port da un linguaggio all’altro. E il lavoro critico che vuoi controllato due volte, dove il costo di una risposta sbagliata è alto e quindi metti agenti avversari a provare a rompere il risultato prima che tu lo veda.

Alessio Vallero di Klarna, citato nel comunicato, racconta di aver avuto risultati forti nell’identificare codice morto e opportunità di pulizia che l’analisi statica tradizionale non vedeva. Ken Takao di CyberAgent dice che i workflow riempiono lo spazio tra il lanciare un singolo subagent e il costruire un team di agenti completo, e che il passaggio dal piano all’implementazione scorre senza perdere visibilità. Sono testimonianze di parte, fa parte del gioco di un lancio, ma descrivono un perimetro d’uso coerente: discovery e review su codebase grandi e legacy.

Il conto da tenere d’occhio

Qui arriva l’avvertenza che Anthropic, in modo per certi versi inusuale, mette nero su bianco fin dal lancio. Un dynamic workflow consuma molti più token di una sessione tipica di Claude Code. La raccomandazione esplicita è di partire da un compito circoscritto per farsi un’idea del consumo, prima di lanciarsi su lavori grandi. La prima volta che un workflow si attiva, Claude Code mostra cosa sta per girare e chiede conferma. Gli amministratori di un’organizzazione possono disabilitarlo dalle impostazioni gestite, e sui piani Enterprise è spento di default al lancio.

C’è anche un tetto: i workflow sono limitati a 1.000 subagent. Per attivarli, due strade: chiedere a Claude di creare un workflow, oppure accendere ultracode, l’impostazione specifica di Claude Code che porta l’effort a xhigh e lascia decidere a Claude quando usare un workflow.

Per un CIO italiano la traduzione è questa. La capacità tecnica è notevole e va provata, su un perimetro ristretto e misurabile, con un occhio fisso sul consumo. Il governo della spesa diventa parte integrante della governance dell’AI, non un dettaglio amministrativo, perché uno strumento che lancia centinaia di agenti autonomi su una codebase è potente esattamente quanto è capace di bruciare budget se lasciato senza confini. È la stessa logica di cui scrivo da tempo quando parlo di vendor lock-in nei progetti AI enterprise: la potenza di uno strumento non è mai gratis, e il costo nascosto si paga dopo.

La pianificazione delegata, la verifica no

L’orchestrazione di agenti che si controllano a vicenda è un cambio di postura rispetto a tutto ciò che abbiamo usato finora. Una macchina che genera ipotesi, ne mette altre a confutarle, e consegna solo quello che sopravvive al confronto, assomiglia più a un metodo di lavoro che a un autocomplete sofisticato. In Pelle Digitale ho provato a descrivere la frontiera tra la persona e la macchina come una superficie di mediazione, e questo è un punto preciso lungo quella superficie: il momento in cui smettiamo di guidare l’AI passo per passo e iniziamo a delegarle la pianificazione, tenendo per noi la verifica finale e la responsabilità.

Resta da capire quanto regge fuori dalle demo. Il caso Bun mostra cosa è possibile e, insieme, cosa va verificato a mano dopo. Per le aziende medie italiane, quelle che seguo da vicino nel mio lavoro di advisory, la domanda non è se questa tecnologia funziona, perché in parte funziona già. La domanda è dove conviene puntarla, con quale budget, e con quale presidio umano sul risultato finale.

Senza dubbio è uno degli annunci più densi degli ultimi mesi per chi costruisce software. Quanto di questa capacità arriverà davvero nelle mani di chi sviluppa codice ogni giorno in un’azienda normale dipenderà da chi saprà portarla dentro un perimetro misurabile, con un presidio umano sul risultato. Sono quelle le organizzazioni che ne ricaveranno un vantaggio concreto, mentre le altre resteranno a guardare i casi estremi da comunicato.

Fonte: Anthropic, Introducing dynamic workflows in Claude Code, 28 maggio 2026.

28 Maggio 202628 Maggio 2026AI & GENAI, TECH & BUSINESS

Fine della consulenza? McKinsey cambia il rate dei partner

Tutti hanno notato la cifra, forse, ammesso che abbiate ascoltato il podcast. E quasi tutti hanno parlato di fine della consulenza guardando il dato sbagliato.

A gennaio 2026, sul podcast All In, Bob Sternfels (global managing partner di McKinsey) ha dichiarato che la sua azienda conta 60.000 dipendenti, di cui 25.000 agenti AI a fianco di 40.000 umani, con l’obiettivo di raggiungere la parità entro fine anno. La notizia è stata ripresa in tutto il mondo come prova che la consulenza strategica sta automatizzandosi più in fretta di qualsiasi altro settore knowledge-intensive.

C’è chi ha tirato fuori il termine “fine della consulenza” e chi, dall’altra parte, ha sminuito ricordando che i concorrenti EY e PwC parlano di poche unità di agenti capaci di fare il lavoro pesante senza bisogno di scalare a 25.000.

Trovo che entrambe le narrazioni siano interessanti, e in larga parte sbagliate. La notizia vera, secondo me, è arrivata pochi giorni fa, a metà maggio, quando il Financial Times ha riferito che McKinsey sta riducendo la quota cash della remunerazione dei partner per spostarne una parte maggiore in equity. È una notizia di compensation, apparentemente tecnica, ed è quella che racconta cosa sta cambiando davvero in quel settore.

Provo a spiegare perché.

Cambiano le compensation

Per capire l’importanza del cambio compensation serve un veloce ripasso di come è strutturata storicamente una grande consulenza strategica. McKinsey, BCG, Bain, e le big four nella loro componente advisory, sono partnership professionali. Il modello economico è semplice e ha retto per decenni: si vendono ore di consulente, organizzate in progetti, fatturate a rate molto alte, calcolate su un mix di seniority. Il partner del progetto guadagna due cose: uno stipendio base relativamente contenuto, e una quota dei profitti annuali che dipende dal volume e dalla marginalità dei progetti che ha portato a casa. La quota di profitto è cash, distribuita ogni anno, e rappresenta storicamente la parte più sostanziosa della remunerazione.

Questo modello si regge su un assunto: che i ricavi siano sufficientemente prevedibili anno per anno. Se conosci più o meno quanto fatturerai e con quanta marginalità, puoi distribuire la maggior parte dei profitti subito ai partner senza creare instabilità finanziaria. Per anni questo è stato vero. I clienti grandi rinnovavano contratti, le tariffe orarie crescevano insieme all’inflazione, i progetti grandi si ripetevano. Non c’era bisogno di tenere capitale in azienda, perché il flusso di cassa era stabile.

Adesso quel flusso sta diventando volatile, per due ragioni che la mossa McKinsey rende esplicite. Primo: l’AI sta comprimendo le ore necessarie per fare il lavoro. Se un team che prima fatturava 5.000 ore per un progetto adesso ne fattura 2.000 perché 3.000 le fanno gli agenti, la base imponibile del fatturato si riduce. Secondo: il pricing si sta spostando dal time & materials all’outcome-based. Anziché vendere ore, McKinsey sta provando sempre di più a vendere risultati specifici, legando una parte significativa del compenso al raggiungimento di obiettivi misurabili per il cliente. Risultato? I ricavi diventano più discontinui e più rischiosi.

In un modello a remunerazione cash di anno in anno, la combinazione di queste due tendenze è esplosiva. Un cattivo anno svuota la partnership. Quindi bisogna tenere più capitale in azienda, distribuirne meno subito, dare ai partner una partecipazione che si valorizza nel tempo invece di pagarli a profitti annuali. Da qui lo spostamento in equity.

Perché la notizia conta più del numero degli agenti

Se prendi il numero 25.000 agenti, è una cifra grande ma di marketing. Conta cosa fanno e quanto valore generano davvero, e su questo le testimonianze esterne sono variegate. Il global engineering chief di EY, Steve Newman, ha commentato in modo pungente che “alcuni dei migliori risultati che abbiamo arrivano da una manciata di agenti che fanno il lavoro pesante” e che il numero di agenti, di per sé, non si traduce automaticamente in valore. EY parla di “una manciata” di agenti che producono il valore reale, BCG dichiara che l’AI consulting sarà il 20% dei suoi ricavi 2024, Accenture ha riorganizzato cinque unità nella nuova “reinvention services”. Ogni big sta giocando una partita diversa.

Il cambio compensation, invece, è una decisione strutturale che dice una cosa precisa: McKinsey ha smesso di scommettere sulla prevedibilità del proprio business e ha cominciato a gestirsi come un’azienda con ricavi volatili. È la mossa di un’azienda che si sta riorganizzando per affrontare un decennio diverso, non per gestire una transizione di breve.

Tradotto in linguaggio operativo: la consulenza più elite del mondo ha appena ammesso pubblicamente che il proprio modello di ricavo non sta più funzionando come prima. Per un settore che vive di certezze trasmesse al cliente, è un’ammissione importante.

E chi fruisce della consulenza cosa deve valutare?

Per chi guida un’azienda italiana e ha rapporti consolidati con grandi società di consulenza, ci sono tre conseguenze pratiche da iniziare a osservare nei prossimi mesi.

La prima è sui pricing. Il modello time & materials non scomparirà del tutto, ma diventerà sempre più residuale. Nelle nuove proposte ti aspetterai sempre più spesso una struttura mista: una parte fissa contenuta, una parte legata al raggiungimento di KPI predefiniti. È una buona notizia per chi compra, perché allinea gli incentivi del consulente con il valore generato. È anche una sfida nuova, perché obbliga a definire ex ante quali sono gli outcome misurabili, e questo richiede una capacità di scoping che molte aziende clienti non hanno ancora sviluppato.

La seconda è sulla struttura dei team. Se le ore si riducono e gli agenti AI fanno parte del lavoro analitico, il team di progetto che ti arriva sarà più snello. Meno junior, più senior consultant che orchestrano agenti. Per il cliente, questo cambia la dinamica di interazione quotidiana, perché spariscono i punti di contatto routinari, gli incontri operativi di follow-up, le revisioni intermedie che fino a ieri tenevano il progetto incollato alla tua organizzazione. C’è un rischio di disconnessione che va gestito con governance esplicita.

La terza è sui contenuti. Quando una consulenza ti vende un outcome, ha incentivo a portarti la soluzione che funziona, non quella che fattura di più. È un’inversione che storicamente molti clienti hanno sperato e raramente ottenuto. La domanda diventa: come misuriamo davvero l’outcome? Se la definizione del successo la scrive il consulente, sarà tarata in modo da renderlo raggiungibile. Se la scrivi tu cliente, devi avere chiaro cosa stai chiedendo, e questa è di nuovo una capacità interna che va costruita.

Il pezzo che mi convince meno

Una cosa che leggo in molti commentatori, e che secondo me è prematura, è che la consulenza tradizionale stia per essere disintermediata dagli stessi modelli AI che le grandi società stanno usando. La logica è: se McKinsey usa Claude per fare le sue analisi, perché io cliente non posso usare Claude direttamente e saltare McKinsey?

La logica funziona, ma solo per una fetta del lavoro che la consulenza fa. La parte di sintesi documentale, ricerca di mercato strutturata, benchmark settoriale, è effettivamente sempre più replicabile in autonomia con un buon prompt e un team interno competente. Quella parte sta scomparendo dalla value proposition delle consulenze, e infatti i partner di McKinsey lo stanno già dicendo apertamente.

Ma c’è una parte che resta scarsa e che non si comprime: l’autorità simbolica del consulente esterno nelle decisioni difficili. Quando un board deve prendere una decisione che spaccherà il management, una società di consulenza serve a fornire copertura politica più che analitica. Quando una famiglia proprietaria deve fare la transizione generazionale, serve una voce terza che dia legittimità alla scelta. Quando un CFO deve giustificare una ristrutturazione, serve un report con un logo riconoscibile. Tutto questo l’AI non lo sostituisce, perché non è informazione, è autorità. E l’autorità si costruisce con persone, relazioni, presenza fisica nei posti che contano.

Il cambio compensation di McKinsey, in questa lettura, ha senso. La consulenza non sparisce ma si sdoppia. Una parte commodity, sempre più automatizzata e a basso margine. Una parte high-touch, fatta di partner senior che vendono autorità e relazioni in situazioni dove conta più chi parla di cosa dice. È sulla seconda parte che si concentreranno gli equity stake. La prima parte, in qualche anno, sarà gestita quasi interamente da agenti, e questo i partner di McKinsey lo sanno bene.

Fine della consulenza o solo del suo vecchio modello?

Se questo è lo scenario, allora chi prende consulenza in Italia farebbe bene a chiedersi due cose, oggi. La prima: sto pagando per la parte commodity o per la parte high-touch? Se il mio rapporto con la consulenza è prevalentemente fatto di deliverable analitici, ricerche, benchmark, decking, allora sto pagando una cosa che fra tre anni potrò fare da solo con un team minuscolo armato di buoni agenti, magari su un’infrastruttura di AI privata sotto il mio controllo. Conviene cominciare ad attrezzarsi adesso, prima che il mercato si riallinei. La seconda: sto comprando vera autorità decisionale, e se sì, da chi? Perché la promessa di autorità del brand consulenza tradizionale dipende dalla stabilità del modello che la sosteneva. Se il modello cambia, anche l’autorità si rinegozia.

Da imprenditore che vede passare diverse aziende attraverso questi rapporti, dico che il vero rischio non è essere disintermediati. Il rischio è continuare a pagare la consulenza come se non stesse cambiando, mentre dall’altra parte i partner di McKinsey hanno già accettato che il loro mondo è cambiato e si stanno organizzando di conseguenza. Quando il fornitore si ristruttura prima del cliente, il cliente paga il conto della ristrutturazione del fornitore. È sempre andata così. Lo è ancora di più adesso, con tutta questa AI in mezzo.

Se volete ragionare su come attrezzarvi, lavoro esattamente su questo nei percorsi di advisory.

27 Maggio 20268 Giugno 2026AI & GENAI, TECH & BUSINESS

Manus AI, la guida completa per le aziende: agente, costi, governance

Cosa significa “agente autonomo” davvero

Per capire Manus AI c’è una distinzione che sembra banale e invece fa tutta la differenza. ChatGPT, Claude, Gemini sono assistenti conversazionali: il ciclo è prompt-risposta, e chi guida il processo resta sempre l’utente, che decompone il problema, lancia richieste in sequenza, ricompone i risultati a mano. Manus rompe questo schema. Riceve un brief in linguaggio naturale, costruisce un piano di esecuzione visibile, e parte da solo, pianifica i passi, apre un browser, esegue ricerche, scarica file, esegue codice, salva risultati, consegna un artefatto finale.

A raccontarlo così sembra una sfumatura semantica, in pratica è un cambio di paradigma, ed è la prima cosa da mettere a fuoco su Manus AI. La documentazione ufficiale di Manus parla di “virtual colleague with its own computer”, e l’immagine rende. L’agente vive in una sandbox Linux Ubuntu completa, con shell, file system persistente, browser Chromium, interpreti Python e Node.js, e può perfino esporre servizi web all’esterno. La parte tecnica più interessante, raccontata in dettaglio dal post di E2B che fornisce l’infrastruttura, è che ogni sessione gira su microVM Firecracker, le stesse macchine virtuali leggere sviluppate da AWS per Lambda. Il risultato pratico è che l’agente può lavorare per decine di minuti, anche un’ora, mantenendo lo stato tra un passo e l’altro, persino quando il dispositivo dell’utente è spento.

Questo cambia il modo in cui si chiede a Manus di fare qualcosa. Un prompt per ChatGPT richiede precisione sulla forma della risposta, perché il modello deve restituire un testo subito. Un brief per Manus richiede precisione sull’obiettivo finale e sui criteri di successo, perché il modello prenderà decine di micro-decisioni autonome durante l’esecuzione, senza poter chiedere conferma a ogni passaggio. È una scrittura più vicina a quella che useresti per un consulente esterno che riceve un brief e torna dopo due giorni con il dossier, non a quella che useresti per un assistente in chat. Tengo questa analogia per tutta la guida, perché è la chiave mentale che fa funzionare lo strumento.

Le due modalità e il pannello “Manus’s Computer”

Il prodotto si articola su due modalità. Chat Mode funziona come un assistente conversazionale tradizionale, costa pochissimi crediti, serve a domande veloci, sintesi rapide, ricerca puntuale. Agent Mode è la modalità autonoma vera, dove Manus prende il brief, costruisce il task plan, e parte. La differenza in termini di costi è netta, e va capita prima di iniziare a usare il prodotto in modo regolare, perché Chat Mode resta per molti utenti il novanta per cento dell’uso quotidiano.

L’elemento più distintivo dell’interfaccia è “Manus’s Computer”, un pannello laterale che mostra in tempo reale tutto ciò che l’agente sta facendo: quali pagine apre, cosa cerca, quali file scrive, quali comandi lancia nel terminale. Per chi viene da anni di chatbot dove tutto è invisibile, è un’esperienza diversa, si vede l’agente lavorare, si intercettano gli errori prima che compromettano l’intero task, si interviene spostandolo da una direzione sbagliata. Una review su Cybernews lo descrive come guardare un ricercatore al lavoro con una checklist davanti, ed è fedele.

Il punto delicato è che questa trasparenza si paga con una maggiore responsabilità di supervisione. Manus può sbagliare click sul browser, fraintendere un’istruzione, costruire un piano errato, e senza un occhio sul “Computer” l’agente consuma crediti per minuti producendo un output che alla fine non serve. La logica corretta è dargli un brief chiaro, lasciarlo lavorare, ma tenere sotto controllo i primi passi del piano. Se il piano iniziale regge, di solito l’esecuzione regge. Se è sbagliato, meglio fermarsi e riformulare. La regola pratica, ad ogni nuovo task, è chiedersi quanti strumenti diversi userei se facessi io questo lavoro: se la risposta è uno, basta Chat Mode, se sono tre o più, vale la pena passare ad Agent Mode.

Come si scrive un brief per un agente autonomo

Un brief per Manus non è un prompt per ChatGPT, ed è la singola cosa che fa la differenza tra task riusciti e task abbandonati a metà esecuzione. Un prompt conversazionale è una richiesta puntuale a cui il modello risponde subito. Un brief per Manus è la descrizione di un risultato finale e dei criteri per riconoscerlo come riuscito.

Un esempio, partendo da una richiesta sbagliata: “fammi una ricerca sui competitor”. Manus parte, ma il piano è generico, l’output incerto, i crediti consumati senza un punto di arrivo chiaro. Lo stesso task in versione corretta: “produci un dossier su cinque competitor italiani nel settore X, per ognuno raccogli sede legale, fatturato ultimi due esercizi disponibili da bilanci pubblici, posizionamento dichiarato sul sito, principali clienti citati in case study, presenza su LinkedIn dei C-level. Output: un file markdown con cinque schede da una pagina ciascuna, link a tutte le fonti, e una tabella riassuntiva finale”. Stessa richiesta sostanziale, risultato completamente diverso.

La differenza è che il secondo brief specifica quattro cose che il primo lasciava implicite: il perimetro del task, i dati da raccogliere, la struttura dell’output, le fonti accettabili. Manus eccelle quando questi quattro vincoli sono chiari, perché può costruire un piano di esecuzione lineare. Quando uno solo dei quattro manca, l’agente deve indovinare, e gli indovinelli costano crediti. La documentazione ufficiale suggerisce di pensare a sé stessi come a un manager che assegna un compito a un collaboratore esterno, ed è un’analogia che vale la pena adottare mentalmente prima ancora di iniziare a digitare. C’è anche una funzione che conviene conoscere dalla prima sessione: l’agente può essere fermato in qualsiasi momento, e si interviene chiedendo correzioni puntuali, suggerendo alternative, fornendo credenziali quando il sito richiede login. Questa pausabilità è uno dei tratti che distinguono Manus dagli agenti puramente background.

Piani, crediti, costi: il modello economico

Manus usa un sistema a crediti, e questo cambia profondamente l’esperienza rispetto agli abbonamenti illimitati di ChatGPT Plus o Claude Pro. Il piano gratuito offre trecento crediti che si rigenerano ogni ventiquattr’ore, più mille crediti starter una tantum, con accesso al Chat Mode e a Manus 1.6 Lite in Agent Mode. Basta per testare il prodotto e capire se ha senso salire di piano.

I piani Pro partono da venti dollari al mese per quattromila crediti, salgono a quaranta dollari per ottomila crediti con accesso al Wide Research, e arrivano a duecento dollari per il piano top che porta i crediti mensili a quarantamila e abilita la generazione batch di slide e siti. Il piano Team parte da venti dollari per seat con un minimo di due membri, e introduce funzionalità di workspace condiviso. La fatturazione annuale taglia circa il 17 per cento. Per i numeri aggiornati c’è la pagina ufficiale dei piani, ma il dato che conta per ragionare sui costi è un altro: i crediti mensili non si accumulano da un mese all’altro, mentre quelli acquistati come add-on restano disponibili finché l’abbonamento è attivo. Una review su Spectrum AI Lab lo conferma analizzando le regole di rollover.

Il dato concreto che serve per dimensionare il budget: un task di ricerca semplice consuma intorno ai cinquanta-sessanta crediti, un’analisi dataset di media complessità ne brucia trecento, un dossier di Wide Research approfondito arriva a quattro o diecimila crediti in una singola esecuzione. Manus non stima il costo di un task prima di lanciarlo, e in caso di crediti insufficienti si ferma a metà esecuzione senza addebiti automatici di overage. Per le aziende il budgeting va dunque fatto a posteriori nelle prime settimane, finché il team non sviluppa un’intuizione sui costi tipici dei propri task ricorrenti. Un consiglio che do sempre: tenere un piccolo log dei task lanciati, con brief, esito, crediti consumati, perché dopo dieci o quindici task emergono i pattern, alcuni tipi di richiesta rendono bene e altri sono sistematicamente difficili, e quel log diventa la base per capire dove Manus sostituisce ore di lavoro e dove invece produce solo overhead di supervisione.

I limiti veri delle prime sessioni

Manus non è perfetto, e conviene saperlo in partenza per evitare delusioni mal indirizzate. I problemi più comuni nelle prime sessioni sono tre. L’agente a volte fraintende il brief e parte in una direzione sbagliata, fa click errati sul browser scegliendo elementi che sembravano giusti, e in task lunghi perde il filo del piano iniziale divergendo verso obiettivi secondari.

Il primo problema si risolve scrivendo brief più precisi. Il secondo è una limitazione tecnica, mitigata dal browser visivo che permette di vedere gli errori e correggerli, ma resta una causa frequente di crediti consumati senza output utile. Il terzo è il più insidioso, e si gestisce dividendo i task lunghi in sotto-task più piccoli, ognuno con un output ben definito, invece di chiedere all’agente di completare in una singola esecuzione una pipeline articolata. Una review approfondita su Lindy nota che Manus funziona bene su task con percorso lineare e meno bene su quelli con logica condizionale ramificata, ed è un’osservazione utile per calibrare le aspettative fin dall’inizio.

I task su cui rodarsi senza rischiare frustrazione, nelle prime settimane, sono tre. La ricerca strutturata multi-fonte, dove Manus apre decine di pagine e le legge integralmente, producendo risultati migliori di un assistente conversazionale. L’estrazione dati da fonti web, dove l’agente apre la pagina, esegue lo scraping, scrive uno script di parsing se serve, salva il CSV, e risolve in cinque o dieci minuti quello che a mano ne richiederebbe quaranta. La generazione di documenti formattati a partire da input strutturati, dove dato un file Excel con i risultati di una survey l’agente produce un report con grafici, executive summary, sezioni per ogni domanda. Questi tre pattern coprono buona parte del valore quotidiano di Manus per un manager, e funzionano come esercizi di apprendimento.

Projects e Connectors: l’agente che entra nello stack di lavoro

Fino a metà 2025 Manus aveva un problema strutturale: ogni sessione partiva da zero. L’agente non sapeva nulla del lavoro precedente, delle abitudini del team, delle conversazioni in corso, e andava istruito ogni volta. A dicembre 2025 è arrivata la prima risposta strutturale sotto forma di Projects con Connectors, ed è il momento in cui Manus smette di essere un tool per task estemporanei e inizia a operare dentro il proprio contesto.

Un Project è un workspace persistente che conserva istruzioni di base, file di riferimento, cronologia delle conversazioni correlate. Invece di spiegare ogni volta a Manus chi siete, cosa fa la vostra azienda, qual è il tono di voce, quali sono i clienti chiave, queste informazioni vivono dentro il Project e l’agente le richiama all’inizio di ogni nuovo task. La pagina ufficiale del lancio descrive l’idea di trasformare task ripetibili in spazi persistenti. L’impatto si manifesta in tre direzioni: la qualità degli output, perché con il contesto già caricato Manus produce risultati più allineati al brand e al settore, il risparmio di crediti, perché spariscono i passi che l’agente farebbe per capire il contesto, e la possibilità di delegare task ricorrenti a chi nel team ha meno familiarità con lo strumento, perché il Project incapsula la complessità.

Qui si gioca la partita vera dei Connectors. Un Project può collegarsi nativamente, via protocollo MCP, ai servizi che già si usano: Gmail, Notion, Stripe, HubSpot, Slack, Google Calendar, Hugging Face, Google Drive, GitHub, e l’elenco continua a crescere. MCP è lo standard aperto che Anthropic ha proposto nel 2024 e che si sta affermando come lingua franca per l’integrazione tra agenti e tool esterni, un tema legato a doppio filo a come si evita il vendor lock-in nei progetti AI enterprise. Un esempio concreto: con il connettore Gmail attivo si può chiedere a Manus di leggere le email ricevute negli ultimi cinque giorni dai clienti enterprise, identificare quelle con una richiesta esplicita di follow-up, produrre una sintesi per priorità. Manus legge davvero la posta, applica i filtri, restituisce la sintesi. Con Slack attivo si può chiedere di guardare il canale vendite delle ultime due settimane e riassumere le obiezioni ricorrenti dalle call. A maggio 2026 Manus ha aggiunto i Connector Recommendations, che identificano quando un task richiede un servizio non ancora collegato e suggeriscono di attivarlo dall’interfaccia, riducendo l’attrito di scoprire a metà task che mancava una credenziale.

La tentazione iniziale è creare un Project generico chiamato “lavoro” e usarlo per tutto. Funziona male, e dopo qualche settimana produce confusione. La logica corretta è creare Project ristretti per dominio o per processo, uno per la competitive intelligence, uno per la produzione di contenuti, uno per l’analisi del customer feedback, ognuno con istruzioni mirate e connettori selezionati. Sui connettori conviene restare minimali, perché ogni connettore amplia la superficie di accesso ai dati: un Project di ricerca pubblica non ha bisogno di Gmail collegato, uno di produzione contenuti non ha bisogno di Stripe. La regola del privilegio minimo si applica anche qui, e protegge da scenari dove l’agente, in un momento di confusione, accede a dati che non doveva toccare.

Wide Research, la funzione dove Manus stacca gli altri

Ci sono task per cui un chatbot non basta, e per cui anche una “deep research” come quella di ChatGPT o Perplexity resta in superficie. Sono i dossier che richiedono di aprire decine di pagine, leggerle integralmente, estrarre dati strutturati, confrontarli, citarli con riferimenti puntuali. Wide Research è la funzione di Manus AI pensata esattamente per questo, disponibile sui piani Pro da quaranta dollari mensili in su, ed è uno dei punti dove il prodotto mostra il suo vantaggio competitivo più chiaro.

L’agente entra in una sessione estesa, lavora per quaranta-ottanta minuti, apre decine o centinaia di pagine, mantiene uno stato persistente, salva risultati intermedi, consegna un dossier corposo. La differenza con le ricerche standard riguarda la durata, certo, ma soprattutto la profondità di lettura: invece di fermarsi agli snippet dei primi risultati, l’agente apre davvero le pagine e le legge per intero. Sul confronto con la “deep research” di altri vale la pena guardare i numeri con cautela. Un’analisi su The Planet Tools che ha testato Manus su GAIA, il benchmark di riferimento per agenti AI, riporta uno score dell’86,5 per cento sul livello uno, 70,1 sul livello due, 57,7 sul livello tre, contro il 74,3, 69,1 e 47,6 di OpenAI Deep Research. I benchmark di prodotto vanno presi con le pinze, ma indicano una direzione: su task di ricerca multi-step strutturati Manus si comporta in modo competitivo, e in alcuni scenari supera la concorrenza più affermata.

Le regole sul brief valgono qui con un’intensità maggiore, perché un brief vago per un task da cinquanta crediti produce uno spreco accettabile, mentre per un task da cinquemila crediti produce uno spreco doloroso. I quattro elementi che fanno la differenza sono il perimetro, la struttura dell’output, le fonti accettabili, i criteri di successo. Wide Research rende particolarmente bene su tre terreni. La competitive intelligence strutturata, dove l’agente apre siti aziendali, comunicati, press release, e produce dossier che a un analista umano richiederebbero due o tre giornate. La due diligence light, che non sostituisce quella formale ma serve a valutare preliminarmente una controparte, raccogliendo informazioni pubbliche, segnalando red flag, ricostruendo la storia del management, con la capacità di citare puntualmente le fonti costruendo un audit trail della ricerca. Il market scan e la ricerca regolatoria, dove serve coprire molte fonti istituzionali, paper, comunicati di authority, banche centrali, organismi europei.

Sui costi conviene dare cifre concrete, perché il modello a crediti rende facile sottostimare l’investimento finché non ci si trova il budget mensile bruciato a metà mese. Un dossier di complessità media consuma tra i mille e i tremila crediti, uno ad alta complessità arriva a quattromila o diecimila in un’unica esecuzione. Sul piano Pro da quaranta dollari con ottomila crediti mensili, un task ben dimensionato occupa il dieci per cento del budget, mentre uno fuori scala può cannibalizzare un mese intero. Il calcolo che vale la pena fare è quanto tempo umano risparmia il dossier: se un’analisi da otto ore viene prodotta in trenta minuti con duemila crediti, il ROI è evidente, se invece il dossier è di qualità scarsa e va integrato a mano per quattro ore, il calcolo si ribalta. Per i dossier davvero importanti, quelli destinati a riunioni con stakeholder esterni o a decisioni di investimento, conviene un pilot in piccolo: stessa struttura ma su due o tre soggetti invece di dieci, si valuta la qualità, si calibra il brief, poi si lancia il task completo.

Wide Research è la scelta sbagliata quando la fonte primaria è una sola e già nota, e allora conviene caricare il documento in Chat Mode o in un Project e ragionarci sopra. Lo è quando la ricerca richiede accesso a database proprietari come Bloomberg, Crunchbase Pro, Pitchbook, perché Manus non ha accesso nativo e produrrà un dossier basato su fonti pubbliche più povere. E non funziona quando la domanda è soggettiva e richiede un giudizio interpretativo che presuppone esperienza di settore, perché valutare se un’azienda è un buon target di acquisizione è una sintesi di mercato, finanza, competitive e fit culturale che richiede chi conosce il contesto strategico interno. Wide Research prepara il terreno, non prende la decisione.

Scheduled Tasks e Cloud Computer: l’agente che lavora anche di notte

C’è un momento, in chi inizia a usare Manus seriamente, in cui ci si accorge che il vero collo di bottiglia si sposta: dalla capacità dell’agente al tempo dell’utente che deve lanciare i task. Le riunioni occupano la mattina, le revisioni il pomeriggio, e i task ricorrenti che si volevano lanciare ogni settimana si fanno una volta sì e due no, finché si smette. Qui Manus ha investito di più nell’ultimo anno, e a fine aprile 2026 ha consegnato il salto più rilevante del suo percorso prodotto.

Scheduled Tasks permette di programmare l’esecuzione di un task a cadenza fissa, ogni mattina, ogni lunedì, il primo del mese, ogni tre ore. L’agente lancia il task in autonomia, esegue, salva i risultati, eventualmente invia notifiche. Per chi è abituato a Zapier o n8n l’idea è familiare, per chi viene solo da chatbot è un cambio di prospettiva. Una review su Work Management lo descrive come la funzione che fa sembrare Manus più un operations tool che una novità AI, ed è fedele, perché il valore non sta nel singolo task pianificato ma nell’accumularsi di task ricorrenti che insieme costruiscono una piccola infrastruttura di business intelligence che gira da sola. I limiti vanno conosciuti: sul piano gratuito due Scheduled Tasks attivi, sui piani Pro il limite sale a venti task concorrenti e pianificati.

Il salto qualitativo è il Manus Cloud Computer, lanciato il 30 aprile 2026, descritto dalla stampa specializzata come il primo prodotto mainstream che dà a un agente un “permanent home”. Fino ad allora ogni sessione viveva in una sandbox effimera che si chiudeva al termine del task, mentre con Cloud Computer l’agente ha una macchina virtuale dedicata, sempre accesa, che mantiene stato, file, database, processi attivi anche tra un task e l’altro. Una rassegna su AI Automation Global descrive l’impatto come il passaggio dal 2025, anno del chat agent, al 2026, anno dell’agent runtime, un posto dove gli agenti vivono, reagiscono a eventi, accumulano effetti collaterali. Cloud Computer è disponibile in tre tier, accessibile da desktop e mobile, ed è proposto come no-code: si descrive l’obiettivo in linguaggio naturale e Manus provisiona e mantiene la macchina sottostante. Per le funzioni IT abituate a parlare di VM, container, processi supervisor, l’astrazione conta, perché non si gestisce più infrastruttura, si gestisce intento.

Gli scenari dove Scheduled Tasks ripaga rapidamente sono concreti. Il monitoring competitivo giornaliero, un task che ogni mattina controlla i siti dei competitor selezionati e invia un digest entro le otto, così il manager arriva in ufficio già allineato. Il digest settimanale di customer feedback, che ogni lunedì apre i ticket della settimana precedente, identifica i topic ricorrenti, segnala i feedback critici. La rassegna stampa di nicchia, che per chi lavora in public affairs o comunicazione scandaglia testate specializzate e account di settore producendo una rassegna ragionata, un sostituto credibile per certi scenari di servizi più costosi. Un caso descritto su NoCode MBA mostra come un setup simile per tracciare advertiser su newsletter di settore abbia intercettato lead prima della concorrenza.

I task pianificati hanno insidie diverse da quelli in tempo reale. Un task lanciato a mano lo supervisioni e se va male lo fermi, uno pianificato gira di notte e se sbaglia produce output sbagliati per giorni prima che qualcuno se ne accorga. Tre regole tengono conto di questa asimmetria. Essere conservativi sul perimetro, perché un task ricorrente deve fare poco ma bene, non è il contesto per un Wide Research da quattromila crediti ma per task semplici da cento o duecento. Configurare il fail-fast, in modo che se le fonti non sono accessibili l’agente notifichi l’errore invece di produrre output silenziosamente sbagliato. Fare una review periodica, una volta al mese, per vedere quali task generano valore e quali sono diventati rumore di fondo, perché la tendenza naturale è accumulare task senza mai potarli e dopo sei mesi ci si ritrova con quindici Scheduled Tasks di cui tre servono davvero.

Il valore vero emerge quando queste funzioni si combinano. Un Project con istruzioni mirate, connettori attivi sui propri tool, Scheduled Tasks che girano in autonomia, Cloud Computer che mantiene stato persistente, insieme diventano un’infrastruttura leggera di automazione che assomiglia a quello che le aziende grandi costruiscono con team IT dedicati. Un Project di sales intelligence con HubSpot attivo, dove ogni mattina un task apre i deal stagnanti da più di trenta giorni, controlla l’attività recente dei contatti su LinkedIn, identifica trigger di vita come un cambio ruolo o un post recente, suggerisce a quale account dare follow-up prioritario, con il Cloud Computer che mantiene memoria di lungo termine sui contatti per non ripetere segnalazioni già fatte. Due anni fa questo livello richiedeva un team di RevOps con Salesforce, Outreach, Clay, Apollo e un consulente di setup, oggi richiede un piano Manus Pro e una settimana di configurazione. C’è un caveat che ricordo sempre: tutta questa infrastruttura passa da una piattaforma esterna che ha accesso a dati aziendali sensibili, e il livello di automazione raggiunto è proporzionale alla quantità di credenziali condivise, un tema che chi ha vincoli di sovranità del dato risolve spostando lo strato AI dentro il perimetro, come racconto a proposito di infrastrutture di AI privata.

Collab, Desktop App e Design View: quando diventa risorsa di squadra

Per buona parte del 2025 Manus era un prodotto individuale. Un singolo utente apriva un task, lo seguiva, ne raccoglieva l’output, e per i team che volevano usarlo insieme l’unica strada era condividere screenshot e riprodurre a mano la stessa esecuzione. Da fine 2025 il prodotto ha coperto questo limite con un set di funzioni dedicate al lavoro di squadra.

Manus Collab apre i workspace alla collaborazione multi-utente con un solo link. Si genera, si condivide, e chi lo riceve entra nel workspace, vede lo stato dei task, partecipa alle conversazioni con l’agente, contribuisce al brief, accede agli output. Per chi viene da Notion, Linear, Figma, il pattern è familiare. L’effetto si misura sul sistemico più che sulla singola funzione: quando due persone lavorano insieme su un task le iterazioni si moltiplicano, una scrive il brief, l’altra lo affina, una valuta l’output intermedio, l’altra chiede correzioni, e la qualità finale supera quella che si otterrebbe in solitaria. Una review su Lindy nota che il lavoro di squadra è uno dei terreni dove i prodotti agentici stanno colmando il distacco rispetto agli strumenti collaborativi tradizionali. Un Manus solitario è uno strumento, un Manus condiviso può diventare un processo aziendale.

La Desktop App per Mac e Windows, descritta nella documentazione come “My Computer”, porta tre vantaggi pratici. L’accesso ai file locali senza upload manuale, così si lavora su documenti e fogli che vivono sulla propria macchina senza prima caricarli nel cloud. La persistenza visiva, perché l’app resta aperta in background e le notifiche sui task completati arrivano nel sistema operativo invece di disperdersi tra mille schede. E il senso di professionalità dello strumento, meno banale di quanto sembri, perché un’applicazione dedicata cambia il modo in cui un team percepisce un tool e abbassa la resistenza all’adozione strutturata. Resta una limitazione che conviene conoscere: anche con l’app desktop, l’esecuzione dell’agente avviene nella sandbox cloud, non sulla macchina locale, ed è un vincolo di sicurezza che vale per tutti gli agenti autonomi sul mercato.

Design View è il modulo dedicato alla generazione e all’editing di immagini, lanciato con una novità tecnica: integra Nano Banana Pro, il modello di generazione visuale di Google noto per la qualità delle iterazioni successive a partire dalla stessa immagine sorgente. Si carica o si genera un’immagine, e si chiedono modifiche in linguaggio naturale, cambia lo sfondo, togli la persona sulla destra, trasforma il giorno in notte, ogni modifica produce una nuova versione e il workspace mantiene la storia delle iterazioni. Per il marketing serve a produrre varianti per A/B test, social, landing page senza passare ogni volta dal design team per modifiche minori, per il design diventa uno sketchbook collaborativo, per la comunicazione interna permette di personalizzare template senza competenze grafiche. La qualità di Nano Banana Pro è alta sulle modifiche iterative dello stesso soggetto, meno costante quando si chiede una composizione completamente nuova, quindi conviene trattarlo come strumento di editing più che di creazione, affidando le brand asset di valore alto a designer professionisti.

C’è un tratto che accomuna gli scenari di squadra, e vale la pena fissarlo. Il valore di Manus per i team non sta nella sostituzione del lavoro umano, sta nella riduzione del tempo morto tra una decisione e la sua materializzazione. Cambia il throughput del processo creativo o produttivo, non la qualità finale dell’output, che resta dipendente dalla professionalità di chi lavora. Per aziende dove il time-to-market dei contenuti o delle materializzazioni visuali è un fattore competitivo, è una differenza che si misura in giornate di lavoro recuperate ogni settimana.

API e Custom MCP Server: integrare l’agente nei sistemi aziendali

C’è una fascia di lettori per cui usare Manus come prodotto finito non basta. Sono i CTO, gli IT manager, i lead developer che devono valutare se e come integrarlo dentro flussi esistenti, sopra database proprietari, dentro pipeline che girano su altri stack. Per questi profili la domanda non è come si usa Manus, è come si costruisce qualcosa con Manus. Due strade complementari, l’API per integrazioni server-to-server e i Custom MCP Server per esporre i sistemi interni all’agente.

L’API Manus permette a un sistema esterno di lanciare task sull’agente, ricevere risultati, gestire l’esecuzione in modo programmatico. La logica è quella di qualunque API moderna, chiave di accesso, endpoint, JSON in input e output, gestione asincrona dei task lunghi. Un caveat onesto: la documentazione tecnica sull’API è ancora in consolidamento e non ha la completezza di provider più maturi come OpenAI o Anthropic. Una guida su Skywork che ha analizzato pattern di integrazione con Stripe, Slack, Notion e Google Sheets nota che Manus si concentra sulla generazione rapida di app complete ma non documenta pubblicamente un developer SDK, un marketplace di plugin o un framework webhook strutturato. In pratica le integrazioni oggi si fanno in due modi, tramite middleware costruito ad hoc che riceve eventi dai propri sistemi e li traduce in chiamate Manus, oppure tramite polling per i servizi senza webhook affidabili. Entrambi richiedono uno sviluppatore esperto, e nessuno dei due è plug-and-play come l’esperienza dei Connectors nativi.

I Custom MCP Server fanno l’opposto: permettono a Manus di chiamare i sistemi aziendali interni come se fossero strumenti standard. Per le aziende strutturate è la direzione più potente, perché evita il problema della completezza dell’API e sfrutta lo standard aperto MCP. Si costruisce un server, ospitabile in cloud privato, on-premise o hybrid, che espone una serie di tool al protocollo, ognuno con un nome, una descrizione, parametri tipizzati, e un’implementazione che parla con i sistemi interni, per esempio “trova cliente per codice fiscale”, “estrai ultime fatture”, “aggiorna stato pratica”, “verifica disponibilità magazzino”. Si configura Manus per usare il server, e da quel momento l’agente opera sui sistemi proprietari dentro qualunque task autonomo. La documentazione integrazioni di Manus indica proprio questa possibilità di esporre CRM interni, database, API legacy in modo nativo. Per chi conosce il pattern del tool function calling negli LLM tradizionali, è la stessa cosa elevata a protocollo aperto e portabile, dove il server scritto per Manus può in linea di principio essere usato da altri agenti compatibili MCP, evitando il lock-in tecnologico.

Tre pattern ricorrono nelle integrazioni serie. Il ticket-enrichment, dove un sistema di ticketing genera un ticket, un trigger chiama Manus che con un Custom MCP Server sul CRM interno analizza il contenuto, identifica il cliente, recupera lo storico, classifica la richiesta, propone una priorità e un primo draft di risposta, e il ticket arricchito torna all’operatore umano con contesto già pronto. Il monitoring-and-routing, dove una pipeline di ingestion raccoglie input eterogenei e un task Manus li classifica, identifica i casi che richiedono attenzione umana, indirizza gli altri verso processi automatici, lo smistamento intelligente che dieci anni fa richiedeva regole if-then complesse. Il report-and-distribute, dove un task pianificato genera report periodici partendo da CRM, ERP, BI, li compone in documenti formattati, li distribuisce via email, Slack, Notion, una sostituzione credibile di parte del lavoro che oggi fanno manualmente i business analyst.

Tre temi tecnici vanno affrontati prima dello sviluppo. Webhook e polling sono i due modelli per la reattività, i webhook efficienti ma con endpoint pubblici e gestione delle retry, il polling più semplice ma con latenza e carico costante, e nella maggior parte dei casi conviene un layer ibrido. La gestione delle credenziali è il punto sensibile, perché con i Custom MCP Server le credenziali ai sistemi interni vivono nel server stesso, che diventa il punto critico di sicurezza, da isolare in rete dedicata, con credentials manager come Vault o i secrets manager cloud, con rotazione regolare e log di ogni accesso. L’idempotenza è il terzo, perché un task Manus può essere ritentato dopo errore o ricevere lo stesso input due volte, e i tool esposti devono produrre lo stesso risultato se chiamati due volte con gli stessi parametri, evitando doppie scritture. Sulla scelta tra costruire e comprare, il criterio è quello classico: si costruisce custom quando ci sono sistemi proprietari unici, requisiti di sicurezza specifici, volumi che ammortizzano lo sviluppo, e si compra il prodotto quando il caso d’uso è coperto dai Connectors nativi e il team non ha competenze per mantenere integrazioni custom. La variante intermedia più frequente è “buy the platform, build the connectors”, Manus come piattaforma chiavi in mano per il novanta per cento dei casi standard e un Custom MCP Server dedicato per i sistemi proprietari critici.

Adozione enterprise: governance, sicurezza, costi, proprietà

Un decisore che ha capito cosa fa il prodotto si trova davanti alle domande che contano quando si passa da “uno sperimenta nel team” a “lo adottiamo come strumento aziendale”. Quanto costa su scala team, quali garanzie di sicurezza offre, dove finiscono i dati, qual è il contesto di proprietà e governance, quando vale la pena e quando no.

Su scala team la logica di Manus AI è la stessa degli utenti individuali, con dinamiche di scala da comprendere. Il piano Team parte da venti dollari al mese per seat con un minimo di due membri, e introduce workspace condiviso, single sign-on, funzionalità di amministrazione, una pool di crediti gestita collettivamente. Per un’azienda con dieci utilizzatori attivi il costo base è duecento dollari al mese, più gli eventuali add-on per i picchi. Il calcolo che conta è quello dei crediti, non quello del seat, perché i casi più costosi, Wide Research, Cloud Computer attivo, task autonomi lunghi, concentrano buona parte del budget se non si stabilisce una disciplina interna. I crediti mensili non si accumulano, quelli da add-on restano finché l’abbonamento è attivo, e questa asimmetria spinge a una calibrazione fine, meglio un piano leggermente sotto il fabbisogno medio integrato con add-on quando serve, che un piano sovradimensionato che spreca crediti ogni mese.

Tre limiti operativi impattano l’organizzazione. Il limite di task concorrenti, uno solo sul gratuito, venti su Pro, scalabile con i seat ma con un tetto sul Team, che emerge quando un team di otto persone tenta di lanciare ognuno un Wide Research nello stesso pomeriggio e alcuni restano in coda. Il limite di Scheduled Tasks attivi, dove la disciplina di tenere pochi task ben fatti è anche un’auto-limitazione virtuosa. Il limite di Wide Research, dove le sessioni hanno durate massime e i crediti possono saturare il budget mensile, tanto che per team con bisogno frequente di dossier il piano top da duecento dollari diventa quello sostenibile.

Su sicurezza, data residency e audit trail Manus ha una maturità intermedia, i meccanismi di base ci sono ma la documentazione enterprise non è ancora al livello dei provider più consolidati. Tutto ciò che passa per la sandbox cloud, file caricati, contenuti delle conversazioni, output prodotti, viene processato dalla piattaforma, e per dati non particolarmente sensibili è coerente con qualunque SaaS moderno. Per dati regolamentati, categorie particolari GDPR, segreto bancario, dati sanitari, classificati pubblici, questa è la prima asimmetria da considerare, perché Manus non è oggi un prodotto certificato per la gestione di dati ad alta sensibilità, e per questi scenari va verificato puntualmente cosa il proprio framework di compliance consente. Sulla data residency, l’infrastruttura sottostante gira su provider cloud americani, e per aziende italiane ed europee in PA centrale o in settori finanziari di rilevanza sistemica, con vincoli espliciti di sovranità del dato, questo è un nodo da valutare caso per caso. Per la maggior parte delle aziende private il framework di trasferimento internazionale copre adeguatamente, ma l’analisi va documentata formalmente. Sull’audit trail il prodotto registra conversazioni ed esecuzioni e offre l’accesso alla cronologia, sufficiente per l’accountability interna, mentre per audit formali le funzionalità avanzate come log immutabili, export strutturato, integrazione SIEM, sono in consolidamento e vanno verificate con il vendor.

C’è poi un punto di proprietà e governance del prodotto che merita di essere riportato con precisione, perché si è mosso parecchio negli ultimi mesi. Manus nasce da Butterfly Effect, società fondata in Cina con radici a Pechino e Wuhan, poi reincorporata a Singapore nel 2025. A dicembre 2025 Meta ha annunciato l’acquisizione di Manus, riportata intorno ai due miliardi di dollari, dichiarando che avrebbe accelerato l’innovazione AI per i propri prodotti consumer ed enterprise. L’operazione ha attratto scrutinio sia negli Stati Uniti sia in Cina, e il 27 aprile 2026 la National Development and Reform Commission cinese ha bloccato l’acquisizione, chiedendo alle parti di annullarla, in una mossa che la stampa internazionale ha collegato alle preoccupazioni di Pechino sul trasferimento di tecnologia avanzata e talento. Meta ha risposto che la transazione era pienamente conforme alle leggi applicabili e che si attende una risoluzione appropriata della questione. Allo stato attuale lo scenario resta aperto e non del tutto chiarito, anche perché parte del personale risultava già integrato nei team Meta. Per le aziende che valutano l’adozione il punto non è prendere posizione su una vicenda geopolitica, è registrare che il prodotto attraversa una fase di evoluzione e incertezza societaria, con i lati positivi degli investimenti continui e i lati di consapevolezza sui possibili cambiamenti di pricing e di policy. Per settori con vincoli stringenti sulla provenienza geografica dei fornitori cloud, PA centrale, difesa, sanità, banking sistemico, questo va verificato con le funzioni di compliance interne, mentre per il resto del mercato privato il tema è meno stringente di quanto a volte appaia.

La griglia decisionale: quando Manus AI è la scelta giusta

Resta da mettere insieme tutto in criteri sintetici, da combinare con il contesto specifico di ogni azienda. La domanda preliminare, prima ancora di aprire l’account, riguarda il proprio flusso di lavoro: ha task multi-passo che oggi vengono eseguiti a mano per mancanza di alternative, oppure è già strutturato intorno a strumenti specializzati che coprono ogni segmento?

Una griglia grossolana ma utile parte dal tempo. Se il task richiede meno di cinque minuti di lavoro umano, Manus è un’overkill costosa ed è meglio un assistente conversazionale. Se richiede tra cinque minuti e un’ora, e attraversa più strumenti o più fonti, Manus può essere la scelta giusta. Se richiede più di un’ora di lavoro complesso ma altamente strutturato, vale la pena valutare se non sia più adatto a una pipeline costruita con API e tooling dedicato. Manus è la scelta giusta quando l’azienda ha bisogno regolare di task multi-passo oggi eseguiti a mano, quando il team ha competenze digitali medio-alte e può investire un mese o due nella curva di apprendimento, quando i casi d’uso prevalenti riguardano ricerca approfondita, generazione di documenti formattati, monitoraggio continuo, supporto a customer operations e sales, e quando i dati toccati non sono in fasce di sensibilità elevata oppure si è disposti a costruire un Custom MCP Server che isoli il perimetro.

È invece da rivalutare con attenzione quando l’azienda opera in settori altamente regolati con vincoli di sovranità del dato espliciti, quando il team non ha la disponibilità per investire nella curva di apprendimento e cerca un tool da accendere e usare, quando i casi d’uso sono prevalentemente conversazionali e iterativi, per i quali un assistente tradizionale è più adatto, e quando il budget è strutturalmente sotto i venti dollari mensili per utente, perché il modello a crediti rende il piano gratuito limitante per un uso professionale serio.

In molti casi reali la risposta sta nel mezzo, ed è una valutazione sfumata che conviene chiudere con un pilot strutturato, un trimestre di prova con un team ristretto di tre o cinque power user, obiettivi misurabili sul tempo umano risparmiato e sulla qualità degli output, e una decisione formale a fine trimestre se estendere all’organizzazione o fermarsi. È l’approccio che evita sia il rifiuto pregiudiziale sia l’adesione entusiastica non sostenibile, ed è quello che la maggior parte delle aziende che adottano con successo nuovi tool AI sta usando in questa fase. C’è anche un criterio organizzativo che vedo spesso sottovalutato: le aziende che adottano Manus con successo sono quelle che dedicano una persona o un piccolo team alla curva di apprendimento iniziale, prima di estendere l’uso al resto dell’organizzazione, perché lanciarlo dall’alto come tool generalista, senza un nucleo di power user che sviluppi pattern riconoscibili, tende a produrre frustrazione e abbandono.

Tutto questo ragionamento, dalla scelta del modello fino all’architettura di governance, è esattamente il tipo di valutazione che mi capita di affiancare quando un’azienda mi chiede un assessment sulla propria adozione AI. Se Manus entra in un disegno più ampio di sovranità del dato e infrastruttura interna, vale la pena leggerlo insieme alle scelte di stack che ho raccontato altrove, dal perché Mistral è diventata la scelta enterprise più seria d’Europa per chi vuole l’AI dentro il proprio perimetro, fino a cosa cambia per il GDPR quando un dato esce dall’azienda e si appoggia a una piattaforma esterna come Manus. In Pelle Digitale ho provato a descrivere come l’interfaccia digitale media il nostro rapporto con il lavoro e con noi stessi, e un agente autonomo come Manus è il caso limite di questa mediazione, uno strumento che non risponde più soltanto, agisce. Per una conversazione diretta sul vostro caso specifico c’è la pagina Advisory.

A inizio percorso lasciavo aperta una domanda, e la richiudo qui dopo aver attraversato tutto il prodotto. Aprire un account, dedicare due settimane all’esperimento concreto, scegliere tre task realistici del proprio lavoro e provarli con la disciplina vista in queste pagine, perché la risposta sul valore di Manus per il proprio contesto arriva solo dall’esperienza diretta e nessuna guida può sostituirla. Senza dubbio è in quella prova concreta che si gioca la differenza tra chi avrà cavalcato l’onda degli agenti autonomi e chi la guarderà passare?

Anthropic sposta l’esecuzione dentro l’azienda, la regia resta fuori

Il 19 maggio, al primo Code with Claude tenuto a Londra, Anthropic ha annunciato due funzionalità che spostano in modo concreto dove vivono gli agenti AI dentro le aziende. La prima si chiama self-hosted sandboxes ed è in public beta. La seconda si chiama MCP tunnels ed è in research preview. Messe vicine valgono più di quanto sembrino a una lettura veloce della release note, e provo a dire perché.

Il punto di partenza tecnico è semplice. Claude Managed Agents è l’infrastruttura ospitata di Anthropic per far girare sessioni agentiche lunghe e tool-heavy. Fino a maggio, tutto stava lì: l’agent loop con orchestrazione e gestione del contesto, l’esecuzione dei tool, la connessione ai servizi esterni. Adesso una parte di quello stack può uscire da Anthropic e rientrare dentro il perimetro del cliente, mentre l’altra resta dove era. La regia rimane su Anthropic. L’azione si sposta a casa tua.

Schema del MCP tunnel di Anthropic: esecuzione dentro la sandbox, regia esterna — *Fonte: Anthropic, schema del MCP tunnel.*

L’esecuzione si sposta a casa tua

Quando un agente esegue un tool, esegue codice. Apre file, installa pacchetti, chiama API, scarica risorse. Fino a ieri tutto questo avveniva nei sandbox gestiti da Anthropic. Da oggi puoi configurare l’agente perché esegua quegli stessi tool dentro la tua infrastruttura, oppure presso un provider gestito a tua scelta (Cloudflare, Daytona, Modal, Vercel sono i nomi citati). I tuoi file sensibili, le repository di codice, i pacchetti privati, i segreti di configurazione non lasciano più la tua rete. E il logging di audit, le policy di sicurezza, gli strumenti di monitoring che hai già sul tuo perimetro continuano a vedere e regolare quello che fa l’agente.

L’orchestrazione, invece, resta su Anthropic. L’agent loop, la gestione del contesto, la recovery dagli errori, la pianificazione delle azioni successive sono tutti gestiti dall’API di Claude. Cambia solo dove materialmente vengono eseguite le chiamate. Se l’agente decide di lanciare uno script Python per processare un file, lo script gira sul tuo sandbox, non sul loro.

Un canale che parla solo verso l’esterno

Gli MCP tunnels affrontano il problema speculare. Come fa un agente a parlare con i tuoi sistemi interni senza che tu debba esporli a internet? Il Model Context Protocol è lo standard aperto che Anthropic ha promosso lo scorso anno per far dialogare gli agenti con sorgenti dati e servizi esterni. Funziona bene quando i servizi sono pubblici, meno bene quando sono dentro un network privato.

Il meccanismo che hanno introdotto è un gateway leggero, che il cliente dispiega dentro la propria rete, e che apre una singola connessione outbound verso Anthropic, cifrata end-to-end. Nessuna porta inbound da aprire. Nessun endpoint pubblico. Nessuna modifica al firewall. Sopra quel canale possono passare conversazioni MCP verso server interni che ospitano database, knowledge base, ticketing system, API private. L’agente di colpo può chiamare quei sistemi come fossero tool standard, ma il traffico non transita mai sull’internet pubblico.

Dove finisce l’azienda, dove comincia il modello

A una lettura superficiale è un aggiornamento di sicurezza e compliance. Per le aziende regolate è una notizia importante perché toglie uno dei blocchi tipici all’adozione, quel “non possiamo far uscire i dati” che ferma centinaia di progetti ogni anno. Per chi vende AI in enterprise è una mossa competitiva contro i player che offrono già installazioni on-premise complete.

C’è anche un altro livello. Anthropic sta dichiarando, in modo molto operativo, dove finisce l’azienda e dove comincia il modello. Per anni la domanda “dove vive un’AI aziendale” ha avuto due risposte estreme: o tutto in cloud sul provider, oppure tutto on-premise con uno stack auto-ospitato. Adesso ne sta diventando praticabile una terza, più sottile. La testa pensante del sistema, l’agent loop, resta fuori dall’azienda perché lì sta l’innovazione che si muove troppo veloce per essere replicata internamente. Le mani che toccano i dati e i tool tornano dentro perché lì stanno le regole, la responsabilità, il perimetro legale e culturale.

È una decomposizione interessante. Non è cloud, non è on-prem, è un terzo modello in cui l’autorità decisionale dell’agente è separata dall’autorità esecutiva. Anthropic decide come ragiona. Tu decidi cosa può toccare. La superficie di contatto fra i due livelli è codificata in due primitive ben definite, il sandbox e il tunnel.

Cambia anche il modo di comprarla

In Pelle Digitale avevo provato a descrivere come la mediazione tra noi e le macchine stesse cambiando forma. Quello che vedo qui è una variante infrastrutturale dello stesso fenomeno. La pelle non è più solo l’interfaccia in cui parliamo col modello. È anche la membrana tecnica che decide cosa passa e cosa no, cosa esce dall’azienda e cosa rientra, cosa il modello può sapere e cosa no. La progettano gli ingegneri di Anthropic disegnando le primitive del sistema. La progettiamo noi configurando policy, tunnel, sandbox.

Chi sta portando agenti AI in produzione dentro un’azienda strutturata, con questa architettura, deve mettere in conto tre cose che fino a ieri non c’erano.

Sul piano contrattuale e legale il discorso “i miei dati attraversano i server del fornitore” diventa meno semplice da fare, perché in molti scenari non è più vero. Tool execution e dati restano dentro, l’agente fuori vede solo quello che il sandbox gli restituisce. Vanno aggiornati i template di DPIA, le clausole nei contratti con i fornitori, le policy di data residency.

Sul piano organizzativo bisogna decidere chi gestisce un agente AI con questa architettura. Lo sviluppo software perché esegue codice. L’infrastruttura perché ospita sandbox e gateway. Il security perché definisce le policy del perimetro. Il data team perché decide quali sistemi interni esporre via MCP. Sono quattro funzioni che fino a ieri non lavoravano insieme su questo tipo di progetti, e bisognerà costruire workflow nuovi per farle convivere.

Sul piano strategico, Anthropic dichiara con queste mosse di voler diventare l’infrastruttura di default per gli agenti enterprise. Non un fornitore di modelli sotto, ma un layer di orchestrazione che si integra dentro le aziende mantenendo i confini tecnici e di sicurezza che le aziende vogliono. Per chi compra è una scelta strategica diversa rispetto a scegliere un fornitore di LLM più una soluzione di agentic framework messa su a parte. Per chi vende prodotti AI on top, conviene capire dove si posiziona la propria offerta rispetto a questo stack che si sta consolidando.

Il debug a cavallo del confine

C’è una cosa che la documentazione di Anthropic non risolve, e che secondo me sarà il punto di osservazione più interessante nei prossimi mesi. Quando l’agent loop sta fuori e i tool girano dentro, il debugging di un comportamento anomalo dell’agente diventa un esercizio distribuito. Il log dell’orchestrazione lo vede Anthropic. Il log dell’esecuzione lo vedi tu. La correlazione fra una decisione presa dal modello e un’azione fatta sul tuo sandbox passa attraverso due piani di osservabilità separati. Per capire perché un agente ha cancellato un file di troppo, serviranno entrambi.

Vedere come si organizza questa osservabilità a cavallo del confine sarà uno degli indicatori migliori per capire se il pattern decolla davvero, o se resta confinato ai casi d’uso più semplici. La promessa tecnica c’è, la direzione mi sembra giusta. Resta da vedere quanto in fretta le aziende, anche quelle non super-tech, riusciranno ad attrezzarsi per giocare a questo gioco con la maturità che richiede.

Articolo di riferimento: New in Claude Managed Agents: self-hosted sandboxes and MCP tunnels, Anthropic, 19 maggio 2026.

26 Giugno 202519 Maggio 2026AI & GENAI

AI Agents vs Agentic AI: comprendere differenze, paradigmi e prospettive future

Negli ultimi anni l’intelligenza artificiale è passata dal ruolo di semplice assistente a quello di attore operativo a tutti gli effetti. Non stiamo più solo utilizzando l’AI: stiamo iniziando a delegarle compiti, azioni e decisioni. In passato ci si limitava a sfruttare algoritmi per supportarci (ad esempio nel suggerire testi o analizzare dati), sempre accanto all’uomo ma mai al posto suo. Oggi invece fanno la loro comparsa gli AI Agents, agenti software autonomi capaci di osservare un contesto, pianificare azioni, usare strumenti e agire in autonomia per raggiungere obiettivi prefissati. Questa svolta segna l’inizio di quello più volte ho definito uno shift agentico: un cambiamento di paradigma che ridefinisce il modo in cui costruiamo processi, organizziamo il lavoro e progettiamo responsabilità. Parallelamente è emerso il concetto di Agentic AI, riferito a sistemi d’intelligenza artificiale dotati di un grado di autonomia decisionale e strategica senza precedenti.

Visto che spesso, anche in aula, mi capita di ricevere domande sul significato e spesso sulla differenza tra i due concetti Ai Agents e Agentic Ai, ho scritto questo approfondimento con l’obiettivo di disambiguare e spiegare il tema.

Definizioni e differenze: Agenti AI vs Agentic AI

Nella discussione attuale sull’AI, i termini AI Agent e Agentic AI vengono talvolta confusi, ma indicano concetti distinti e rappresentano fasi evolutive diverse dei sistemi intelligenti. Vediamo le definizioni di ciascuno e poi le differenze chiave.

Agente AI: esecutore autonomo ma delimitato

Un Agente AI è un’entità software autonoma progettata per svolgere compiti specifici all’interno di un ambiente digitale ben definito. In pratica, un agente AI è in grado di comprendere il suo ambiente, elaborare informazioni e intraprendere azioni mirate al raggiungimento di obiettivi circoscritti. Importante sottolineare che opera secondo parametri e regole predefinite: la sua autonomia, per quanto reale, rimane confinata entro limiti stabiliti in fase di progettazione. Questi agenti rispondono tipicamente a stimoli o richieste esterne in modalità reattiva, eseguendo istruzioni o compiti senza deviare dai percorsi previsti.

Esempi comuni di Agenti AI tradizionali includono gli assistenti virtuali come Siri o Alexa, chatbot di customer service, oppure sistemi automatici per lo smistamento di email. Ciascuno di essi è progettato per rispondere a comandi specifici o risolvere problemi ben delimitati. Il loro processo decisionale, per quanto sofisticato possa essere, segue percorsi deterministici con limitate capacità di adattamento a situazioni non previste. In sintesi, un agente AI rappresenta la prima generazione di sistemi autonomi: efficaci nel proprio dominio ristretto ma incapaci di trascendere i confini per comprendere contesti più ampi o prendere iniziative fuori dallo script per cui sono programmati.

Agentic AI: intelligenza autonoma proattiva e strategica

L’Agentic AI costituisce un salto qualitativo rivoluzionario rispetto ai tradizionali agenti AI. Questo termine (derivato dall’inglese agency, cioè capacità di agire autonomamente) indica sistemi di intelligenza artificiale dotati di una vera e propria autonomia decisionale e cognitiva, capaci di intraprendere azioni indipendenti e prendere decisioni strategiche senza necessitare di una guida umana passo-passo.

Un sistema di Agentic AI non si limita a reagire a input o eseguire istruzioni predeterminate; al contrario, interpreta obiettivi complessi, elabora strategie su più livelli e si adatta dinamicamente a contesti mutevoli. In altre parole, possiede quella flessibilità e iniziativa che gli consente di individuare da solo problemi, opportunità e soluzioni, ridefinendo sotto-obiettivi se necessario, il tutto con un livello di indipendenza decisionale prima inimmaginabile.

Spesso l’Agentic AI è concepita come un ecosistema integrato di più agenti specializzati che collaborano tra loro sotto il coordinamento di un’intelligenza superiore orchestratrice. Questa architettura multi-agente permette di affrontare problemi complessi scomponendoli in sottocompiti gestibili: ciascun agente secondario è dedicato a uno specifico aspetto, mentre un modulo centrale mantiene la visione d’insieme e coordina le attività verso l’obiettivo generale.

Grazie a questa organizzazione, un sistema agentico può gestire processi decisionali molto articolati bilanciando variabili, vincoli e obiettivi potenzialmente in conflitto in modo proattivo. Ad esempio, un’Agentic AI in ambito finanziario potrebbe autonomamente identificare trend di mercato anomali, ricalibrare le proprie strategie di investimento e persino suggerire nuovi obiettivi operativi adattandosi a eventi imprevisti, il tutto senza intervento umano diretto.

Differenze chiave: la distinzione tra Agenti AI e Agentic AI non è una mera sottigliezza semantica, ma riflette un cambio di paradigma nelle capacità dell’IA. Riassumiamo le differenze principali:

Grado di autonomia: un Agente AI opera con autonomia limitata al suo dominio e segue percorsi predefiniti, mentre un’Agentic AI gode di autonomia avanzata, potendo adattarsi a contesti imprevisti, modificare strategie in corsa e persino ridefinire obiettivi intermedi in base alle necessità. In breve, l’agente esecutivo gioca entro le regole assegnate, l’AI agentica invece può riscrivere le regole entro certi limiti per perseguire lo scopo finale.
Proattività vs reattività: gli Agenti AI sono prevalentemente reattivi – attendono un input o evento per poi agire – mentre un sistema di Agentic AI può essere proattivo, iniziando iniziative proprie. Si passa così da strumenti passivi a vere entità attive nel processo decisionale.
Complessità dei compiti: un agente tradizionale è progettato per compiti specifici e circoscritti, ottimizzato per uno scopo definito (ad es. rispondere a FAQ, regolare un termostato). Un’AI agentica opera su una scala più ampia, combinando competenze diverse per gestire attività complesse end-to-end. Può integrare capacità di linguaggio, visione, calcolo ecc., affrontando problemi anche mal definiti grazie alla coordinazione di più abilità.
Capacità di ragionamento e apprendimento: gli Agenti AI basano le decisioni su modelli relativamente semplici o regole fisse, con scarsa generalizzazione fuori dal loro dominio specifico. L’Agentic AI invece implementa meccanismi di ragionamento sofisticato, ad esempio pianificazione su più passi e inferenze su conoscenze generali, permettendole di navigare in situazioni ambigue e bilanciare priorità conflittuali. Inoltre, tende ad apprendere e adattarsi dall’esperienza in tempo reale, migliorando le proprie prestazioni autonomamente, cosa che un agente tradizionale fa solo nei limiti previsti dai suoi programmatori.
Collaborazione e visione d’insieme: un Agente AI opera in isolamento, concentrato sul proprio compito; al più, può integrarsi in una pipeline più grande ma senza coordinarsi attivamente con altri agenti. L’Agentic AI, al contrario, funziona come un sistema cooperativo: diverse componenti comunicano e collaborano per il raggiungimento di un obiettivo globale. Questa collaborazione orchestrata fa sì che l’AI agentica abbia una visione d’insieme del problema da risolvere, mentre l’agente singolo vede solo il suo pezzetto.

In parole povere “AI Agent” si riferisce tipicamente a un’applicazione ristretta dell’AI, un agente intelligente che svolge un compito per conto dell’uomo, mentre “Agentic AI” indica un’intera intelligenza agentica capace di operare autonomamente a livello strategico. Come affermano diverse analisi e studi, la differenza principale sta nell’autonomia: un AI agent segue un framework imposto, potendo sì prendere decisioni ma entro binari tracciati, mentre un’Agentic AI può spingersi oltre e ridefinire il modo di raggiungere gli obiettivi adattandosi e imparando in tempo reale.

LLM e sistemi autonomi: contesto attuale dell’adozione

Perché proprio adesso si parla tanto di agenti AI e di intelligenza agentica? La risposta risiede nei recenti avanzamenti dell’AI generativa e in particolare dei Large Language Model (LLM) come GPT-3.5, GPT-4 e successori. Questi modelli avanzati hanno portato l’AI a un nuovo livello di comprensione e interazione, fungendo di fatto da cervello flessibile per agenti autonomi.

Se in passato un agente software seguiva rigide regole codificate, oggi un LLM può interpretare istruzioni in linguaggio naturale, ragionare sui problemi e prendere iniziative per risolverli. In altre parole, grazie ai LLM l’agente AI è passato dal semplice “capire” al fare. Ad esempio, chiedendo a ChatGPT di scrivere una mail o pianificare un itinerario, stiamo già usando una forma basilare di AI agent che comprende il nostro scopo e lo traduce in azioni (testuali) appropriate.

Quello che ha davvero acceso l’interesse è stata la possibilità di far eseguire compiti complessi in autonomia a questi modelli. Esperimenti come Auto-GPT (apparso nel 2023) hanno dimostrato che collegando opportunamente un LLM a strumenti esterni (ad es. motori di ricerca, ambienti di esecuzione di codice, servizi web) si può ottenere un agente che, dato un obiettivo generale, genera autonomamente i passi necessari per perseguirlo, affinando il piano iterativamente.

In sostanza l’AI ha iniziato a auto-orchestrarsi, spostandosi da un approccio “ad ogni richiesta il suo output” a un ciclo continuo orientato al raggiungimento di un goal. Questo ha spalancato le porte a un’ondata di nuovi sistemi autonomi (spesso chiamati AI agents nelle community tech) in grado di prenotare appuntamenti, analizzare dati o controllare dispositivi senza intervento umano passo-passo.

Parallelamente, molte aziende hanno colto il potenziale di questa evoluzione e stanno valutando come integrare agenti AI nei propri processi. Siamo però ancora agli inizi: pochissime organizzazioni possono dire di avere già un’AI pienamente integrata nelle operazioni quotidiane.

Secondo una ricerca recente, solo circa l’1% dei leader aziendali dichiara di aver raggiunto un’integrazione matura in cui l’AI è completamente incorporata nei processi con risultati di business significativi, e appena un 4% delle imprese ha sviluppato capacità AI d’avanguardia in tutte le funzioni. La stragrande maggioranza si trova ancora in fase di sperimentazioni pilota o adozioni limitate a casi d’uso specifici. L’interesse è altissimo: oltre il 90% delle aziende pianifica di aumentare gli investimenti in AI nei prossimi anni, segno che la transizione verso workflow potenziati dall’AI è riconosciuta come prioritaria (anche se richiederà tempo e leadership coraggiosa). Un altro sondaggio internazionale stima che circa l’82% delle aziende intenda adottare agenti AI entro i prossimi tre anni, a testimonianza di quanto questo paradigma sia percepito come trasformativo. In parallelo, i grandi player tecnologici stanno rilasciando strumenti per facilitare lo sviluppo di sistemi agentici: ad esempio Microsoft ha introdotto la piattaforma Semantic Kernel per orchestrare decisioni dinamiche con l’AI, e sono nate librerie open-source come LangChain o LlamaIndex per collegare i LLM a database, memorie e servizi esterni. Insomma, l’ecosistema sta maturando rapidamente.

Il panorama attuale vede da un lato una tecnologia matura (LLM e modelli generativi) capace di abilitare agenti autonomi potenti, dall’altro organizzazioni che muovono i primi passi per sfruttarla su larga scala. Ci troviamo di fronte a un cambio di paradigma in divenire: l’AI esce dal “laboratorio” delle demo per diventare un agente operativo pervasivo. Ma questo comporta anche un ripensamento profondo di come progettiamo le interazioni con le macchine e i nostri processi di lavoro, come vedremo nelle sezioni seguenti.

Dal flusso tradizionale al paradigma agentico: nuovi modelli di design

L’avvento dell’AI agentica richiede un cambio di prospettiva rispetto ai modelli tradizionali di interazione e progettazione dei sistemi. Non si tratta solo di introdurre una nuova tecnologia, ma di ripensare i flussi di lavoro e i mental model con cui concepiamo le soluzioni AI. Ecco i principali cambi di paradigma che caratterizzano questa evoluzione:

Dal “prompt” al “goal”: in passato l’uso di AI avveniva tipicamente fornendo istruzioni puntuali o query (prompt) a cui la macchina rispondeva. Nel paradigma agentico, invece di specificare ogni singola azione, si tende a fornire all’AI un obiettivo finale da raggiungere. L’agente ha il compito di tradurre quell’obiettivo in una serie di azioni o passi autonomamente decisi. In pratica, si passa dalla logica command-response a una logica goal-driven: l’umano definisce il cosa, l’AI decide il come. Questo cambia radicalmente il design delle applicazioni, che diventano orientate ai risultati anziché alle singole funzionalità.
Dal task isolato al ciclo percepisci–pianifica–agisci: i sistemi tradizionali spesso eseguono compiti isolati su richiesta (ad esempio “estrai questo dato”, “genera quel report”). Un agente AI, invece, opera in un ciclo continuo: percepisce lo stato dell’ambiente o il contesto (legge dati, input utente, cambiamenti esterni), pianifica la prossima azione in base all’obiettivo e alla situazione corrente, quindi agisce eseguendo l’azione e aggiornando lo stato. Questo ciclo iterativo (analogo al sense-plan-act dei robot) si ripete finché il goal non è raggiunto, con l’agente che ad ogni iterazione può riconsiderare la strategia in base a nuove informazioni. Si passa dunque da un design statico di sequenze predefinite a un design dinamico basato su loop di feedback continui.
Dalla UI tradizionale all’interazione comportamentale: tradizionalmente, l’utente interagisce con il software tramite interfacce (UI) fatte di pulsanti, moduli, menu, seguendo flussi deterministici disegnati a priori. Con un AI agent, l’interazione diventa più naturale e comportamentale: spesso avviene in linguaggio naturale (chat, voce) oppure è addirittura implicita, con l’agente che osserva il contesto e agisce proattivamente. L’utente passa dal dover esplicitare ogni comando tramite interfaccia, all’orchestrare un comportamento: ad esempio dicendo all’agente “occupati delle email di routine” invece di cliccare lui stesso decine di volte. L’esperienza utente si sposta verso la supervisione ad alto livello e la collaborazione, piuttosto che il micro-controllo di ogni passaggio. Anche il concetto di interfaccia cambia: l’AI può operare dietro le quinte, integrata nei processi, presentando all’utente solo risultati o richieste di conferma quando necessario.
Dall’AI come supporto all’AI come agente operativo:** forse la differenza più dirompente è di ruolo. Nelle applicazioni tradizionali l’AI forniva consigli, analisi o automazioni limitate – sempre con l’umano a tenere il timone finale. Nel nuovo paradigma l’AI diventa un soggetto operativo a tutti gli effetti, un “collega digitale” in grado di prendere iniziative ed eseguire compiti in autonomia. Si passa quindi dall’AI vista come strumento a un’AI vista come attore nel sistema. Questo implica che quando progettiamo un processo o un prodotto, possiamo assegnare responsabilità operative direttamente a un agente artificiale (es: “gestisci il monitoraggio della rete e intervieni se c’è un’anomalia”), dove prima avremmo previsto necessariamente un intervento umano. È un cambiamento concettuale enorme: significa introdurre nelle architetture di processo una nuova entità con cui coordinarsi, che ha bisogno delle sue interfacce (API, protocolli di comunicazione), delle sue regole di ingaggio e di controllo. Di fatto l’AI agentica inaugura l’era dell’intelligenza operativa, in cui l’automazione non è solo esecuzione meccanica di compiti ma vero contributo intelligente alle attività di business.

Questi cambi di paradigma comportano una revisione profonda dei modelli progettuali. Ad esempio, nei sistemi agentici diventa centrale il concetto di stato condiviso e memoria (l’agente deve ricordare ciò che è successo nei cicli precedenti), mentre nei flussi tradizionali spesso ogni transazione è stateless. Oppure, la progettazione delle interazioni passa dall’anticipare tutte le possibili azioni dell’utente (design della UI) al definire vincoli e obiettivi entro cui l’agente ha libertà di manovra (design delle policies dell’agente). Progettare un’AI agentica richiede di pensare in termini di comportamenti emergenti e scenari aperti, piuttosto che sequenze chiuse di azioni. È un cambiamento mentale non banale per designer e sviluppatori abituati ai flussi deterministici, ma necessario per sfruttare appieno il potenziale di questi nuovi sistemi autonomi.

Implicazioni organizzative e sfide progettuali

L’adozione di AI agentici non è soltanto una questione tecnologica: coinvolge aspetti organizzativi, di processo e culturali di grande portata. Quando introduciamo agenti autonomi nei flussi di lavoro aziendali, infatti, essi diventano a tutti gli effetti nuove unità di azione all’interno dell’organizzazione. Questo impone di ripensare ruoli, responsabilità, governance e persino la fiducia riposta nelle decisioni prese dalla macchina.

Innanzitutto cambia la logica di design dei processi. In un workflow tradizionale ogni step ha un responsabile umano o un sistema deterministico; in un workflow agentico, possiamo delegare interi segmenti di processo a un agente AI. Ciò richiede di definire con attenzione quando e come l’agente interviene, quali limiti ha, e in quali casi deve invece coinvolgere un umano. Si parla infatti di principi come l’human-in-the-loop continuo: mantenere l’essere umano nel ciclo decisionale in fasi critiche, ad esempio prevedendo che l’agente chieda conferma prima di eseguire azioni ad alto impatto, o che certi risultati vengano revisionati da una persona prima di essere considerati finali. Ripensare i processi significa anche stabilire nuovi punti di controllo e metriche: ad esempio, come misuriamo la performance di un agente AI? quali KPI assegniamo a un “collega digitale”? e come facciamo debugging o auditing di decisioni prese autonomamente?

Le tradizionali metodologie di gestione potrebbero non bastare, serve introdurre meccanismi di governance specifici per l’AI. Non a caso, esperti di AI governance sottolineano che servono framework di gestione del rischio dedicati a questi agenti, perché presentano sfide diverse dal software convenzionale (ad es. possono allontanarsi dai casi previsti, mostrando comportamenti emergenti non facilmente prevedibili a priori).

Un’altra implicazione cruciale riguarda le responsabilità. Se un agente AI commette un errore o prende una decisione sbagliata, chi ne risponde? Il tema della accountability dell’AI diventa pressante: va chiarito fino a che punto consideriamo l’agente come un mero strumento (di cui il proprietario o sviluppatore è responsabile) e da dove inizia a essere visto quasi come un’entità con una certa autonomia decisionale. Dal punto di vista legale e regolatorio, siamo in un terreno nuovo: le normative future dovranno probabilmente inquadrare il ruolo di sistemi AI autonomi nei processi decisionali aziendali, soprattutto in settori critici (finanza, sanità, trasporti) dove un errore può avere gravi conseguenze. Nell’immediato, le aziende devono dotarsi di policy interne che definiscano chi supervisiona gli agenti, chi può autorizzarli ad agire in certi ambiti, e come gestire eventuali incidenti o output indesiderati (ad esempio hallucinations dell’LLM che portino l’agente a conclusioni errate). Si va delineando la necessità di nuove figure professionali, come il AI ethics officer o il prompt/process designer, che abbiano il compito di controllare e tarare il comportamento degli agenti AI operativi.

C’è poi la dimensione delle competenze e cultura aziendale. Integrare agenti AI significa che i team di lavoro dovranno imparare a collaborare con questi nuovi “colleghi digitali”. Cambieranno i job profile: meno attività ripetitive per le persone, più focalizzazione su supervisione, gestione delle eccezioni, lavoro creativo e strategico complementare all’AI.

Questo richiede programmi di upskilling per formare il personale all’uso efficace dell’AI (ad esempio, saper formulare obiettivi chiari per l’agente, interpretarne i risultati, correggerne la rotta). Dal lato culturale, serve costruire fiducia nei confronti delle soluzioni AI autonome: non è scontato che manager e operatori si sentano a proprio agio nel lasciare che una macchina prenda decisioni al posto loro. È importante quindi introdurre gradualmente queste tecnologie, dimostrarne l’affidabilità e fornire trasparenza sul loro funzionamento (es. spiegabilità delle decisioni dell’agente) per superare resistenze e timori. L’AI agentica va vista non come una minaccia al ruolo umano, ma come un amplificatore delle capacità umane – tuttavia questo messaggio va supportato con fatti, formazione e coinvolgimento attivo delle persone nei progetti pilota.

Come ho già esplorato in altri post, lo shift agentico è contemporaneamente tecnico, strategico e culturale: tecnico, perché implica dotarsi di agenti con memoria persistente e capacità di adattamento sul campo; strategico, perché richiede di ridefinire i processi aziendali attorno a un contributo AI costante; culturale, perché bisogna accettare una collaborazione uomo-macchina molto più stretta e continua.

Le organizzazioni dovranno progettare il lavoro prevedendo un’AI “sempre sul pezzo”, ottenendo enormi opportunità di efficienza ma affrontando al contempo le sfide di coordinamento e fiducia che ciò comporta. In pratica, delegare in modo consapevole parte dell’operatività all’AI significa ripensare i meccanismi di controllo: come in ogni delega, il delegante (umano) deve stabilire obiettivi chiari, limiti e criteri di verifica, mentre il delegato (agente AI) deve avere gli strumenti per agire ma anche essere monitorato.

La parola chiave qui è orchestrazione: orchestrare la collaborazione tra più agenti AI e tra AI e umani, in modo che ciascuno (umano o artificiale) faccia leva sui propri punti di forza. I migliori risultati si ottengono distribuendo compiti e decisioni in base a questi punti di forza: l’AI eccelle in velocità, calcolo su larga scala e monitoraggio continuo; l’umano apporta discernimento, contesto, creatività e valori etici. Spesso è utile introdurre un coordinatore centrale del workflow: talvolta esso stesso è un meta-agente supervisore che smista il lavoro ai vari micro-agenti e richiama l’attenzione umana quando necessario, altre volte è una vera piattaforma software di regia che gestisce l’intera “flotta” di agenti (emergono già soluzioni di Agent Operations System enterprise per questo).

In tutti i casi, un principio guida essenziale è mantenere l’umano al timone (human-at-the-helm) delle operazioni critiche: man mano che cresce l’autonomia degli agenti, diventa vitale avere meccanismi di intervento umano robusti e una governance attenta per mantenere fiducia e sicurezza.

L’introduzione di AI agentici in un’organizzazione richiede un approccio multidisciplinare: tecnologia avanzata sì, ma anche ridisegno dei processi, chiarezza di ruoli/responsabilità e gestione del cambiamento tra le persone. Chi saprà coniugare questi aspetti trasformerà la propria impresa in una vera cognitive enterprise, capace di sfruttare la sinergia uomo-AI per innovare e competere meglio. Chi invece proverà a calare gli agenti AI dall’alto senza adeguare il contesto organizzativo rischia frizioni, mancanza di adozione o addirittura errori e incidenti operativi. La sfida è tanto progettuale quanto culturale: “non stiamo solo adottando nuova tecnologia, stiamo cambiando il modo stesso in cui lavoriamo”.

Architettura di un sistema AI agentico: orchestrazione, delega, obiettivi e stato

Dal punto di vista tecnico-progettuale, come si costruisce un sistema di AI agentica? A differenza di una singola applicazione AI che prende input e restituisce output, un sistema agentico è più simile a un organismo composto da vari moduli intelligenti che agiscono in concerto. Possiamo delinearne un’architettura di alto livello identificando alcuni componenti chiave e principi di progettazione:

“Cervello” decisionale e pianificazione degli obiettivi: al centro vi è un modulo di reasoning avanzato, spesso incarnato da uno o più modelli AI (es. un LLM) che funge da mente dell’agente. Questo componente elabora gli obiettivi assegnati (o identificati) e pianifica le azioni necessarie per conseguirli. Include meccanismi di planning e decision-making sofisticati, ad esempio algoritmi che scompongono un goal complesso in sotto-compiti, o che valutano diverse strategie possibili. In un’architettura multi-agente, potrebbe esserci un agente orchestratore principale con questa funzione di pianificazione globale. Importante: gli obiettivi possono essere forniti dall’utente oppure generati dall’agente stesso (e.g. “per raggiungere il goal X devo prima ottenere Y come sub-obiettivo”). Saper gestire una gerarchia di obiettivi e lo stato di avanzamento è quindi fondamentale. Un buon design prevede che l’agente tenga traccia dei task completati e di quelli pendenti, aggiornando dinamicamente le proprie priorità.
Memoria e gestione dello stato: uno degli elementi che distingue un agente continuo da un semplice script è la presenza di una memoria persistente. L’agente deve ricordare informazioni sul contesto, sui risultati intermedi e sulle decisioni prese in precedenza, così da non ripartire da zero ad ogni iterazione. Dotare l’AI di un contesto persistente la rende stateful, capace di mantenere il filo logico nel tempo. Questa memoria può assumere forme diverse: memoria conversazionale (nel caso di interfacce in linguaggio naturale, per ricordare cosa ha detto l’utente in precedenza), memoria di lavoro temporanea per piani in corso, o database di conoscenza a lungo termine che l’agente consulta. Ad esempio, un agente potrebbe avere un vector store dove immagazzina informazioni chiave man mano che le scopre, per poi recuperarle alla bisogna. La capacità di mantenere lo stato e l’esperienza è la fondazione di qualsiasi workflow automatizzato prolungato o sistema multi-agente – senza memoria a lungo termine, un’AI non può essere veramente continua, perché dimenticherebbe il contesto a ogni ciclo. Come evidenziato in un recente studio, mano a mano che i sistemi AI evolvono da assistenti reattivi ad agenti autonomi, la memoria passa dall’essere utile a essere essenziale.
Integrazione con l’ambiente e tool: un agente operativo deve potersi interfacciare con il mondo esterno. Ciò implica uno strato di integrazione fatto di API, connettori e driver verso i sistemi con cui l’agente interagirà. In un contesto aziendale, ad esempio, l’agente potrebbe aver bisogno di leggere dati da un database, interagire con un CRM/ERP, chiamare servizi esterni o comandare dispositivi IoT. Questo modulo funge da “sensi” e “mani” dell’agente nel mondo digitale: gli fornisce accesso a informazioni aggiornate e gli consente di compiere azioni (es. creare un ticket di assistenza, inviare un’email, eseguire una transazione) al di fuori di sé stesso. Progettare bene questo strato è cruciale sia per l’utilità del sistema (un agente isolato senza accesso ai dati o ai sistemi aziendali è poco più di un giocattolo) sia per la sicurezza: bisogna definire con precisione a quali risorse l’agente può accedere e con quali permessi, per evitare che compia azioni indesiderate. In pratica, spesso si implementano policy di sicurezza, sandbox ed eventualmente un approval mechanism: l’agente può preparare un’azione ma sottoporla a verifica umana prima dell’effettiva esecuzione se è potenzialmente rischiosa.
Orchestrazione e coordinamento dei task: in sistemi agentici complessi, specialmente multi-agente, serve un robusto framework di orchestrazione per gestire i flussi di lavoro prolungati e la collaborazione tra componenti. Questo strato si occupa di assegnare i sotto-compiti agli agenti o ai moduli appropriati, di sincronizzare i risultati e di gestire eventuali errori o eccezioni in modo che il processo complessivo non si interrompa. L’agente (o il sistema di agenti) deve saper prioritizzare attività, allocare risorse (ad esempio decidere quanta “attenzione” dedicare a un sub-task rispetto ad altri), e implementare meccanismi di recupero in caso di problemi (ad esempio se fallisce un tentativo, riprovare con una strategia diversa). Questo aspetto richiama concetti di workflow management classico, ma in versione adattiva: non c’è uno schema statico di flusso, bensì regole generali e monitoraggio continuo. In alcuni casi l’orchestrazione è gestita da un meta-agente supervisore, in altri da un modulo ad hoc; in ogni caso è ciò che consente all’intero sistema di funzionare come “circuito chiuso” che osserva, decide, agisce e apprende iterativamente, anziché come semplice sequenza aperta di operazioni.
Interfaccia uomo-macchina e comunicazione: sebbene l’agente agisca in autonomia, quasi sempre è previsto un canale di interazione con utenti umani. Può essere un’interfaccia conversazionale (chatbot avanzato) tramite cui l’utente impartisce obiettivi all’agente e riceve aggiornamenti sullo stato del lavoro. Oppure dashboard e notifiche che segnalano cosa sta facendo l’agente e con quali risultati. Dal lato interno, se abbiamo più agenti cooperanti, serve anche un meccanismo di comunicazione agente-agente (ad esempio un blackboard comune, o messaggi diretti fra agenti) per coordinarsi e condividere informazioni. La progettazione dell’interfaccia uomo-macchina diventa qui un esercizio di equilibrio: bisogna dare all’utente controllo e visibilità sufficiente (per fiducia e supervisione) senza però sovraccaricarlo di dettagli operativi che l’agente dovrebbe gestire da sé. Una buona pratica è definire checkpoints in cui l’agente fa emergere all’utente solo decisioni chiave o richiede input in caso di ambiguità, tenendo invece nascosta la complessità delle micro-azioni. In tal modo, l’utente interagisce a livello strategico (“dimmi se devo cambiare rotta”, “ecco il risultato finale, vuoi procedere?”) anziché a livello tattico.
Apprendimento e miglioramento continuo: un sistema agentico efficace include infine meccanismi per imparare dall’esperienza e ottimizzare il proprio comportamento nel tempo. Ciò può avvenire tramite feedback loop interni: l’agente registra le decisioni prese, i risultati ottenuti e li analizza per capire cosa ha funzionato o meno. Ad esempio, potrebbe tarare i propri parametri o scegliere strategie diverse in futuro in base ai successi/fallimenti passati (metodi di reinforcement learning o semplice aggiornamento di regole in base a feedback). In contesti enterprise, spesso si implementano log delle decisioni e metriche di performance che vengono poi revisionati periodicamente da team umani per apportare migliorie (un approccio di continuous improvement simile a quello usato per i processi umani). L’agente quindi non è un sistema statico, ma idealmente evolve per adattarsi meglio al dominio specifico dell’organizzazione. Questo pone anche la questione del controllo delle versioni e governance: bisogna monitorare i cambiamenti nel comportamento dell’agente e assicurarsi che l’apprendimento non deragli verso esiti indesiderati. Nel design tecnico ciò si traduce in strumenti di analisi delle decisioni (ad esempio scite grafici o spiegazioni delle azioni intraprese) e possibilità di reset o retraining controllato se l’agente prende una piega sbagliata.

In termini più concreti, oggi chi sviluppa un agente AI avanzato ha a disposizione vari framework che incapsulano molti di questi elementi. Come citato, librerie come LangChain offrono moduli per collegare LLM a memorie conversazionali, a strumenti esterni e per definire catene logiche multi-step. Framework come AutoGen di Microsoft e CrewAI permettono di creare con relativa facilità ecosistemi di agenti cooperanti specializzati. Esistono perfino piattaforme low-code/no-code (es. LangFlow, Lyzr) che promettono di orchestrare workflow complessi basati su agenti tramite interfacce grafiche, senza richiedere competenze di programmazione avanzata. Questa proliferazione di strumenti riflette la necessità di gestire componenti diversi – memoria, tool esterni, dialogo, orchestrazione – in modo integrato.

Va sottolineato che progettare un’AI agentica è un esercizio di sistema: non basta un singolo modello intelligente, serve far lavorare assieme modelli, memorie, API e logiche di controllo. Bisogna pensare all’agente come a un software autonomo completo, che vive nel tempo. Un’analogia utile: se un LLM puro è un motore con potenza bruta di calcolo linguistico, un agente AI è un veicolo costruito attorno a quel motore, con volante, freni, navigatore e serbatoio per viaggiare autonomamente verso una destinazione scelta. La nostra responsabilità come progettisti è assemblare questi “pezzi” in modo che il veicolo sia sicuro, affidabile e porti effettivamente a destinazione (il goal) nel modo migliore possibile.

Il futuro dell’AI agentica: impatto su prodotti, modelli di business e organizzazioni

All’orizzonte si delinea un futuro in cui l’AI agentica diventerà parte integrante di prodotti e servizi, trasformando modelli di business e il funzionamento stesso delle organizzazioni. Siamo di fronte a una trasformazione radicale nel rapporto tra esseri umani e tecnologia, che ridefinirà i confini dell’automazione intelligente. Proviamo a immaginare alcuni sviluppi e implicazioni di medio-lungo termine di questa rivoluzione agentica.

Dal punto di vista dei prodotti e servizi, assisteremo alla nascita di applicazioni dotate di intelligenza proattiva incorporata. Un esempio già in sviluppo è quello dei digital assistant di nuova generazione: non più semplici esecutori di comandi vocali, ma agenti capaci di gestire compiti complessi per conto dell’utente. Immaginiamo un assistente personale agentico che organizza in autonomia l’agenda di lavoro, pianifica viaggi ottimizzando impegni e preferenze, monitora email e notifiche agendo su quelle di routine e coinvolgendoci solo per le decisioni importanti. Oppure pensiamo a servizi clienti potenziati da AI agentiche: bot che non si limitano a rispondere alle FAQ, ma prendono iniziative per risolvere i problemi – ad esempio coordinandosi con altri sistemi per spedire un rimborso, prenotare un intervento tecnico o rinegoziare una tariffa, il tutto senza intervento umano salvo casi eccezionali. Prodotti software tradizionali (da CRM a piattaforme di analytics) evolveranno integrando agenti interni che si occupano di mantenere puliti i dati, segnalare insight rilevanti agli utenti, o persino attuare direttamente ottimizzazioni (es: un agente finanziario che ribilancia un portafoglio investimenti secondo linee guida preimpostate). In sintesi, i prodotti diventeranno più “intelligenti” e autonomi, offrendo valore non solo come strumenti passivi ma come partner attivi dell’utente. Ciò potrà costituire un vantaggio competitivo enorme: aziende che offriranno soluzioni capaci di agire e non solo di consigliare o notificare avranno un appeal formidabile, specie in contesti B2B dove l’efficienza operativa è un driver fondamentale.

Questa evoluzione abiliterà anche nuovi modelli di business. Ad esempio, potremo avere servizi “AGI as a Service” o marketplace di agenti pre-addestrati specializzati in certi domini (simile a come oggi esistono marketplace di microservizi o API). Un’azienda potrebbe assumere agenti AI freelance da integrare nei propri flussi per svolgere funzioni specifiche – una sorta di forza lavoro digitale on-demand. Si parla già di AI agent marketplace dove organizzazioni possono reperire agenti per customer service, per gestione IT, per analisi dati, che operano 24/7 instancabilmente. In ambito enterprise, l’AI agentica porterà probabilmente a modelli di licensing diversi: non più solo pagare per software o per numero di utenti, ma per risultato ottenuto dall’agente (ad esempio “paghi tot cent per ogni ticket risolto dall’agente AI di supporto”). Inoltre, i processi di sviluppo prodotto cambieranno: la presenza di agenti imporrà logiche di aggiornamento continuo (un agente può migliorare nel tempo, quindi il prodotto diventa quasi vivente) e di monetizzazione basate sul valore in tempo reale che l’agente genera (es: un agente vendite che porta nuove opportunità di business può essere remunerato a commissione, anche se virtuale!). Alcuni modelli di business tradizionali potrebbero essere stravolti: si pensi alle piattaforme di intermediazione – un agente AI potrebbe fungere esso stesso da intermediario automatizzato tra domanda e offerta (ad esempio un agente assicurativo AI che trova le polizze migliori per il cliente e conclude il contratto), riducendo la necessità di operatori umani e tempi di attesa.

Dentro le organizzazioni, l’AI agentica promette di amplificare enormemente la produttività e le capacità. Gli agenti AI potranno occuparsi di gran parte delle attività ripetitive, liberando tempo alle persone per concentrarsi su compiti a maggior valore aggiunto (creatività, strategia, relazione). Invece di rimpiazzare semplicemente i lavoratori, questi agenti agiranno come amplificatori delle capacità umane. Immaginiamo team ibridi uomo-AI in cui, ad esempio, un agente project manager coordina automaticamente avanzamento e assegnazione di task, mentre gli umani del team si dedicano a risolvere i problemi tecnici e creativi; oppure un reparto HR dove gli agenti AI filtrano candidature, programmando colloqui e perfino conducendo un primo screening conversazionale, lasciando ai recruiter solo la fase decisionale finale. Il lavoro diventerà più centrato sulle eccezioni: l’AI gestisce i casi standard, l’uomo interviene sui casi complessi o anomali. Questo cambierà la definizione stessa di molti ruoli professionali. Come evidenziato in una riflessione, si passerà da strumenti passivi a partner attivi nel processo decisionale, creando nuove forme di collaborazione uomo-macchina prima inimmaginabili. L’AI agentica, lungi dall’automatizzare solo compiti manuali e ripetitivi, potrà supportare anche processi decisionali complessi – pensiamo alla medicina personalizzata, dove agenti AI potranno analizzare enormi moli di dati clinici e proporre diagnosi o piani terapeutici, che il medico umano validerà e arricchirà con il suo giudizio esperto. Oppure all’ottimizzazione industriale, in cui agenti coordinano in tempo reale reti energetiche o linee di produzione, regolando parametri e flussi per massimizzare efficienza e sostenibilità, interfacciandosi con gli ingegneri umani per le scelte strategiche. Insomma, la promessa è di una potenza di fuoco cognitiva immensamente maggiore a disposizione delle organizzazioni, che se ben impiegata potrà accelerare innovazione e crescita.

Insieme alle opportunità, il futuro agentico porta con sé sfide significative che dovremo affrontare. In primis questioni di etica, governance e responsabilità: delegando decisioni a sistemi autonomi complessi, sarà cruciale garantire trasparenza sugli algoritmi e sulle logiche con cui operano, soprattutto quando influenzano direttamente la vita delle persone (si pensi a un agente AI che decide l’esito di una richiesta di mutuo, o che regola il traffico automobilistico di una città).

Dovremo predisporre meccanismi di audit degli agenti, per poter spiegare a posteriori perché hanno agito in un certo modo (il tema dell’explainable AI sarà sempre più importante). Inoltre, si porranno interrogativi sulla supervisione umana: fino a che punto è accettabile lasciare che un’AI agisca senza supervisione? In quali ambiti sarà sempre obbligatorio un controllo umano (ad esempio decisioni mediche vitali, decisioni giudiziarie)? Queste linee devono essere tracciate con attenzione per bilanciare efficacia e sicurezza. Un’altra sfida è quella delle competenze e del lavoro: come già accennato, la forza lavoro dovrà evolvere. Serviranno programmi di formazione massicci per riqualificare persone la cui mansione attuale verrà automatizzata dall’AI agentica, preparando i lavoratori ai nuovi ruoli complementari all’AI.

I sistemi educativi dovranno aggiornarsi per includere concetti di collaborazione con AI, e le aziende dovranno investire in change management per accompagnare i dipendenti in questo percorso. Sul piano macroeconomico, alcuni temono impatti occupazionali negativi se molte decisioni complesse verranno prese dall’AI: è uno scenario possibile, ma storicamente l’automazione crea nuove categorie di lavoro nel lungo termine (anche se nel breve può spiazzare intere professioni). Sarà fondamentale dunque governare la transizione in modo che l’adozione di agenti AI sia accompagnata da politiche attive sul lavoro e da una visione di insieme che miri all’augmented human (umano potenziato dall’AI) piuttosto che al suo rimpiazzo.

Inoltre, dovremo affrontare il tema della fiducia da parte del pubblico e dei clienti: accetteranno le persone di interagire con agenti autonomi al punto di affidare loro compiti importanti? Si pensi alle resistenze iniziali a salire su auto a guida autonoma: ci vorranno tempo e prove sul campo perché la società sviluppi fiducia nell’AI agentica in ruoli critici. La comunicazione e trasparenza saranno ingredienti chiave: chi fornisce soluzioni AI dovrà spiegare chiaramente cosa fa l’agente, con quali limiti e garanzie, e assumersi la responsabilità di eventuali errori. Probabilmente emergeranno certificazioni o standard di qualità per agenti AI in certi settori, così come oggi abbiamo certificazioni di sicurezza per dispositivi o software.

In definitiva, il futuro dell’AI agentica sarà un equilibrio delicato: da un lato un enorme progresso tecnologico con agenti sempre più capaci e “intelligenti”, dall’altro la necessità di ancorare questo progresso a solidi principi etici e sociali. Dovremo garantire che l’Agentic AI operi come amplificatore dell’ingegno umano e non come sua sostituzione antagonista. La collaborazione uomo-macchina dovrà basarsi su fiducia reciproca, complementarità e rispetto dei valori fondamentali della società. Se riusciremo in ciò, l’AI agentica potrà davvero inaugurare una nuova era di efficienza e creatività, con organizzazioni più agili e focalizzate sulla strategia, prodotti che migliorano proattivamente la vita degli utenti, e modelli di business innovativi costruiti attorno a capacità cognitive perennemente disponibili. In caso contrario – se invece lasciassimo che l’AI agentica dilaghi senza guida – rischieremmo un contraccolpo in termini di errori clamorosi, sfiducia pubblica e opportunità mancate.

Guardando oltre

Immaginate un’azienda del 2030 dove ogni team ha accanto a sé uno o più agenti AI affidabili: analisti digitali, facilitatori instancabili che si occupano del “lavoro sporco” e suggeriscono percorsi ottimali, mentre le persone possono concentrarsi su ciò che sanno fare meglio – avere idee, prendere decisioni di valore, costruire relazioni. I processi scorrono in modo fluido h24, con gli agenti che passano il testimone agli umani solo quando serve il tocco creativo o etico. I prodotti stessi apprendono e migliorano dopo la vendita, tramite agenti interni che ottimizzano l’esperienza utente in base all’uso reale.

Le città sono gestite in parte da agenti AI che regolano traffico, consumi energetici, servizi pubblici con efficienza adattiva. Questo futuro, per quanto visionario, è alla nostra portata tecnologicamente. Realizzarlo pienamente richiederà visione, pragmatismo e responsabilità – esattamente le qualità che servono per governare qualunque grande trasformazione. L’AI agentica sarà uno straordinario acceleratore del progresso umano, a patto che siamo pronti a progettarla e guidarla con saggezza. E la vera sfida sarà proprio questa: più che insegnare agli agenti a essere intelligenti, dovremo essere noi abbastanza intelligenti da integrarli in modo virtuoso nel tessuto delle nostre attività e della nostra società.

12 Aprile 2025AI & GENAI

Agenti AI: un cambio di paradigma verso l’impresa cognitiva

In questi giorni ho avuto modo di portare in aula diverse volte temi di AI, da teoria di base a temi più avanzati, oltre la Gen AI, oltre il tema degli agenti, affrontando temi applicati a diverse industrie. Tra i temi di maggior interesse, forse anche dovuto all’hype sul tema, c’è quello degli Agent AI. Avendo ricevuto molte domande sul tema, dopo le diverse lezioni sintetizzate (proprio grazie a strumenti di ai!) ho tirato giù questo post, focalizzando l’approfondimento su Agent AI ed il cambio di paradigma verso quella che potrà esser sempre più chiamata l’impresa cognitiva.

Non c’è dubbio che gli sviluppi recenti dell’intelligenza artificiale stiano portando a un salto di qualità in tanti ambiti: nel 2025, tra le diverse accelerazioni siamo entrati nell’era degli agenti AI.

Un agente AI è essenzialmente un componente software dotato di autonomia per agire per conto di un utente o di un sistema nell’esecuzione di compiti. Ciò significa che può orchestrare flussi di lavoro complessi, coordinare attività tra più sub-agenti, applicare logica a problemi impegnativi e persino valutare le risposte fornite. In altre parole, invece di limitarsi a rispondere a singole richieste, un agente AI può prendere iniziativa e gestire interi processi al posto nostro, aprendo la strada a un nuovo modo di interagire con la tecnologia.

Abbiamo già incontrato versioni embrionali di agenti AI: dal classico chatbot di assistenza clienti fino a quando chiediamo a un modello generativo come ChatGPT di scrivere un testo, utilizziamo forme rudimentali di agenti intelligenti. La differenza oggi è che i progressi nei modelli generativi di linguaggio (gen AI) hanno sbloccato una serie di nuove possibilità. Gli agenti AI moderni possono pianificare, collaborare tra loro per completare compiti complessi e persino apprendere come migliorare le proprie performance nel tempo. Questo rappresenta un vero cambio di paradigma: si passa da sistemi passivi di sola consultazione a sistemi attivi capaci di agire autonomamente e migliorarsi con l’esperienza.

In breve, gli agenti AI stanno passando dal pensiero all’azione. Negli ultimi 18 mesi giganti tech come Google, Microsoft e OpenAI hanno investito in framework software per abilitare funzionalità agentiche (cioè la capacità dei sistemi AI di agire autonomamente). Il risultato sono applicazioni come Microsoft 365 Copilot, Amazon Q o il progetto Astra di Google (tutte alimentate da modelli linguistici di grande scala), che segnano il passaggio da strumenti basati sulla conoscenza a strumenti orientati all’azione. Nel prossimo futuro, questi agenti potrebbero diventare comuni quanto le applicazioni mobile lo sono oggi. Per le imprese, ciò significa prepararsi a una trasformazione radicale nel modo in cui processi e decisioni vengono gestiti: non più solo dall’uomo con l’ausilio del software, ma da ecosistemi di agenti AI che lavorano al nostro fianco.

Tipologie di Agenti AI e implicazioni organizzative

Non tutti gli agenti AI sono uguali. Possiamo distinguerne diverse tipologie in base al ruolo e allo scopo, ciascuna con meccanismi e impatti organizzativi differenti. Di seguito esaminiamo cinque categorie chiave oggi emergenti, dai “copiloti” personali fino ai lavoratori virtuali AI, evidenziando come differiscono e cosa implicano per le aziende.

Agenti “Copilot” per il potenzialmento individuale

Questi agenti fungono da copiloti per utenti individuali, con l’obiettivo di aumentarne la produttività e le capacità. Esempi attuali sono Microsoft 365 Copilot o OpenAI ChatGPT, che supportano l’utente nella stesura di documenti, nella scrittura di codice o nel reperimento di informazioni. In alcuni casi, i copilot diventano assistenti “smart” tarati sul flusso di lavoro specifico di una persona (ad esempio integrandosi con gli strumenti che quell’utente utilizza quotidianamente). Dal punto di vista organizzativo, l’impatto di questi agenti dipende molto dall’adozione individuale: il loro valore si concretizza solo se i singoli lavoratori li integrano attivamente nel proprio modo di lavorare e sono motivati a sfruttarli. In aziende che promuovono una cultura orientata all’apprendimento e all’innovazione, i copilot AI possono liberare tempo da attività ripetitive, permettendo alle persone di concentrarsi su compiti a maggior valore aggiunto.

Piattaforme di automazione dei Workflow

Questo tipo di agente si concentra sull’automatizzazione di attività multi-step o flussi di lavoro specifici, fungendo da orchestratore ed esecutore intelligente di processi esistenti . Immaginiamo un agente AI che gestisce dall’inizio alla fine un processo di approvazione spese o il flusso di onboarding di un cliente: siamo nel campo delle piattaforme di workflow automation. Esempi includono soluzioni come Microsoft Copilot Studio o l’innovativo Salesforce Agentforce (ancora in sviluppo). Poiché questi agenti vengono applicati a processi già esistenti, la loro efficacia richiede grandi sforzi di implementazione e change management: bisogna ripensare i flussi operativi, integrare l’agente nei sistemi in uso e gestire il cambiamento per il personale coinvolto. In pratica, l’adozione di agenti di automazione richiede di rivedere procedure e ruoli, affinché uomini e AI lavorino in sincronia nei processi quotidiani.

Agenti AI verticali per soluzioni di dominio

Si tratta di agenti nativi dell’AI progettati per soluzioni in un dominio o funzione di business specifica. Invece di aggiungere AI a un processo esistente, questi agenti nascono con l’AI al centro della soluzione. Esempi potrebbero essere un sistema AI per il servizio clienti interamente gestito da agenti intelligenti, oppure una pipeline di sviluppo software che utilizza agenti generativi ad ogni fase (dalla raccolta requisiti, al coding, al testing). L’idea è di re-immaginare completamente un particolare dominio con l’AI come architrave, piuttosto che inserire l’AI in ruoli o workflow tradizionali. L’implementazione di agenti verticali comporta spesso un ripensamento profondo del modo in cui quella funzione opera: processi, competenze del personale e metriche di successo possono essere ridefiniti attorno alle capacità dell’agente AI. Organizzativamente, ciò richiede sponsor decisi e una visione chiara di come l’AI possa ridefinire il vantaggio competitivo in quello specifico ambito.

Imprese e operating model “AI-Native”

In questa categoria l’AI non si limita a singoli processi o funzioni, ma viene intrecciata nell’intero modello operativo dell’azienda. Un’impresa AI-native ridisegna da zero interazioni, processi, struttura organizzativa e persino il modello di business con un approccio AI-first. Siamo di fronte a una trasformazione end-to-end: così come anni fa molte aziende tradizionali sono state riconcepite attraverso le lenti del digitale, oggi vediamo organizzazioni ripensarsi interamente attorno all’intelligenza artificiale. I cambiamenti in gioco sono di portata paragonabile a quelli delle prime trasformazioni digitali. In pratica, un’azienda AI-native può avere decine (o migliaia) di agenti AI che operano in vari ruoli – dall’analisi dei dati alle decisioni operative – con gli umani focalizzati su supervisione, eccezioni e aspetti strategici. L’implicazione organizzativa è la più ampia: serve ridisegnare l’organigramma, le competenze chiave e la cultura aziendale per valorizzare appieno la collaborazione uomo-macchina su vasta scala.

“Lavoratori Virtuali” AI

Rappresentano la categoria potenzialmente più dirompente: agenti AI che operano come veri e propri membri di un team o “dipendenti virtuali”. Invece di trasformare l’intera organizzazione in chiave AI, un’azienda può inserire agenti AI nel proprio organico esistente, assegnando loro ruoli specifici accanto ai lavoratori umani. Questi lavoratori virtuali potrebbero, ad esempio, gestire autonomamente un portfolio clienti, condurre analisi finanziarie o eseguire controlli di qualità come farebbe un dipendente – ma con velocità e scalabilità superiori. Il grande vantaggio è che i virtual workers permettono alle aziende di evitare (almeno inizialmente) una trasformazione organizzativa totale, catturando valore rapidamente all’interno del modello corrente. In sostanza, l’agente diventa un nuovo “collega” digitale. Ciò pone sfide interessanti: dall’integrazione di questi agenti nei team esistenti, alla definizione di processi di supervisione, fino alle implicazioni legali e contrattuali di avere entità non umane che producono lavoro. È forse l’ambito dove il confine tra umano e AI in azienda diventa più sottile, ed è per questo un terreno che potrebbe portare i benefici più rapidi ma anche interrogativi etici e gestionali senza precedenti.

Da notare: queste tipologie non si escludono a vicenda. Molte organizzazioni adotteranno un approccio misto – ad esempio, distribuendo copiloti AI personali ai dipendenti, automatizzando al contempo alcuni workflow e sperimentando magari un paio di lavoratori virtuali in aree pilota. L’importante per i leader è comprendere il ventaglio di possibilità a disposizione e pianificare come queste diverse forme di agenti possano coesistere e potenziarsi a vicenda nella propria strategia digitale.

Architettura e funzionamento degli Agenti AI

Come riescono, in concreto, gli agenti AI a svolgere compiti complessi in autonomia? La risposta risiede in architetture software sofisticate, spesso organizzate in sistemi multi-agente dove diversi agenti specializzati collaborano sotto il coordinamento di un agente “manager”. Inoltre, la loro versatilità deriva dalla capacità di utilizzare sia strumenti pensati per esseri umani sia strumenti software via API.

Innanzitutto, un agente AI può utilizzare strumenti progettati per l’uomo, come un browser web, e strumenti pensati per computer, come chiamate API a servizi esterni. Questa duplice abilità – navigare interfacce utente e dialogare con sistemi informatici – dà all’agente enorme flessibilità. In teoria, un agente potrebbe prenotare un volo tramite un normale sito web o interagire con il database aziendale tramite API, il tutto in funzione dell’obiettivo da raggiungere. Ciò gli consente di operare trasversalmente alle architetture IT esistenti, sia all’interno che all’esterno dell’organizzazione, senza richiedere modifiche significative ai sistemi in uso.

In generale, il ciclo di lavoro di un agente AI autonomo segue quattro fasi principali:

Assegnazione del compito: un utente (umano o un sistema superiore) affida all’agente o al sistema di agenti un obiettivo da raggiungere. A questo punto l’agente analizza il compito e pianifica come procedere.
Pianificazione e scomposizione: il sistema di agenti suddivide l’obiettivo in sottocompiti più piccoli. Un agente “manager” assegna questi compiti a sub-agenti specializzati, ognuno dotato di esperienze pregresse o competenze di dominio specifiche rilevanti. I vari sub-agenti lavorano in parallelo, coordinandosi tra loro e utilizzando dati (interni o esterni all’organizzazione) per portare a termine le attività assegnate.
Miglioramento iterativo: durante l’esecuzione, il sistema di agenti può iterare e perfezionare i risultati. Ad esempio, potrebbe richiedere input aggiuntivi all’utente per chiarire dubbi e assicurare la correttezza e rilevanza delle soluzioni che sta elaborando. Una volta generato un output finale, l’agente (o il sistema) può anche chiedere un feedback all’utente, utilizzandolo per apprendere e migliorare nelle future interazioni.
Esecuzione finale: l’agente compie qualsiasi azione necessaria per completare definitivamente il compito, ad esempio inviando una risposta, aggiornando un database, inoltrando un report o eseguendo un comando nel mondo reale. A questo punto il ciclo può considerarsi concluso (a meno che l’utente non fornisca ulteriori richieste o feedback che riattivino il loop).

Questo schema generale viene potenziato da meccanismi di collaborazione tra agenti e controllo della qualità. In un sistema multi-agent ben progettato, possono esistere ruoli specializzati: ad esempio un agente “creativo” genera un piano o una soluzione, e un agente “critico” la rivede chiedendo iterazioni o correzioni, un po’ come farebbe un revisore umano, ottenendo così risultati migliori. All’occorrenza, alcuni agenti possono persino porre domande direttamente ai responsabili umani se necessitano di chiarimenti durante l’esecuzione. Si possono inoltre sviluppare agenti supervisori dedicati a verificare e correggere gli output di altri agenti, ad esempio controllando che non vi siano errori, violazioni etiche o bias indesiderati. Grazie a questi accorgimenti, un insieme di agenti AI può raggiungere standard di qualità e affidabilità elevati, apprendendo dagli errori e migliorando progressivamente le proprie performance.

Un aspetto tecnico cruciale è come gli agenti AI sfruttano i diversi modelli di intelligenza artificiale sottostanti. Spesso si associa il concetto di “agente AI” ai large language model (LLM) tipo GPT-4, ma in realtà un sistema di agenti può integrare molteplici tipi di modelli a seconda del sottocompito. Ad esempio, in un’auto a guida autonoma possiamo avere una serie di agenti: l’agente incaricato di capire dove l’utente vuole andare userà probabilmente un LLM dotato di comprensione del linguaggio naturale, mentre l’agente che deve assicurarsi che sia sicuro svoltare a sinistra utilizzerà un modello specializzato di visione o di pianificazione del movimento, non un LLM. Ciò evidenzia un punto importante: gli agenti AI sono orchestratori intelligenti che sanno scegliere gli strumenti di AI appropriati per ogni problema. I modelli generativi di linguaggio forniscono loro potenti capacità di ragionamento e interazione in linguaggio naturale, ma il vero valore di un agente sta nel come combina queste capacità con altre fonti di intelligenza (regole di business, modelli predittivi specifici, accesso a dati e servizi) per raggiungere l’obiettivo prefissato.

Opportunità per le imprese: efficienza, trasformazione e customer experience

Gli agenti AI aprono opportunità immense per migliorare l’efficienza e ripensare i processi aziendali. McKinsey stima che, nel lungo termine, le applicazioni enterprise dell’AI generativa potrebbero generare fino a 4,4 trilioni di dollari di valore annuo. Tuttavia, questo potenziale si realizzerà solo se le organizzazioni sapranno implementare rapidamente soluzioni di AI che reinventino il modo di lavorare invece di limitarsi ad aggiungere automazione superficiale. In questo contesto, gli agenti AI possono aiutare a estrarre quel valore “più in fretta, meglio e a costi minori” rispetto a tecnologie precedenti. Vediamo alcune aree chiave di impatto positivo.

Efficienza e produttività operativa

In molti settori, gli agenti AI promettono di snellire le operazioni e aumentare la produttività del personale. Ad esempio, l’azienda tecnologica Lenovo ha impiegato agenti AI sia nell’ingegneria del software che nel supporto clienti, registrando già fino al 15% di miglioramento dell’efficienza per gli sviluppatori software, e incrementi a doppia cifra nella produttività nella gestione delle chiamate dei contact center . In generale, dotare i team di agenti (come copiloti o assistenti virtuali) può ridurre i tempi di esecuzione di attività routinarie, diminuire errori manuali e consentire di fare di più con le stesse risorse. Nell’ambito del customer service, ad esempio, l’adozione di agenti AI generativi ha portato organizzazioni ad aumentare del 14% il tasso di risoluzione delle richieste per ora e a ridurre del 9% il tempo medio di gestione delle issue– un boost di efficienza che si traduce in costi operativi più bassi e clienti più soddisfatti. Oltre alle metriche quantitative, c’è un effetto di liberazione: attività di basso valore (come l’estrazione di dati, la stesura di prime bozze, l’inoltro di ticket) possono essere scaricate sugli agenti, lasciando ai team umani più spazio per creatività, problem solving e interazione di qualità con clienti o colleghi.

Trasformazione dei processi e innovazione

Il valore degli agenti AI va oltre l’automazione incrementale delle attività esistenti: essi offrono l’occasione di ripensare da zero i processi. Con agenti capaci di gestire situazioni meno prevedibili e interpretabili solo a posteriori (dove i sistemi basati su regole fallirebbero), si possono automatizzare parti di processo finora considerate troppo complesse per la tecnologia. Inoltre, grazie alle capacità di comprensione del linguaggio naturale, gli agenti permettono di interagire con i sistemi in modo più intuitivo: chiunque in azienda può descrivere in linguaggio comune un workflow desiderato, e l’agente è in grado di tradurlo in azioni automatizzate. Questo abbassa drasticamente la barriera tra l’intenzione di business e l’implementazione tecnica, abilitando una platea più ampia di persone (non solo gli sviluppatori) a progettare soluzioni automatizzate. Le aziende più visionarie stanno già sperimentando processi completamente nuovi abilitati da sistemi di agenti. Si pensi alla gestione dei prestiti in banca: un sistema di agenti specializzati potrebbe prendere in carico l’istruttoria di un mutuo, raccogliendo e analizzando automaticamente tutte le informazioni su richiedente, tipo di prestito e garanzie, svolgendo in pochi minuti un lavoro che normalmente richiede giorni di scambi tra vari uffici. Allo stesso modo, per attività come il refactoring di applicazioni legacy o la conduzione di campagne di marketing online, esistono già prototipi di agenti AI in grado di coprire dall’ideazione all’esecuzione, coinvolgendo all’occorrenza diversi agenti esperti (es.: uno specialista di software legacy, un agente QA per verificare l’output, un agente di digital marketing per i social media, ecc.). Questi esempi illustrano come la trasformazione dei processi può avvenire su scala maggiore: non si tratta solo di fare le stesse cose in modo più efficiente, ma di fare cose nuove o prima impensabili, grazie alla capacità degli agenti di adattarsi in tempo reale a scenari variabili e di coordinarsi fra loro per raggiungere un obiettivo.

Modernizzazione dell’IT e Agile Delivery

Un beneficio collaterale ma fondamentale dell’adozione di agenti AI riguarda la modernizzazione delle infrastrutture IT e delle pratiche di sviluppo software. Per sfruttare appieno questi agenti, le aziende si trovano a dover aggiornare linguaggi e piattaforme: ad esempio, convertire vecchi sistemi in linguaggi più moderni e far evolvere le architetture verso servizi più modulari. Gli agenti AI stessi possono facilitare questo ammodernamento. McKinsey segnala che l’uso di agenti nella modernizzazione IT – ad esempio un agente specializzato nel leggere e documentare codice legacy, affiancato da un altro agente focalizzato sul refactoring sicuro – può rendere questi processi più rapidi, economici e precisi. Inoltre, l’adozione di agenti spinge i team IT verso metodologie più agili e iterative: invece di progetti monolitici pluriennali, diventa più efficace scomporre i problemi in moduli affrontabili da agenti specializzati che lavorano in parallelo e in continua interazione. I leader tecnologici possono orchestrare molteplici agenti specializzati, ognuno con un ruolo distinto, per collaborare su compiti complessi e raffinarsi reciprocamente grazie al feedback umano in tempo reale. Il risultato è un IT più fluido, dove sperimentazione e implementazione vanno di pari passo, sostenute da un “team digitale” instancabile. In sintesi, gli agenti AI non solo portano miglioramenti diretti, ma fungono da catalizzatore per aggiornare strumenti e modalità operative dell’azienda, preparando il terreno a un’innovazione continua.

Esperienza Cliente (Customer Experience)

L’impatto forse più visibile, almeno nel breve termine, è sulla customer experience. Già oggi molte aziende usano chatbot avanzati nei canali di assistenza al cliente, ma con agenti AI di nuova generazione si può andare oltre le semplici FAQ: un agente può gestire end-to-end la richiesta di un cliente, consultando sistemi interni, compilando pratiche, proponendo soluzioni personalizzate in tempo reale. I benefici sono misurabili: come citato, agenti AI nel customer care hanno aumentato la risoluzione dei problemi al primo contatto e ridotto i tempi di attesa. Ma oltre ai numeri c’è un cambio qualitativo: gli agenti AI possono fornire un’assistenza 24/7 altamente personalizzata, adattando il tono e le informazioni in base al profilo del cliente (grazie alla memoria a breve e lungo termine di cui sono dotati). Questo può tradursi in clienti più soddisfatti e fedeli. Inoltre, liberando tempo agli operatori umani, le imprese possono offrire servizi premium con maggiore coinvolgimento umano quando conta davvero: ad esempio, alcune interazioni complesse o di alto valore potrebbero essere passate a consulenti umani, mentre l’agente AI gestisce le interazioni più semplici. In prospettiva, l’integrazione di agenti AI potrebbe aprire nuove opportunità di ricavi: dai consigli proattivi d’acquisto forniti dall’agente (che agisce quasi da venditore personale), a modelli di servizio in cui l’assistenza base è gestita dall’AI e quella “umana” diventa un valore aggiunto su cui costruire offerte esclusive. In breve, nell’era degli agenti AI l’esperienza cliente potrà essere simultaneamente più efficiente e più ricca, combinando l’instancabile precisione della macchina con l’empatia e creatività umana dove necessarie.

Sfide nell’adozione degli Agenti AI

A fronte delle grandi promesse, le organizzazioni devono affrontare anche sfide significative per adottare con successo gli agenti AI. Implementare questi sistemi non è un semplice upgrade tecnologico: implica toccare aspetti di fiducia, gestione del cambiamento, tutela dei dati e persino un’evoluzione dell’architettura IT aziendale di fondo. Esaminiamo questi punti critici.

Costruire fiducia e affidabilità

La fiducia è forse la sfida più immediata. Sia i clienti che i dipendenti devono poter credere nelle risposte e nelle azioni svolte dagli agenti AI. Oggi molti consumatori, perfino i giovani della Gen Z, preferiscono ancora parlare con una persona al telefono per problemi di assistenza, segno che esiste un gap di fiducia verso le soluzioni completamente automatiche. Un errore o una risposta sbagliata da parte di un agente può minare gravemente questa fiducia. Le imprese leader lo hanno capito e stanno introducendo meccanismi di controllo: ad esempio, una banca ha progettato un’architettura in cui ogni risposta generata dall’agente AI viene verificata da un modulo che intercetta errori o “allucinazioni” prima di comunicarla al cliente, riducendo drasticamente le risposte inesatte e aumentando l’affidabilità percepita. Oltre alla verifica tecnica, c’è un tema di approccio etico: come sottolineano gli esperti, le aziende che trarranno più valore dall’AI saranno quelle capaci di creare fiducia presso clienti, dipendenti e stakeholder. Ciò significa agire con trasparenza (ad esempio dichiarando quando si interagisce con un agente AI), avere politiche chiare sull’uso dei dati, e assicurare che le decisioni automatizzate riflettano i valori dell’organizzazione e mettano al centro l’uomo. Solo così le persone si sentiranno sicure di delegare compiti agli agenti. In ultima analisi, la fiducia verso gli agenti AI si costruisce come quella verso un collega: con competenza dimostrata sul campo, coerenza di comportamento e allineamento ai valori condivisi.

Change Management e riorganizzazione del lavoro

Introdurre agenti AI su larga scala non è come installare un nuovo software – è un cambiamento di paradigma operativo. Molte organizzazioni scoprono che per ottenere reali benefici devono ricablare i propri processi e modelli operativi. L’adozione efficace di agenti AI richiede ben più che distribuire uno strumento ai dipendenti: bisogna rivedere flussi di lavoro, ruoli e responsabilità, formare le persone a collaborare con gli agenti e spesso ripensare intere funzioni aziendali. In pratica, è come passare da una squadra in cui ognuno ha il suo compito definito, a una squadra aumentata da giocatori AI dove le regole del gioco sono diverse. Ciò richiede un intenso change management. I leader devono sponsorizzare attivamente la transizione, comunicando la visione e i benefici, e allo stesso tempo ascoltare le preoccupazioni del personale (timori di sostituzione, mancanza di competenze, ecc.). Un aspetto emerso è la necessità di incentivare e formare i lavoratori affinché imparino a utilizzare – e a fidarsi – dei nuovi strumenti. Questo può voler dire rivedere i programmi di training, creare champion interni che facciano da esempio nell’uso degli agenti, e modificare i sistemi di valutazione delle performance per premiare chi adotta soluzioni AI in modo efficace. Inoltre, sul piano organizzativo è opportuno introdurre gradualmente piccoli team interfunzionali che lavorano in maniera iterativa su progetti pilota con agenti AI. Questi team agili possono sperimentare e identificare ostacoli (tecnologici o di processo), fornendo indicazioni preziose prima di una scala più ampia. In sintesi, il cambiamento richiesto è profondo: non si tratta solo di implementare nuovi tool, ma di ridisegnare il lavoro affinché uomini e agenti AI raggiungano insieme il massimo potenziale.

Data Protection e Sicurezza

L’utilizzo massiccio di agenti AI solleva importanti questioni di protezione dei dati e sicurezza informatica. Per svolgere i loro compiti, questi agenti accedono e processano grandi quantità di informazioni, spesso sensibili o proprietarie. I leader aziendali sono giustamente preoccupati di mantenere il controllo e la riservatezza di questi dati. Ogni interazione con un servizio esterno (ad esempio una chiamata API a un modello AI di un provider cloud) potrebbe esporre informazioni delicate se non gestita con attenzione. Diventa quindi cruciale implementare i giusti controlli e governance sin dall’inizio. Questo include misure di sicurezza tradizionali (crittografia, autenticazione forte, monitoraggio degli accessi) ma anche controlli specifici per l’AI: ad esempio filtri che impediscano agli agenti di condividere dati sensibili in prompt inviati a servizi esterni, sandbox in cui testare gli agenti prima di metterli in produzione, e monitoraggio continuo degli output generati per rilevare anomalie. Fortunatamente, stanno emergendo soluzioni sia commerciali sia personalizzate per affrontare queste sfide. Ad esempio, alcune aziende adottano “AI wrapper” – interfacce che permettono ai servizi interni di comunicare con modelli esterni via API senza esporre i dati grezzi, preservando così la privacy. Altre sviluppano piattaforme interne che tracciano ogni decisione presa da un agente, facilitando audit e spiegabilità, indispensabili in settori regolamentati. In definitiva, la fiducia nei dati è alla base di qualunque iniziativa AI: un’azienda deve sentirsi sicura che i suoi agenti lavorino all’interno dei confini di sicurezza stabiliti, senza creare nuovi rischi operativi o reputazionali.

Dall’architettura applicativa a un modello Multi-Agente

L’adozione diffusa di agenti AI probabilmente cambierà in modo sostanziale le architetture IT delle organizzazioni. Si prospetta un passaggio da un modello tradizionale, centrato su applicazioni monolitiche o su servizi separati, a un modello “multi-agente” in cui miriadi di agenti specializzati interagiscono tra loro. McKinsey prevede che le architetture IT evolveranno da uno schema focalizzato sulle applicazioni a uno basato su una moltitudine di agenti collaborativi. In pratica, invece di progettare un software come un insieme di moduli statici con funzioni predefinite, si progetterà un ecosistema dinamico di agenti in grado di comunicare l’uno con l’altro, con gli esseri umani e con programmi esterni, per raggiungere obiettivi comuni. Questo cambio di paradigma pone diverse sfide. Prima di tutto, la gestione: un’azienda potrebbe ritrovarsi a dover orchestrare centinaia (se non migliaia) di agenti che svolgono compiti diversi ma interdipendenti. Serviranno nuovi strumenti di monitoraggio e controllo per assicurare che tutti questi agenti lavorino in armonia, un po’ come un direttore d’orchestra deve assicurare che decine di strumenti suonino sincronizzati. Inoltre, l’integrazione con i sistemi esistenti richiederà soluzioni creative: ad esempio, l’uso dei già citati AI wrapper per far comunicare agenti AI con applicazioni legacy senza doverle riscrivere. Un altro approccio sarà l’adozione di super-platform: applicazioni di nuova generazione (ad esempio CRM o suite di collaboration) che avranno agenti AI integrati nativamente, pronti a dialogare con gli altri sistemi e agenti dell’ecosistema. Infine, la transizione verso architetture multi-agente comporterà anche un ripensamento delle competenze in IT: serviranno ingegneri capaci di “addestrare” e assemblare agenti, figure di AI orchestrator e nuove pratiche DevOps adattate a componenti AI autonomi. Insomma, l’IT aziendale dovrà evolvere sia a livello tecnologico sia a livello organizzativo per supportare questa proliferazione controllata di agenti intelligenti al servizio del business.

Verso la nuova era dell’impresa cognitiva

Siamo soltanto all’inizio di questa evoluzione. Così come la rivoluzione digitale ha trasformato radicalmente le aziende negli ultimi due decenni, la rivoluzione cognitiva alimentata dagli agenti AI ridefinirà le organizzazioni nei prossimi anni. Molto del lavoro pionieristico sui sistemi multi-agente sta uscendo dai laboratori di ricerca per approdare alla scala reale, e imparare lungo il percorso sarà inevitabile: casi d’uso, best practice e modelli di governance sono in piena fase di scoperta sul campo.

Dal punto di vista personale di un imprenditore e consulente tecnologico, ciò che si profila è un cambiamento epocale nell’interazione tra esseri umani e sistemi. Gli agenti AI diventeranno sempre più come colleghi digitali con cui collaborare. Immaginiamo un futuro prossimo in cui ogni professionista avrà a disposizione una sorta di “team virtuale” di agenti: uno che analizza i dati e propone insight, uno che prepara documenti o codice su richiesta, un altro che cura le attività amministrative di routine. L’interfaccia verso i sistemi aziendali sarà sempre più conversazionale e proattiva: invece di cliccare attraverso menu e form, potremo dialogare con un agente che capisce le nostre intenzioni e mobilita altri agenti e servizi per ottenere risultati. Questo porterà a un rapporto uomo-macchina più fluido, in cui l’AI non è più solo uno strumento, ma un partner operativo.

Naturalmente, il ruolo umano rimarrà cruciale. Anzi, in questa nuova era dell’impresa cognitiva, le capacità tipicamente umane – creatività, leadership, giudizio etico, empatia – diventeranno ancora più importanti. Mentre gli agenti AI assorbiranno molte attività esecutive e analitiche, agli esseri umani spetterà il compito di guidare questi agenti, ponendo le domande giuste, definendo gli obiettivi e intervenendo nei casi non standard. Le organizzazioni dovranno evolvere verso modelli in cui uomini e agenti AI lavorano fianco a fianco in simbiosi, ciascuno concentrato su ciò che sa fare meglio.

In conclusione, gli agenti AI rappresentano davvero un cambio di paradigma tecnologico e organizzativo. Le aziende che sapranno abbracciare questa transizione potranno reinventarsi come imprese cognitive, capaci di apprendere e adattarsi continuamente grazie al connubio di intelligenza umana e artificiale. La visione che si delinea è quella di un ambiente di lavoro arricchito, dove ogni idea può essere immediatamente esplorata da squadre di agenti instancabili, dove ogni decisione è supportata da analisi in tempo reale, e dove la tecnologia diventa un attore attivo e collaborativo. Prepararsi a questo futuro significa investire oggi non solo nella tecnologia, ma nelle persone, nella cultura e nei processi che permetteranno a questi agenti di esprimere tutto il loro potenziale. La nuova era dell’impresa cognitiva è all’orizzonte: sta a noi coglierne le opportunità e guidarla con visione strategica e responsabilità.

24 Gennaio 2025AI & GENAI, PENSIERI SPARSI

Dalla gerarchia al dialogo: come gli agenti AI stanno riscrivendo il nostro modo di chiedere

C’è stato un tempo (e forse c’è ancora) in cui il comando “vai a farmi le fotocopie” era il simbolo per eccellenza della gerarchia operativa. Diretto, inequivocabile, senza margini di interpretazione o ambiguità. Più o meno.

Vi starete domandando cosa c’entra questo con l’AI, con il rilascio di Perplexity o del recente Operator di OpenAI, vero? Non ci crederete ma un legame, con l’evoluzione e l’arrivo degli agenti, questo tema è molto attuale.

Pensateci, con un’intelligenza artificiale non funziona più essere autoritari: bisogna essere collaborativi. E forse anche un po’ educati.

Partiamo dal principio.

Dal comando al dialogo: chi educa chi?

La relazione con un agente AI, viste le evoluzioni recenti, le potenzialità e l’efficacia che stanno cominciando ad avere, non è più univoca: è una relazione che diventa dialogica e persino educativa. Il fatto di dover collaborare con un agente AI, e non comandarlo come verrebbe naturale, implica un cambio di prospettiva non da poco. Non possiamo più limitarci ad impartire ordini secchi; dobbiamo chiederci come formulare una richiesta in modo che sia compresa e, soprattutto, eseguita al meglio.

Immaginate la scena:

“Vai a farmi le fotocopie.”
L’AI risponde: “Quali pagine? A colori o in bianco e nero? E quante copie esattamente?”
Tu: “Fai tu.”
L’AI: “Fai tu cosa? C’è un errore nella richiesta / prompt.”

Ecco, questa è la nuova realtà: l’AI non si accontenta di eseguire, vuole capire. E noi, da “padroni del comando”, dobbiamo trasformarci in partner comunicativi, in grado di spiegare non solo cosa vogliamo, ma anche perché e come lo vogliamo. E se non iniziamo ad agire così abbiamo due possibili effetti che, in alcuni casi, iniziano già a manifestarsi: il primo è che l’AI, questo strumento magico che sembra possa fare tutto, in effetti non capisce e non fa quello che ci aspettiamo. Il secondo effetto, successivo, è noi non sappiamo chiederle ciò che ci serve e questo ci fa sentire inferiori potenzialmente.

Un nuovo (possibile) galateo

Se gli agenti AI diventano partner dialogici, forse dovremmo iniziare a pensare al nostro tono. Dopotutto, nessuno ama o ha mai amato un capo che urla, da comandi e impone di fare cose senza spiegarsi. E se la tecnologia ci stesse insegnando qualcosa, non in modo diretto, sul valore della gentilezza? Immaginate di dover chiedere all’AI di prenotare un volo:

Versione “vai a farmi le fotocopie“: “Prenota il volo per Milano.”
Versione dialogica: “Mi aiuti a trovare il miglior volo per Milano? Preferisco partire al mattino e con pochi scali.“

Io credo che sia palese che una delle due è efficace, mentre l’altra no. Non solo la seconda versione è più chiara, ma risulta anche più… umana!

È ironico: un agente digitale, apparentemente privo di emozioni, ci costringe a essere più consapevoli del nostro modo di comunicare. Forse, nel tentativo di insegnare all’AI come interagire con noi, stiamo imparando noi stessi a interagire meglio con gli altri?

Dal “cosa” al “perché”

La vera rivoluzione di questo shift non è solo nel come chiediamo, ma nel perché lo chiediamo. Quando diciamo all’AI di fare qualcosa, stiamo implicitamente trasferendo a lei il processo decisionale. Non stiamo solo delegando un compito, ma anche il modo in cui quel compito verrà eseguito. E qui nasce una domanda cruciale: siamo davvero pronti a cedere questo potere?

Prendiamo un esempio semplice: “Organizza la mia giornata.”

Se non forniamo contesto, l’AI potrebbe pianificare otto meeting consecutivi senza pause. Ha sbagliato? No, semplicemente ha eseguito un compito interpretandolo sulla base delle informazioni che aveva a disposizione. Non vi sembra un dejavù, no? Se non spieghiamo perché abbiamo bisogno di spazio per pensare o di tempo per un pranzo tranquillo, l’AI non potrà saperlo.

La verità è che chiedere bene richiede una certa dose di autoconsapevolezza. Dobbiamo sapere cosa vogliamo e perché lo vogliamo, altrimenti rischiamo di essere “mal serviti” da un’entità che, paradossalmente, cerca solo di aiutarci.

Chi è il maestro?

E qui arriviamo al punto più ironico (e forse non solo ironico) di tutti: chi sta educando chi? Stiamo insegnando all’AI a comprendere meglio il linguaggio umano? Oppure è l’AI che, indirettamente, ci sta insegnando a essere più chiari, più collaborativi, persino più riflessivi? Forse, l’evoluzione degli agenti AI non riguarda tanto il loro apprendimento, quanto il nostro.

Questi sistemi ci costringono a fermarci, a pensare, a chiarire.

Non possiamo più limitarci a dire “vai a farmi le fotocopie“; dobbiamo chiederci: “Perché servono? Come posso spiegare meglio la mia richiesta?” E in questo processo, potremmo scoprire che la tecnologia non sta solo automatizzando i nostri compiti, ma sta affinando le nostre capacità di comunicazione e comprensione. Una lezione inaspettata da un’entità che non ha né cuore né anima.

Eppure è un insegnamento che ha sicuramente un impatto sul singolo, ma potenzialmente avrà un impatto anche sul modo in cui le aziende si approcceranno a questa ennesima trasformazione: ridefinire lo scopo prima di attivare una azione che non necessariamente sarà utile.

La gentilezza del futuro

Forse, un giorno, guarderemo indietro e penseremo che la rivoluzione dell’AI non è stata tanto nell’efficienza o nell’automazione, su cui tutti, chi più e chi meno stiamo mettendo la testa, ma nel suo impatto sul nostro modo di pensare e interagire. Esattamente come scrivevo anche giorni fa nel post “Comprensione e fiducia: l’evoluzione dell’interazione uomo-macchina” . Gli agenti AI ci stanno spingendo a rivalutare non solo cosa chiediamo, ma come e perché lo facciamo. E chissà, magari la prossima volta che ci verrà da dire “vai a farmi le fotocopie”, ci fermeremo un attimo.

Forse sorrideremo e diremo: “Mi aiuti a organizzare al meglio questo lavoro? Grazie.”

E quel grazie, in fondo, potrebbe essere il vero segno del nostro progresso.

11 Gennaio 2025AI & GENAI

Costruire il futuro con nuove parole, paradigmi e visioni

Quando Jensen Huang, CEO di NVIDIA, all’intervento del CES ha affermato

The IT department of every company is going to be the HR department of AI agents in the future. Today, they manage and maintain a bunch of software from the IT industry. In the future, they will maintain, nurture, onboard, and improve a whole bunch of digital agents and provision them to the companies to use. And so, your IT department is gonna become kind of like AI Agent HR

che in sintesi è “il dipartimento IT diventerà il dipartimento HR per gli agenti AI“, ha colto senza dubbio una trasformazione epocale: la convergenza tra tecnologia e gestione delle risorse, tra IT e HR. È un’affermazione che provoca, fa riflettere e, in parte, semplifica. Forse anche troppo.

Ma dietro questa semplificazione si cela una verità complessa che merita di essere analizzata con attenzione e che mi ha fatto riflettere in questi giorni.

Partiamo da un dettaglio che spesso diamo per scontato. HR sta per Human Resources. E quella “H”, che spesso dimentichiamo, quel riferimento diretto all’umano, è fondamentale. Nella nostra quotidianità professionale tendiamo a usare “HR” come un’etichetta astratta, dimenticandoci che il termine richiama la gestione delle persone, delle loro capacità, emozioni, relazioni e ambizioni. È un acronimo che implica tutto ciò che rende unico e irripetibile l’essere umano.

Quando applichiamo il concetto di HR agli agenti AI, come in questo caso, rischiamo di dimenticare il significato intrinseco di quella letterina. Gli agenti AI non sono umani. Non hanno ambizioni, emozioni o valori. Non cooperano per scelta, non imparano per aspirazione, non falliscono per mancanza di motivazione. Sono strumenti, sofisticati e straordinari, ma sempre strumenti. Strumenti in grado di potenziare le nostre capacità. Paragonarli a risorse umane, per quanto utile come provocazione, rischia di condurci su un terreno scivoloso: quello dell’antropomorfizzazione, della percezione che questi agenti possano sostituire completamente l’umano, anziché affiancarlo.

Dobbiamo rivedere il concetto stesso. Se la “H” di HR non si applica agli agenti AI, cosa rappresenta allora la loro gestione? Sicuramente non possiamo banalizzare la loro gestione ad una semplice gestione di un asset tecnologico, perché a mio avviso non sono solo questo.

Senza dubbio stiamo entrando in un’era in cui le risorse umane e digitali devono essere integrate in un nuovo paradigma, che non vede l’AI come un “collega virtuale”, “uno stagista” o una entità a se stante, ma come un potenziatore delle capacità umane. Un modello in cui il dipartimento IT non diventa semplicemente un “HR per AI”, ma un gestore strategico di una forza lavoro ibrida, in cui umano e artificiale si completano e valorizzano a vicenda.

Eppure, non possiamo ignorare la validità della visione di Huang. Dietro le sue parole c’è una fotografia del futuro. Il dipartimento IT si trasformerà davvero. Oggi gestisce infrastrutture e software; domani dovrà gestire agenti AI con logiche che ricordano quelle applicate alle persone: addestramento, monitoraggio, miglioramento continuo. Il linguaggio con cui descriviamo questa evoluzione deve essere altrettanto trasformativo. Non possiamo limitarci a prendere in prestito termini esistenti per descrivere qualcosa di radicalmente nuovo.

Dopo tutto l’HR ha sempre gestito le “umane risorse” (come direbbe un amico) e l’IT le risorse tecnologiche. Forse nella loro ibridazione, è necessario ripensare non solo alle etichette ma anche alle tipologie di competenze per valutare tutto questo.

Le parole contano, come direbbe qualcuno. Definire il ruolo del dipartimento IT come “HR per l’AI” potrebbe sembrare pratico e immediato, ma rischia di nascondere una verità più complessa. Gli agenti AI non sostituiscono l’umano, né lo imitano. Sono un complemento, un supporto, un’estensione. Serve un linguaggio che enfatizzi l’integrazione, non l’equivalenza. Un linguaggio che riconosca il valore unico dell’umano e, allo stesso tempo, la specificità dell’intelligenza artificiale.

E qui emerge un’opportunità. Huang ha ragione quando ci invita a ripensare i ruoli organizzativi alla luce dell’AI. Ma forse, il vero cambiamento non è solo nell’IT o nella tecnologia. È nella nostra capacità di immaginare nuovi paradigmi, nuovi concetti, nuovi linguaggi.

Cosa dobbiamo continuare a imparare da quell'”H” senza perderla? Che il nostro rapporto con l’AI non deve perdere di vista l’umano. L’AI non ha bisogno di essere “umanizzata” nel vero senso della parola, per essere straordinaria. La sua forza sta proprio nella sua diversità, nella sua capacità di amplificare ciò che noi, come esseri umani, possiamo fare. Ma questa diversità richiede una gestione che tenga conto delle differenze, che riconosca e rispetti i limiti dell’AI e, al contempo, ne valorizzi il potenziale unico.

Cosa invece ci dobbiamo ricordare? Che ogni rivoluzione tecnologica è, prima di tutto, una rivoluzione culturale. Da sempre. Se oggi parliamo di “HR per AI”, forse domani parleremo di “Digital Resources Management” o di un nuovo concetto ancora da inventare. Ma quello che non possiamo permetterci di fare è usare un linguaggio che riduca la complessità o che confonda i confini tra umano e artificiale.

Dobbiamo aspettarci un cambiamento, inevitabile. Un mondo in cui le organizzazioni saranno guidate dalla complementarità tra umano e AI. Dove il dipartimento IT non sarà più solo un gestore di infrastrutture, ma un orchestratore strategico di risorse digitali. E dove quella “H” di HR, che oggi ci invita a riflettere, continuerà a ricordarci ciò che ci rende unici: l’umanità.

Forse non abbiamo ancora le risposte, ma sappiamo che le parole con cui raccontiamo il futuro sono già parte della sua costruzione. E quindi, se possiamo fare meglio – se possiamo trovare un linguaggio che onori questa complessità (enorme) – allora dobbiamo farlo.

Perché il futuro non si costruisce con vecchi paradigmi, ma con nuove visioni.