Agenti AI per le PMI: da dove iniziare senza sprecare budget

Negli ultimi anni la parola "agente" è diventata onnipresente: ogni software sembra averne uno. Per una piccola o media impresa il rischio è doppio: investire in qualcosa che non serve, oppure rinunciare a uno strumento che potrebbe davvero alleggerire il lavoro di tutti i giorni. Provo a fare chiarezza partendo da come li progetto nei progetti reali.

Cos'è un agente AI, in pratica

Un agente è un programma che usa un modello linguistico (LLM, come GPT o Claude) non solo per rispondere a una domanda, ma per raggiungere un obiettivo eseguendo una sequenza di passi. A ogni passo il modello decide quale strumento usare – leggere un'email, interrogare il gestionale, cercare in un archivio di documenti, compilare una bozza – osserva il risultato e prosegue fino a quando il compito è concluso o serve l'intervento di una persona.

La differenza rispetto a un chatbot è proprio questa: il chatbot conversa, l'agente agisce sui sistemi aziendali. Ed è anche il motivo per cui un agente va progettato con la stessa cura di qualsiasi altro software che tocca dati e processi reali.

Quando un agente ha senso (e quando no)

Gli agenti danno il meglio quando il lavoro ha tre caratteristiche:

• input non strutturati: email, PDF, documenti scansionati, note libere, richieste scritte in modi sempre diversi;
• variabilità: casi simili ma mai identici, in cui una regola fissa non basta;
• più sistemi coinvolti: l'operatore oggi copia informazioni da una finestra all'altra.

Se invece il processo è già perfettamente regolato – "se l'importo supera X, invia al responsabile Y" – un workflow tradizionale o un'integrazione tra sistemi è più economico, più veloce e più prevedibile. Usare un LLM per applicare una regola deterministica significa pagare di più per ottenere un risultato meno affidabile.

Processi tipici da cui partire

• Smistamento delle richieste in ingresso: l'agente legge email o ticket, li classifica, estrae i dati utili e li instrada al reparto giusto con una bozza di risposta.
• Estrazione dati da documenti: ordini, documenti di trasporto, preventivi di fornitori vengono letti e trasformati in dati strutturati da verificare e registrare nel gestionale.
• Assistente sulla documentazione interna: procedure, manuali, contratti tipo diventano interrogabili in linguaggio naturale, con il riferimento al documento di origine.
• Preparazione di bozze: offerte, report periodici, riepiloghi di riunioni, partendo da dati già presenti nei sistemi.

In tutti questi casi la persona resta responsabile della decisione finale: l'agente prepara, la persona verifica e approva.

Come impostare il primo progetto

1. Scegli un processo piccolo, frequente e noioso. Meglio un'attività che si ripete decine di volte al giorno di un grande progetto trasversale. I risultati arrivano prima e si misurano meglio.
2. Misura la situazione di partenza. Quanto tempo richiede oggi? Quanti errori o rilavorazioni? Senza una misura iniziale, dopo sarà impossibile dire se il progetto ha funzionato.
3. Prevedi la supervisione umana fin dall'inizio. Nella prima fase l'agente propone e una persona approva. L'autonomia si aumenta gradualmente, solo dove i dati dimostrano che è affidabile.
4. Dai all'agente i permessi minimi. Se deve leggere gli ordini, non deve poterli cancellare. Gli strumenti che l'agente usa sono API con permessi precisi, non l'accesso completo al database.
5. Costruisci un insieme di casi di prova. Una raccolta di esempi reali (anonimizzati) con il risultato atteso: è la base per valutare l'agente oggi e per accorgersi di regressioni quando cambiano il modello o le istruzioni.
6. Tieni sotto controllo i costi. Ogni chiamata al modello ha un costo. Limiti di spesa, cache e scelta del modello adatto al compito fanno una grande differenza.

L'architettura che uso di solito

Nei sistemi multi-agente che progetto – come il framework SpinFlow – ricorrono alcuni elementi che consiglio anche nei progetti più piccoli:

• un API gateway verso i modelli, che centralizza log, limiti di spesa e consente di cambiare fornitore senza riscrivere l'applicazione;
• un orchestratore che definisce i passi ammessi, i tempi massimi e i punti in cui serve l'approvazione umana;
• strumenti esposti come servizi con permessi espliciti verso gestionale, CRM o archivio documentale;
• una gestione del contesto che fornisce al modello solo le informazioni necessarie, non tutto l'archivio aziendale;
• una pipeline di valutazione che rilancia i casi di prova a ogni modifica.

Rischi da gestire, senza allarmismi

• Risposte errate ma convincenti. Un LLM può sbagliare con grande sicurezza: per questo servono verifiche, riferimenti alle fonti e supervisione.
• Prompt injection. Un'email o un documento può contenere istruzioni scritte apposta per ingannare l'agente. I permessi minimi e la separazione tra dati e istruzioni sono la prima difesa.
• Dati personali e riservati. Occorre sapere quali dati arrivano al fornitore del modello, dove vengono trattati e a quali condizioni contrattuali. Spesso basta non inviare dati che non servono al compito.
• Normativa. Il GDPR si applica come per qualsiasi altro trattamento di dati personali, e il Regolamento europeo sull'Intelligenza Artificiale (AI Act) prevede obblighi graduati in base al livello di rischio dell'uso. Per molti usi interni gli obblighi sono contenuti, ma vanno verificati caso per caso.

In sintesi

Un buon primo progetto con gli agenti AI è piccolo, misurabile, supervisionato e costruito con le stesse regole di qualità di qualsiasi altro software aziendale.

Se stai valutando dove introdurre l'AI nella tua azienda, il punto di partenza non è il modello più recente, ma il processo che oggi fa perdere più tempo alle persone. Da lì si costruisce il resto. Su questo tema trovi anche l'articolo su come automatizzare i processi aziendali in cinque passi.