Agenti AI: cosa sono e quando servono davvero (e quando no)

Un agente AI è un sistema in cui un modello linguistico decide da sé quali passi compiere e quali strumenti usare (leggere email, interrogare un gestionale, compilare un modulo) per arrivare a un obiettivo, controllando il risultato a ogni passo. Serve nei processi con input variabili e molte eccezioni; nei processi con regole fisse uno script o un’automazione tradizionale è più economico e affidabile.

«Agente» è diventata la parola più usata, e più abusata, dell’intelligenza artificiale applicata alle aziende. Dietro c’è un’idea concreta e utile: un sistema che non si limita a rispondere, ma porta a termine un compito usando gli strumenti che gli mettete a disposizione. In questa guida diamo una definizione operativa, vediamo esempi reali e, soprattutto, i casi in cui un agente non serve.

Agenti AI: una definizione operativa

Un agente AI è un sistema composto da quattro elementi.

Un modello linguistico, che interpreta la richiesta, ragiona sul caso e decide cosa fare.
Strumenti: funzioni che l’agente può chiamare per leggere o agire, come cercare in un archivio, leggere una casella email, interrogare il gestionale, compilare un modulo, aprire un ticket.
Un ciclo decisionale: l’agente sceglie un’azione, ne osserva il risultato e decide il passo successivo, finché l’obiettivo è raggiunto o finché si ferma per chiedere aiuto.
Memoria: lo stato del lavoro in corso (cosa ha già fatto, cosa ha trovato) e, quando serve, informazioni conservate fra un compito e l’altro.

La distinzione più utile è quella proposta da Anthropic fra workflow e agenti. Nei workflow il modello linguistico e gli strumenti sono orchestrati lungo percorsi definiti dal codice: i passi li decide chi programma. Negli agenti è il modello a decidere dinamicamente i passi e l’uso degli strumenti. Molti progetti chiamati «agenti» sono in realtà workflow, ed è spesso un bene: sono più prevedibili ed economici.

Agente, chatbot e automazione a regole

Caratteristica	Chatbot	Automazione a regole (RPA, Zapier, Make)	Agente AI
Cosa fa	Risponde a domande	Esegue una sequenza di passi fissa	Porta a termine un compito scegliendo i passi
Chi decide i passi	Nessuno: c’è un solo passo, la risposta	Chi ha configurato il flusso	Il modello, entro i limiti fissati
Input gestiti	Testo libero	Dati strutturati e prevedibili	Testo libero, documenti, casi diversi fra loro
Eccezioni	Non pertinenti: non esegue azioni	Si blocca o sbaglia in silenzio	Le gestisce o chiede aiuto, se progettato per farlo
Costo per operazione	Basso	Molto basso	Variabile, più alto
Prevedibilità	Media	Alta	Più bassa: richiede controlli

La regola pratica: se sapete scrivere il diagramma di flusso del processo e i dati arrivano sempre nello stesso formato, un’automazione a regole è più affidabile. L’agente serve quando l’input è variabile e le eccezioni sono la norma.

MCP, spiegato semplice

Il Model Context Protocol (MCP) è uno standard aperto per collegare le applicazioni di intelligenza artificiale a sistemi esterni: archivi di file, database, strumenti, servizi. La documentazione ufficiale lo paragona a una porta USB-C: come la USB-C ha standardizzato il collegamento fra dispositivi, MCP standardizza il collegamento fra applicazioni AI e sistemi aziendali.

Introdotto da Anthropic alla fine del 2024, nel dicembre 2025 è stato donato alla Agentic AI Foundation, un fondo costituito presso la Linux Foundation con Block e OpenAI fra i cofondatori. Oggi è supportato da applicazioni come Claude e ChatGPT e da ambienti di sviluppo come Visual Studio Code e Cursor.

Il funzionamento è semplice da descrivere: da una parte c’è l’applicazione AI, che fa da client; dall’altra uno o più server MCP, piccoli programmi che espongono in modo standard i dati e le azioni di un sistema, per esempio «cerca un cliente» o «crea una bozza di fattura». Per un’azienda il vantaggio è concreto: un connettore MCP verso il vostro gestionale, scritto una volta, può essere usato da applicazioni AI diverse, senza rifare l’integrazione per ciascuna. La cautela è altrettanto concreta: un server MCP è software che dà accesso ai vostri dati e va valutato come qualsiasi integrazione, per permessi, autenticazione e provenienza.

Agenti AI in azienda e negli studi: esempi concreti

Smistamento di email e PEC

L’agente legge i messaggi in arrivo, riconosce il tipo di richiesta e il mittente, recupera dal gestionale la pratica collegata, prepara una bozza di risposta o assegna il messaggio alla persona giusta. Le comunicazioni con scadenze o effetti legali vengono evidenziate e restano alla decisione di una persona.

Ticket di assistenza

Su un ticket, l’agente cerca nella documentazione e nello storico, verifica lo stato dell’ordine o del contratto, propone la soluzione e, per i casi standard, la applica: per esempio rigenera un documento o reimposta un accesso. I casi fuori standard passano a un operatore con il riepilogo già pronto.

Preparazione delle pratiche

In uno studio di consulenti del lavoro o di commercialisti, l’agente raccoglie i documenti del cliente, verifica cosa manca rispetto alla checklist, estrae i dati necessari e precompila la pratica. La verifica finale e l’invio restano al professionista.

Riconciliazioni

L’agente abbina movimenti bancari e documenti contabili, gestendo le descrizioni scritte in modo incoerente, i pagamenti cumulativi e i riferimenti parziali, che mettono in difficoltà le regole fisse. Propone gli abbinamenti con il motivo della scelta; le partite incerte finiscono in una lista per la revisione.

Human-in-the-loop, guardrail, log e audit

Un agente in produzione va progettato più come un nuovo collaboratore con accessi limitati che come un software qualsiasi.

Human-in-the-loop, cioè la persona dentro il ciclo. Per ogni azione si decide il livello di autonomia: l’agente propone e una persona approva; l’agente esegue ma una persona può annullare; l’agente esegue da solo. Il terzo livello va riservato ad azioni reversibili e a basso impatto. OWASP, punto di riferimento internazionale per la sicurezza delle applicazioni, raccomanda l’approvazione umana per le azioni ad alto impatto.

Guardrail, cioè i limiti invalicabili:

permessi minimi: solo gli strumenti e i dati necessari, in sola lettura quando basta;
strumenti specifici invece di strumenti generici come l’esecuzione libera di comandi;
autorizzazioni verificate dai sistemi di destinazione, non affidate al giudizio del modello;
limiti espliciti su importi, destinatari, numero di azioni;
attenzione alla prompt injection: un’email o un documento possono contenere istruzioni scritte apposta per deviare l’agente, e il sistema deve trattare quei contenuti come dati, non come ordini.

Log e audit. Ogni passo va registrato: cosa l’agente ha letto, quale strumento ha chiamato, con quali parametri, cosa ha ottenuto e perché ha deciso. Senza log non si può verificare un errore, migliorare il sistema o rispondere a un cliente che chiede cosa è successo alla sua pratica.

Nei sistemi che gestiamo in produzione per i nostri progetti, agenti AI che ogni giorno lavorano su oltre 30 siti web tra redazione, SEO e controlli di sicurezza, la lezione più costante è proprio questa: la parte che richiede più cura non è il modello, ma i permessi, i registri e i controlli su ciò che l’agente può toccare.

Costi variabili

Un’automazione a regole costa più o meno lo stesso a ogni esecuzione. Un agente no: ogni compito richiede un numero diverso di passi, ogni passo consuma testo in ingresso e in uscita, e un caso difficile può richiedere più tentativi. Anthropic lo dice chiaramente: i sistemi ad agenti scambiano latenza e costo con migliori risultati sul compito, e l’autonomia porta con sé il rischio di errori che si sommano.

Per tenere i costi sotto controllo servono un tetto di spesa e di passi per singolo compito, il monitoraggio dei consumi, e la scelta di modelli più piccoli per i passi semplici. Il confronto va fatto con il costo reale dell’alternativa, manuale o automatica; per una prima stima potete usare il nostro calcolatore del ROI.

Quando un agente non serve

Diciamolo con chiarezza: in molti casi un agente è la soluzione sbagliata.

Processi deterministici. Se il processo segue regole fisse su dati strutturati, uno script o un’automazione a regole fa lo stesso lavoro, costa meno, è più veloce e sbaglia in modo prevedibile.
Volumi bassi. Se il compito capita poche volte al mese, progettare, testare e mantenere un agente raramente si ripaga.
Nessun criterio di successo. Se non sapete dire quando il compito è fatto bene, non saprete nemmeno valutare l’agente.
Tolleranza zero all’errore senza possibilità di revisione. Se un errore è irreversibile e non c’è modo di inserire un controllo umano, l’autonomia è un rischio che non vale la pena correre.
Basta una risposta. Se il bisogno è trovare informazioni nei documenti, un assistente basato su ricerca documentale è più semplice: lo spieghiamo nella guida su come funziona un assistente RAG.

Spesso la soluzione migliore è mista: script per le parti deterministiche, un modello linguistico solo nei punti in cui serve interpretare testo libero o gestire eccezioni.

Checklist: il vostro processo è adatto a un agente?

Rispondete sì o no:

il processo riceve input non strutturati o molto variabili (email, documenti, richieste scritte liberamente)?
le eccezioni sono frequenti e oggi assorbono una parte significativa del tempo?
il volume è abbastanza alto da giustificare progettazione e manutenzione?
sapete definire quando il risultato è corretto, con esempi concreti?
i sistemi coinvolti hanno API o connettori utilizzabili, MCP compreso?
potete concedere permessi limitati, idealmente in sola lettura per iniziare?
le azioni a impatto possono passare da un’approvazione umana senza vanificare il risparmio?
gli errori sono rilevabili e correggibili prima che producano danni?
c’è una persona responsabile del processo che può seguire il periodo di prova?
avete misurato tempi e costi attuali, per confrontarli dopo?

Con molti sì, il processo è un buon candidato. Se le prime due risposte sono no, probabilmente vi serve uno script, non un agente. Se volete una valutazione sul vostro caso, è il lavoro che facciamo nei progetti di agenti AI e di integrazione dei modelli linguistici nei sistemi esistenti.

Domande frequenti

Agenti AI cosa sono, in parole semplici?

Sono programmi in cui un modello linguistico riceve un obiettivo e decide da sé i passi per raggiungerlo, usando strumenti come email, database o gestionali, e verificando il risultato di ogni passo prima di proseguire.

Che differenza c’è fra un agente AI e Zapier o Make?

Zapier, Make e gli strumenti RPA eseguono sequenze di passi definite in anticipo: se X allora Y. Un agente sceglie i passi in base al caso, quindi gestisce richieste scritte in modo libero e situazioni impreviste. Per processi stabili e ben definiti, le automazioni a regole restano la scelta migliore.

Un agente AI può agire senza controllo umano?

Tecnicamente sì, ma va deciso azione per azione. Le operazioni reversibili e a basso impatto possono essere eseguite in autonomia; pagamenti, invii a clienti, modifiche di dati ufficiali dovrebbero richiedere un’approvazione umana, con ogni passo registrato nei log.

Quanto costa far lavorare un agente AI?

Il costo è variabile: dipende da quanti passi servono per ogni pratica, da quanto testo il modello legge e da quante volte deve riprovare. Per questo si fissano un budget per singola operazione e un monitoraggio dei consumi, e si confronta il costo con quello del lavoro manuale o di uno script.

Fonti