Definizioni e confronti
Agenti AI per aziende: cosa sono, cosa fanno davvero e quando convengono
La parola «agente» è finita ovunque, e vuol dire cose diverse a seconda di chi la usa. Qui la definiamo in modo verificabile, la distinguiamo dalle automazioni che già esistono, e la mettiamo davanti ai numeri: quante aziende li usano, quanti progetti arrivano in produzione, quanto costano.
Scritto da Maximilian Giurastante. . 12 minuti di lettura.
Un agente AI è un programma che usa un modello linguistico per raggiungere un obiettivo assegnato: legge il contesto, sceglie quale azione compiere fra gli strumenti che ha a disposizione (cercare, leggere un documento, chiamare un'API, scrivere), osserva il risultato e ripete finché il compito è concluso o si ferma per chiedere. Si distingue da un chatbot perché agisce, e da un'automazione a regole perché decide i passaggi invece di eseguirli in un ordine fisso.
In sintesi
- Un agente decide i passaggi; un'automazione li esegue in ordine fisso. La differenza è utile solo quando l'input è variabile e i passaggi non si possono elencare prima.
- La maggior parte dei problemi aziendali si risolve con un flusso a regole in cui un modello fa un passaggio solo (leggere, classificare, scrivere): costa meno e si controlla meglio.
- Secondo McKinsey (novembre 2025) il 62% delle organizzazioni sperimenta con agenti e il 23% ne sta scalando almeno uno; il divario fra le due cifre è il dato da tenere a mente.
- Gartner prevede che oltre il 40% dei progetti di agentic AI sarà cancellato entro fine 2027, per costi, valore poco chiaro o controlli inadeguati.
- Un agente conviene quando l'input è vario, il costo di un errore è verificabile e gli strumenti da usare espongono un'API. Se manca una di queste condizioni, conviene altro.
- In Italia usa l'AI il 16,4% delle imprese con almeno dieci addetti (ISTAT, 2025) e l'automazione dei flussi di lavoro con AI è al 2,9% del totale: c'è più spazio che concorrenza.
Che cos'è un agente AI, con parole che si possono verificare
Un agente AI è un ciclo, non una risposta. Riceve un obiettivo, guarda cosa ha davanti, sceglie un'azione fra quelle permesse, la esegue con uno strumento, legge l'esito e decide il passo successivo. Il ciclo termina quando l'obiettivo è raggiunto, quando l'agente si ferma per chiedere, o quando esaurisce il numero di tentativi che gli è stato concesso.
Il ciclo di un agente
Ciclo in cinque passaggi: ricevere l'obiettivo, osservare il contesto, decidere il passo, usare uno strumento, verificare il risultato. Dalla verifica si torna a osservare, oppure si consegna il risultato o si chiede a una persona.
- 1. Obiettivo: assegnato da una persona
- 2. Osserva il contesto: dati, documenti, esiti
- 3. Decide il passo: fra le azioni permesse
- 4. Usa uno strumento: API, ricerca, scrittura
- 5. Verifica il risultato: consegna o chiede
Tre parole di questa definizione fanno la differenza rispetto agli strumenti che le aziende già usano. Obiettivo: all'agente si dice cosa ottenere, non come. Strumenti: l'agente non si limita a scrivere testo, può compiere azioni su sistemi reali (leggere una casella di posta, interrogare un gestionale, aprire un ticket). Verifica: dopo ogni azione l'agente legge l'esito e può correggersi. Un programma che non ha almeno queste tre caratteristiche non è un agente, per quanto lo dica la sua scheda commerciale.
Tre livelli di automazione, e cosa cambia fra uno e l'altro
La scelta non è fra «fare a mano» e «usare un agente». In mezzo ci sono due livelli che risolvono la maggior parte dei casi e costano meno. Sceglierli bene è la prima decisione di un progetto.
Chi decide i passaggi
Tre colonne. Automazione a regole: evento, passaggi fissi, risultato. Workflow con LLM: evento, passaggi fissi di cui uno affidato a un modello, risultato. Agente: obiettivo, ciclo in cui il modello decide e agisce, risultato o richiesta a una persona.
- Automazione a regole: Evento (file, email, orario), Passaggi fissi (se, allora, altrimenti), Risultato (sempre uguale a parità di input). Prevedibile, economica, cieca davanti a un input diverso
- Workflow con LLM: Evento (email, documento, richiesta), Un passaggio al modello (leggere, classificare, scrivere), Passaggi fissi e risultato (con un controllo umano). Regge input non strutturati, resta controllabile
- Agente: Obiettivo (e strumenti ammessi), Ciclo: decide, agisce, verifica (più chiamate al modello), Risultato o richiesta (si ferma quando non sa). Regge l'imprevisto, costa di più, va delimitato
Confronto sui criteri che contano in un preventivo
| Criterio | Automazione a regole | Workflow con LLM | Agente |
|---|---|---|---|
| Chi decide i passaggi | Chi scrive le regole | Chi disegna il flusso; il modello svolge un passaggio | Il modello, entro gli strumenti e i limiti dati |
| Input che regge | Solo quello previsto | Testo e documenti non strutturati | Anche situazioni non previste |
| Prevedibilità | Totale | Alta sul flusso, variabile sul passaggio AI | Bassa: va misurata su casi reali |
| Costo per esecuzione | Quasi nullo | Una o due chiamate al modello | Da alcune a decine di chiamate |
| Controllo umano | Non serve | Un punto di verifica nel flusso | Punti di fermata decisi in progettazione |
| Quando usarlo | Processo stabile e dati strutturati | Processo stabile e dati non strutturati | Compiti aperti con più strade possibili |
Cosa fanno davvero gli agenti in azienda, con esempi dai nostri progetti
Gli esempi che seguono vengono da sistemi che abbiamo costruito o che usiamo ogni giorno. Diciamo anche quando la soluzione giusta non è stata un agente, perché è l'informazione che manca di più.
Leggere le segnalazioni e aprire i ticket
In SYNAPSE, la piattaforma con cui un integratore di sistemi tiene sotto controllo parchi di dispositivi, le segnalazioni che arrivano da un sistema esterno diventano interventi da sole. Non è un agente: il formato è noto, e un flusso a regole è più affidabile e non costa nulla per esecuzione. Un modello linguistico entrerebbe in gioco solo per le segnalazioni scritte a mano dalle persone, come passaggio singolo di estrazione dentro lo stesso flusso.
Preparare un rapporto leggendo dati e documenti
Un agente che riceve l'obiettivo «prepara il riepilogo mensile delle assenze per reparto» deve interrogare il database, capire quali reparti hanno anomalie, decidere se serve un confronto con il mese precedente, e scrivere. Qui il ciclo ha senso: i passaggi cambiano a seconda dei dati. In LeavePilot il rapporto generato lavora però solo su dati aggregati, mai su nomi: la regola più efficace per rispettare il GDPR e l'AI Act è non dare al modello i dati che non deve usare, invece di chiedergli di non usarli.
Scrivere e verificare codice
Gli agenti di sviluppo software sono oggi il caso più maturo: ricevono un compito, leggono il codice esistente, modificano file, eseguono i test, leggono gli errori e correggono. Li usiamo ogni giorno, con regole scritte su cosa possono fare senza chiedere e cosa no; CLACOROO, il nostro pannello open source per Claude Code, è nato proprio per governare plugin, permessi e sessioni di questi agenti. Quello che abbiamo imparato lì vale per qualsiasi agente: i punti di fermata contano più delle istruzioni.
Smistare richieste e rispondere a quelle ricorrenti
Un flusso che legge le richieste in arrivo, le classifica per tipo e urgenza, risponde a quelle con una risposta nota e passa le altre a una persona con una bozza pronta. È un workflow con LLM, non un agente, ed è la forma più richiesta perché il ritorno si misura in ore: quante richieste al giorno, quanti minuti ciascuna. Diventa un agente solo se, per rispondere, deve consultare sistemi diversi e decidere quali.
I numeri: chi li usa, quanti progetti arrivano in produzione
Le cifre sull'adozione degli agenti sono di due tipi: quelle che contano chi sperimenta e quelle che contano chi è in produzione. Le prime sono alte, le seconde no. Il divario è il dato utile.
Uso dell'AI e degli agenti nelle organizzazioni
Grafico a barre con quattro valori dal sondaggio McKinsey di novembre 2025: 88% usa l'AI in almeno una funzione, 62% sperimenta con agenti, 39% riporta un impatto sul risultato operativo, 23% sta scalando agenti in almeno una funzione.
- Usa l'AI in almeno una funzione: 88%
- Sperimenta con agenti AI: 62%
- Riporta un impatto sul risultato operativo (EBIT): 39%
- Sta scalando agenti in almeno una funzione: 23%
Nell'edizione successiva dello stesso sondaggio (agosto 2026, 1.719 rispondenti) la quota di chi attribuisce all'AI almeno un po' di impatto sul risultato operativo è ferma al 37%, e chi sta scalando agenti resta circa due su dieci nel complesso, con un 40% fra le aziende oltre il miliardo di dollari di ricavi. In un anno la sperimentazione si è allargata; la produzione no, o poco.
- > 40%
- dei progetti di agentic AI sarà cancellato entro fine 2027 (Gartner, giugno 2025: costi crescenti, valore poco chiaro, controlli inadeguati)
- 95%
- delle organizzazioni senza ritorno misurabile dai pilot di AI generativa (MIT NANDA, luglio 2025, risultati preliminari su 52 organizzazioni)
- 16,4%
- delle imprese italiane con almeno 10 addetti usa l'AI (ISTAT, dicembre 2025; era l'8,2% nel 2024)
- 2,9%
- delle imprese italiane automatizza flussi di lavoro con l'AI (Eurostat, dati 2025 per l'Italia)
Due avvertenze sulle cifre più citate. La previsione Gartner riguarda i progetti che partono senza un caso d'uso chiaro: è un avviso sulla selezione, non sulla tecnologia. Il 95% del MIT viene da uno studio preliminare su un campione piccolo e misura l'assenza di impatto sul conto economico, non il fallimento tecnico; lo stesso rapporto nota che gli strumenti generici arrivano in produzione molto più spesso di quelli costruiti su misura male. Letti insieme, dicono una cosa sola: il problema non è far funzionare un agente, è scegliere dove metterlo.
Quando conviene un agente, e quando no
Due variabili bastano per decidere: quanto è vario l'input e quanto costa un errore. Sull'asse dell'input si sceglie fra regole e modello; sull'asse dell'errore si decide quanto controllo umano serve.
Dove stanno le soluzioni
Matrice due per due. Asse orizzontale: variabilità dell'input, da bassa ad alta. Asse verticale: costo di un errore, da basso ad alto. Input poco vario e errore poco costoso: automazione a regole. Input vario e errore poco costoso: agente con verifica a campione. Input poco vario e errore costoso: workflow con un passaggio AI e controllo umano. Input vario e errore costoso: agente con approvazione umana su ogni azione, oppure niente automazione.
- Variabilità dell'input: bassa: dati strutturati / alta: testo libero, casi imprevisti. Costo di un errore: basso / alto.
- Workflow con un passaggio AI: e controllo umano prima di ogni effetto: il modello legge o scrive, una persona conferma.
- Agente con approvazione: ogni azione con effetti va approvata. Se il volume non lo regge, meglio non automatizzare.
- Automazione a regole: nessun modello: un flusso scritto una volta e verificato con i dati reali.
- Agente con verifica a campione: il punto in cui un agente rende di più: input vario, errori recuperabili, volume alto.
Le cinque condizioni, tutte necessarie
- L'input è vario. Testo libero, documenti diversi, richieste che non si lasciano incasellare. Se l'input è un modulo, bastano le regole.
- I passaggi non si elencano prima. Se si possono scrivere in un diagramma, un workflow costa meno e si controlla meglio.
- Gli strumenti espongono un'API. Un agente che deve cliccare in un'interfaccia pensata per le persone è fragile per costruzione.
- L'errore si può verificare e recuperare. Un agente sbaglierà; serve sapere come ci si accorge e come si torna indietro.
- Il volume giustifica il costo. Ogni giro del ciclo è una chiamata al modello. Dieci esecuzioni al mese non ripagano la progettazione.
Come si costruisce un agente che regge in produzione
Il lavoro tecnico sul modello è la parte minore. La parte maggiore è decidere i limiti: cosa può fare da solo, quando deve fermarsi, come si misura se sta lavorando bene.
- Scrivere l'obiettivo e il criterio di fine Cosa deve ottenere e come si riconosce che ha finito. «Rispondi ai clienti» non è un obiettivo; «classifica ogni richiesta, rispondi a quelle di tipo A con il modello approvato, passa le altre con una bozza» lo è.
- Elencare gli strumenti e i loro limiti Quali API può chiamare, con quali permessi, con quali limiti di quantità. Un agente che può leggere il gestionale ma non scrivere in produzione è un agente che può sbagliare senza danni.
- Decidere i punti di fermata Le azioni con effetti esterni (inviare, pagare, cancellare, promettere) richiedono conferma finché non si è misurato che l'agente le gestisce bene. È la regola che seguiamo anche per gli agenti di sviluppo: mai un rilascio senza una persona che approva.
- Costruire un insieme di casi reali per la valutazione Cinquanta casi presi dalla realtà, con la risposta attesa. Ogni modifica alle istruzioni o al modello si prova su quei casi prima di andare in produzione. Senza questo passaggio non si sa se un cambiamento migliora o peggiora.
- Rilasciare con supervisione e misurare per un mese Percentuale di casi risolti senza intervento, tempo medio, errori rilevati, costo in chiamate. Sono i quattro numeri che decidono se estendere il perimetro o restringerlo.
- Documentare per l'AI Act e il GDPR Se l'agente interagisce con persone deve dichiararsi (articolo 50, applicabile dal 2 agosto 2026); chi lo usa in azienda deve poter dimostrare l'alfabetizzazione del personale (articolo 4). I dati personali che entrano nei prompt richiedono un contratto con il fornitore del modello. La nostra guida all'AI Act spiega cosa produrre.
Quanto costa
Un agente ha due costi: costruirlo e farlo girare. Il primo dipende da quanti strumenti va collegato e da quanto controllo serve; il secondo dal numero di esecuzioni e di chiamate per esecuzione, e sta scendendo in fretta.
| Voce | Ordine di grandezza | Cosa lo fa salire |
|---|---|---|
| Workflow con un passaggio AI su un processo circoscritto | da 1.500 a 6.000 euro, da una a tre settimane | Numero di sistemi da collegare, volume, controllo umano su ogni passaggio |
| Agente con più strumenti e punti di fermata | da 5.000 a 15.000 euro, da quattro a otto settimane | Strumenti da integrare, insieme di valutazione, permessi e registrazione delle azioni |
| Esercizio: chiamate al modello | a consumo, da pochi euro a qualche centinaio al mese | Numero di esecuzioni, lunghezza dei documenti, giri del ciclo per esecuzione |
| Esercizio: infrastruttura | da poche decine di euro al mese | Code, archiviazione dei log, ambienti separati |
Sul costo di esercizio la tendenza è chiara: secondo l'AI Index 2025 della Stanford University, il costo di inferenza per un sistema con prestazioni al livello di GPT-3.5 è sceso di oltre 280 volte fra novembre 2022 e ottobre 2024. Il costo di un agente in produzione è quindi sempre più una questione di progettazione (quanti giri, quanti documenti) che di prezzo per chiamata. Gli ordini di grandezza sopra sono gli stessi della nostra pagina come lavoriamo e quanto costa, che spiega anche cosa serve per partire.
Domande frequenti
Qual è la differenza fra un agente AI e un chatbot?
Un chatbot risponde a domande, una alla volta, e non agisce su altri sistemi. Un agente riceve un obiettivo, usa strumenti (API, ricerche, documenti) per raggiungerlo, verifica i risultati e ripete finché non ha finito o deve chiedere. Un chatbot che può anche aprire un ticket o consultare un gestionale sta diventando un agente.
Un agente AI può sostituire un dipendente?
No, e i progetti impostati così sono quelli che Gartner prevede in cancellazione. Un agente sostituisce passaggi ripetitivi dentro un processo: lettura, classificazione, estrazione, bozze, verifiche. Le eccezioni, le decisioni con effetti esterni e la responsabilità restano alle persone, anche per legge (l'AI Act richiede supervisione umana e trasparenza).
Quanto tempo serve per costruire un agente AI per la mia azienda?
Un workflow con un passaggio affidato a un modello su un processo circoscritto richiede da una a tre settimane. Un agente con più strumenti, punti di fermata e un insieme di casi per la valutazione richiede da quattro a otto settimane. La variabile che sposta di più i tempi è il numero di sistemi da collegare, non il modello.
Gli agenti AI sono affidabili?
Lo sono nella misura in cui sono delimitati e misurati. Un agente con strumenti limitati, punti di fermata sulle azioni con effetti esterni e un insieme di casi reali su cui viene valutato a ogni modifica è affidabile quanto qualsiasi altro software. Un agente lasciato libero su un compito vago non lo è, ed è il motivo del divario fra chi sperimenta e chi è in produzione.
Che cosa devo fare per l'AI Act se uso un agente?
Dipende dal ruolo. Se usi un agente costruito da altri sei utilizzatore: devi garantire l'alfabetizzazione del personale (articolo 4) e, se l'agente interagisce con persone, che si dichiari come sistema di AI (articolo 50, dal 2 agosto 2026). Se lo fai costruire con il tuo marchio diventi fornitore, con obblighi in più. La guida all'AI Act sul nostro sito ha un test di otto domande per capire dove ricadi.
Quale modello linguistico conviene usare?
Quello che passa la valutazione sui tuoi casi reali al costo più basso, con un contratto che escluda l'addestramento sui tuoi dati e che tratti i dati personali secondo il GDPR. Il nome del modello conta meno del contratto e dell'insieme di casi su cui lo provi. Cambiare modello dopo un anno è normale, se l'agente è costruito per permetterlo.
Fonti
I dati citati nel testo, con il collegamento al documento originale. Le cifre sono riportate come pubblicate dalla fonte, con l'anno a cui si riferiscono.
- McKinsey, The state of AI in 2025: Agents, innovation, and transformation: Sondaggio su 1.993 rispondenti in 105 paesi, pubblicato il 5 novembre 2025: 88% usa l'AI in almeno una funzione, 62% sperimenta con agenti, 23% li sta scalando, 39% riporta impatto sull'EBIT.
- McKinsey, The state of AI in 2026: On the road to ROI: Sondaggio su 1.719 rispondenti in 97 paesi (maggio-giugno 2026), pubblicato il 25 agosto 2026: 37% attribuisce all'AI almeno un po' di impatto sull'EBIT; circa due organizzazioni su dieci stanno scalando agenti.
- Gartner, Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027: Comunicato stampa del 25 giugno 2025, basato su un sondaggio di gennaio 2025 con 3.412 partecipanti.
- MIT NANDA, The GenAI Divide: State of AI in Business 2025: Risultati preliminari, luglio 2025: interviste in 52 organizzazioni, 153 questionari, oltre 300 iniziative esaminate. Il 95% delle organizzazioni non rileva impatto misurabile sul conto economico dai pilot di AI generativa.
- ISTAT, Imprese e ICT, anno 2025: Comunicato del 15 dicembre 2025: il 16,4% delle imprese con almeno 10 addetti usa almeno una tecnologia di AI (8,2% nel 2024); grandi imprese al 53,1%, PMI al 15,7%.
- Eurostat, Use of artificial intelligence in enterprises: Dati 2025: il 20,0% delle imprese UE usa l'AI; in Italia l'automazione dei flussi di lavoro con AI riguarda il 2,9% delle imprese con almeno 10 addetti.
- Stanford HAI, AI Index Report 2025: Il costo di inferenza per un sistema al livello di GPT-3.5 è sceso di oltre 280 volte fra novembre 2022 e ottobre 2024.
- Regolamento (UE) 2024/1689 (AI Act), articoli 4 e 50: Alfabetizzazione del personale e obblighi di trasparenza per i sistemi che interagiscono con persone. La guida sul nostro sito riporta le date di applicazione aggiornate al Digital Omnibus.
Scritto da Maximilian Giurastante
Founder e software developer, MAXYMIZE. Progetta e sviluppa piattaforme SaaS, gestionali su misura e automazioni con modelli linguistici. Oltre vent'anni come project leader nell'integrazione di sistemi tecnologici, audio e video.
Hai un processo che potrebbe reggere un agente?
Raccontacelo in trenta minuti. Ti diciamo se serve un agente, un workflow con un passaggio AI o niente di tutto questo, e in ogni caso quanto costerebbe.