Un AI agent non è un chatbot più intelligente: è un sistema che persegue un obiettivo, usa strumenti e può compiere azioni su più passi. La differenza non è stilistica, è operativa. E cambia radicalmente requisiti di governance, dati e ownership.
La differenza pratica in tre punti
- Chatbot → risponde a una domanda, resta nel dialogo.
- Copilot → assiste l’utente in un task, ma l’azione finale resta umana.
- Agent → riceve un obiettivo, pianifica sotto-task, chiama tool/API, itera e può chiudere un ciclo (o una parte di esso).
Secondo analisi recenti (McKinsey, Gartner e survey 2026), una quota elevata di imprese dichiara di “avere agents”, ma solo una minoranza (spesso intorno all’11-14%) li ha in produzione vera su processi multi-step. Gartner prevede inoltre che oltre il 40% dei progetti agentic possa essere cancellato entro il 2027, soprattutto per valore poco chiaro, costi e controlli di rischio insufficienti.
Quando un agent ha senso (e quando no)
Ha senso quando:
- il processo ha passi ripetitivi e chiari;
- esistono tool/API affidabili (CRM, ERP, documentale, ticketing);
- il costo di errore è gestibile o c’è un checkpoint umano;
- c’è ownership chiara del risultato.
Ha poco senso (almeno all’inizio) quando:
- la conoscenza è caotica e non citabile;
- non esistono integrazioni stabili;
- il rischio di azione errata è alto e non mitigato;
- nessuno è responsabile del risultato finale.
In molte PMI il primo passo utile resta ancora un sistema di knowledge + ricerca/risposta governata. L’agent arriva dopo, quando il perimetro è solido.
I quattro requisiti che quasi tutti sottovalutano
-
Dati e conoscenza accessibili e aggiornati
L’agent amplifica errori di contesto esattamente come un RAG debole. -
Tool affidabili e permessi granulari
Se l’agent può scrivere o modificare, i permessi devono essere stretti e auditabili. -
Guardrail e human-in-the-loop
Punti di controllo espliciti prima di azioni irreversible o ad alto impatto. -
Metriche di successo diverse dal “funziona in demo”
Completamento task, tasso di intervento umano, errori, tempo ciclo, valore generato.
Un esempio anonimizzato: quando l’agent ha senso (e come si misura)
Caso A — riconciliazione fatture/ordini (analisi di fattibilità su dati reali).
Perimetro: circa 16.500 fatture passive e un volume simile di ordini. Qui non serve un chatbot: serve un workflow che propone match, evidenzia eccezioni e lascia la chiusura all’operatore.
Risultati di fattibilità su quel dataset:
- ~41% delle fatture chiudibile con sole regole deterministiche;
- ~61% includendo matching assistito da AI;
- 70–74% di copertura stimata con proposte assistite + ricerca documentale;
- ~96% di accuratezza sul sottoinsieme con riferimento d’ordine leggibile.
Metriche da produzione (quando si va oltre la fattibilità): % auto-match, % in coda umana, tempo medio di revisione, errori post-chiusura. L’agent (o il motore agentico) ha senso dopo regole, integrazioni ERP e coda di revisione — non al posto di questi pezzi.
Caso B — agente su data room / due diligence documentale.
Obiettivo: verificare completezza, estrarre entità, segnalare rischi, bozza report. Metriche sensate: checklist documenti mancanti chiusa in ore invece che giorni, % di finding con evidenza documentale, tasso di revisione umana sui finding ad alto rischio (100% all’inizio). Senza corpus ordinato e senza permessi granulari, l’agent amplifica il rumore.
In sintesi: gli agents pagano quando il processo è misurabile. Se non sapete cosa contare, non siete pronti all’autonomia.
Come introdurli senza cadere nel pilot purgatory
- Parti da un processo stretto e ad alto volume (es. classificazione + arricchimento ticket, preparazione report ricorrenti, screening preliminare richieste).
- Definisci l’obiettivo in termini di business, non di “avere un agent”.
- Limita i tool disponibili e i permessi.
- Inserisci checkpoint umani sui passi critici.
- Misura adozione e qualità con le stesse regole di qualsiasi altro progetto AI.
Gli agents non sostituiscono la necessità di conoscenza ordinata, ownership e misura. La amplificano.
FAQ
Gli agents sostituiranno i chatbot?
No. Risolvono casi diversi. Molti processi restano meglio serviti da ricerca assistita o da un copilota con supervisione umana.
Una PMI può usare agents in sicurezza?
Sì, se il perimetro è piccolo, i tool sono limitati e c’è un responsabile chiaro del risultato. Non serve partire da sistemi multi-agent complessi.
Qual è il rischio principale?
Azione non desiderata o propagazione di errori su più sistemi. Per questo i permessi e i checkpoint contano più del modello sottostante.
Serve un team di AI engineer?
Non necessariamente per i primi casi. Serve chiarezza di processo, dati accessibili e un partner o un team interno capace di integrare e governare.
Fonti
- McKinsey State of AI 2025: sperimentazione e scaling di AI agents.
- Gartner previsioni su agentic AI e tassi di cancellazione: 40% progetti a rischio cancellazione entro 2027.
- Analisi 2026 su gap adozione vs produzione (sintesi da survey enterprise).
Approfondisci nella serie
Se vuoi valutare se un processo della tua azienda è pronto per un agent (o se conviene restare su knowledge + assistente governato), facciamo un assessment mirato. Scrivici a info@zendata.it o visita zendata.it.
Pietro Ciattaglia, CEO di Zendata AI, Roma