Agentic AI per le aziende: cosa fa un agente AI e dove si inserisce

Un agente AI su Claude prende un compito ripetitivo e lo svolge in più passaggi. Agisce direttamente nei programmi che l'azienda usa già, come Zoho CRM, Zoho Desk o Zoho Books. Sul tema agentic AI per le aziende: cosa fa un agente AI e dove si inserisce dipende dal processo scelto, più che dal modello. L'agente rende quando un collega approva i passaggi delicati.

Questa guida è la prima parte di una serie di tre e spiega che cos'è un agente AI e a chi serve. La seconda parte, «Dal processo all'agente AI in 30 giorni: come si svolge un pilot», descrive le fasi del lavoro. La terza parte, «Perché un pilot con un agente AI è l'inizio giusto: risultati, costi, rischi», tratta i numeri e i rischi.

Il punto di partenza è semplice. Un modello linguistico da solo scrive e ragiona, ma non apre un ticket e non aggiorna un contatto. Diventa utile in azienda quando è collegato ai sistemi in cui vivono i dati. Servono poi regole chiare su cosa può leggere, cosa può scrivere e quando deve fermarsi a chiedere conferma.

Le sezioni che seguono rispondono a quattro domande pratiche. Che cosa distingue un agente da un assistente in chat. Come si collega ai programmi aziendali. Quali passaggi di un processo gli si possono affidare. Per quali aziende e ruoli conviene, e per quali no.

Un agente AI è un programma che riceve un obiettivo, chiama Claude senza una persona alla tastiera e usa strumenti collegati per completare il compito nei sistemi aziendali. L'agentic AI è la categoria di questi sistemi. Secondo IBM, è «un sistema di intelligenza artificiale in grado di raggiungere un obiettivo specifico con una supervisione limitata».

La differenza con l'AI generativa sta nell'azione. L'AI generativa produce contenuti nuovi, come testi, immagini o codice. Red Hat descrive l'agentic AI come proattiva e l'AI generativa come reattiva. L'AI generativa può essere un componente di un sistema agentic, ma da sola non agisce per completare un'attività.

Anche il modo di lavorare del modello cambia. L'AI generativa in genere esegue l'inferenza una volta, per produrre un paragrafo o un'immagine. Un agente ripete il ciclo più volte: legge l'esito di un passaggio e decide il successivo. Workday riassume il salto così: gli agenti AI «possono avviare decisioni, pianificare azioni ed eseguirle in modo autonomo».

Entrambe le forme usano i modelli linguistici di grandi dimensioni (LLM), cioè i modelli che comprendono e scrivono testo. Su Claude, tutti i modelli attuali supportano il tool use, cioè la capacità di chiamare strumenti esterni. Senza questa capacità un agente non potrebbe esistere.

Un agente AI è utile solo quanto i sistemi a cui è collegato. Red Hat descrive tre passaggi con cui l'agentic AI risolve un problema: percezione, pianificazione e azione. La percezione raccoglie i dati. La pianificazione scompone l'obiettivo in passi. L'azione modifica qualcosa in un sistema esterno.

Senza collegamenti manca il terzo passaggio. IBM osserva che gli LLM da soli non possono interagire direttamente con strumenti o database esterni, mentre gli agenti possono farlo. Red Hat precisa che senza MCP l'agentic AI può ragionare e pianificare, ma non può interagire con alcun sistema esterno. Il Model Context Protocol (MCP) è un protocollo open source che collega le applicazioni di AI ai servizi esterni con una comunicazione standard.

Anthropic distingue due ruoli complementari. Le connessioni MCP danno a Claude l'accesso agli strumenti, mentre le skill gli insegnano a usarli bene. Una skill è una cartella di istruzioni, script e risorse che Claude carica quando il compito lo richiede, come spiega la guida di Anthropic sulle skill. Claude carica solo le informazioni necessarie, così il contesto non si sovraccarica.

Svennis collega Claude ai programmi di un'azienda in modo esplicito. Per ogni collegamento costruisce un connector, un MCP server, un plugin o una skill. Presenta le opzioni con il loro costo e la scelta resta al cliente. Il lavoro parte dai sistemi vivi, con i loro permessi, e non da file esportati.

Un agente AI sull'API e Claude usato da una persona con un seat svolgono lavori diversi. Il seat è la licenza per persona di Claude Team o Enterprise. Con un seat, Claude esegue ogni passaggio quando un collega glielo chiede. Da febbraio 2026 può eseguire anche un'attività programmata.

Claude su un seat ha però tre limiti precisi. Non legge ogni email appena arriva. Non lavora a nome dell'azienda. Non segue regole testate. Questi tre compiti sono il lavoro di un agente AI.

L'agente gira sull'API, sull'account dell'azienda, e non richiede licenze per persona. Si paga il consumo, cioè quanto lavora Claude. Il consumo lo fattura il fornitore scelto tra Anthropic, AWS, Google Cloud e Microsoft. Le licenze Claude Team, invece, si pagano direttamente ad Anthropic.

La scelta segue l'origine del compito. Se il compito nasce da una persona che chiede aiuto, basta un seat. Se nasce da un evento, come un'email in arrivo o un ordine nuovo, e deve seguire sempre le stesse regole, serve un agente. Molte aziende usano entrambi: i seat per il lavoro individuale, l'agente per un processo con volumi costanti.

Un esempio concreto mostra dove si inserisce un agente AI: la gestione delle email di assistenza. Oggi un collega legge l'email, cerca il cliente nel CRM, apre il ticket e scrive la risposta. La pagina del Pilot A di Svennis cita un esempio in cui, con Claude su un seat, servono circa 12 minuti per email.

Con un agente sull'API, lo stesso processo segue questi passaggi:

1. L'email arriva nella casella dell'assistenza e l'agente la legge subito, senza attendere un collega.
2. L'agente classifica la richiesta per tipo e urgenza. Anthropic indica Claude Haiku 5.5 per compiti ad alto volume come classificazione, estrazione e smistamento.
3. L'agente cerca il mittente in Zoho CRM e legge i dati del cliente collegati alla richiesta.
4. L'agente apre il ticket in Zoho Desk con categoria e priorità già compilate.
5. Una skill con il tono e le regole dell'azienda guida la bozza di risposta.
6. Un collega approva la risposta prima che parta verso il cliente.

L'ultimo punto è il passaggio di approvazione. Il passaggio di approvazione è il punto in cui un collega conferma prima che l'azione dell'agente parta. Altri esempi sono il preventivo prima dell'invio al cliente o la fattura prima della registrazione in contabilità.

Due elementi rendono l'esempio affidabile in produzione. Il primo è il collegamento: nel Pilot A è incluso un nuovo MCP server con fino a 8 operazioni di lettura e scrittura. Il secondo è la verifica: l'agente viene provato su 100 casi di test presi dal lavoro reale, prima del go-live.

Un agente AI conviene sui passaggi ripetitivi con regole stabili e dati già presenti nei sistemi. Una persona resta necessaria dove serve giudizio, dove l'azione esce dall'azienda o dove un errore costa caro. La tabella riassume la divisione tipica in un processo di assistenza, vendita o amministrazione.

Passaggio del processo	Chi lo svolge	Motivo
Leggere e classificare le richieste in arrivo	Agente	Volume alto, criteri stabili
Cercare dati in CRM, helpdesk o contabilità	Agente	Sola lettura tramite il collegamento
Preparare ticket, bozze e preventivi	Agente	Testo basato su dati e istruzioni scritte
Inviare un preventivo o una risposta al cliente	Agente, dopo l'approvazione di un collega	L'azione esce dall'azienda
Registrare una fattura in contabilità	Agente, dopo l'approvazione di un collega	Effetto contabile difficile da annullare
Reclami, casi nuovi, decisioni commerciali	Persona	Servono giudizio e responsabilità
Regole fisse senza eccezioni	Automazione a regole	Un agente non aggiunge valore

L'ultima riga merita attenzione. Workday avverte che l'agentic AI potrebbe non essere sempre la risposta giusta. Per iniziative strettamente incentrate sull'automazione, i sistemi basati su regole possono essere più efficaci. Workday ricorda anche che l'efficacia di un agente dipende dalla qualità dei dati.

Salesforce chiama human-on-the-loop il modello in cui una persona interviene solo per approvazioni critiche o eccezioni complesse. È la forma a cui tende un agente ben impostato: l'agente fa il lavoro di routine, il collega decide sui casi che contano.

Il primo rischio di un agente AI nasce dalla sua stessa forza: l'accesso ai sistemi. Red Hat osserva che la capacità dell'agentic AI di accedere ai database esterni crea maggiori rischi per la sicurezza e la privacy. Un agente che può scrivere nel CRM può anche scrivere un dato sbagliato.

Il secondo rischio riguarda gli errori che si propagano. IBM nota che nei sistemi con più agenti autonomi ingorghi, colli di bottiglia e conflitti di risorse possono diffondersi a cascata. IBM aggiunge che la trasparenza totale è difficile da raggiungere, per la complessità dei modelli. Per questo conviene iniziare con un solo agente su un solo processo.

Le contromisure sono note. Workday indica protocolli di escalation, meccanismi di supervisione umana e cicli di feedback. Quando un agente si blocca, secondo IBM si interrompe il processo in stallo, si cancella la memoria o il contesto dell'agente e si perfeziona il prompt.

Il controllo più solido però si decide prima di scrivere una riga di istruzioni. In Svennis, prima di scrivere le istruzioni dell'agente, decidiamo con il responsabile del processo quali operazioni del MCP server scrivono e quali leggono soltanto. Così il passaggio di approvazione sta nel collegamento stesso e non dipende da una frase nel prompt.

Un agente AI è adatto alle aziende che hanno un compito ripetitivo, con volumi costanti, i cui dati vivono già in un sistema gestionale. IBM descrive lo stesso percorso: identificare workflow ripetitivi adatti all'automazione, configurare connessioni API sicure e avviare un programma pilota.

I segnali che indicano un buon candidato sono questi:

• un processo descritto in poche regole chiare, che un collega sa spiegare a voce;
• richieste che arrivano ogni giorno da email, moduli o ordini;
• dati del cliente già presenti in CRM, helpdesk o contabilità;
• una persona responsabile del processo, che approva e corregge;
• un tempo per singola pratica misurabile prima e dopo.

I ruoli che ne beneficiano di più sono il responsabile dell'assistenza, l'amministrazione e il back office commerciale. Sono le funzioni in cui molte pratiche si somigliano e il tempo si perde nel passaggio da un programma all'altro.

Un agente non è adatto quando il processo non esiste ancora per iscritto, quando i dati sono sparsi in fogli personali o quando le decisioni sono rare e sempre diverse. Workday ricorda che l'agentic AI è ancora in fase di sviluppo nella coordinazione tra più sistemi e nella pianificazione strategica a lungo termine. Per un esempio già in produzione, il nostro post sugli agenti AI con un caso reale in azienda mostra un service desk. Chi lavora nell'industria trova i processi del settore nella pagina sull'intelligenza artificiale per aziende di produzione.

Le aziende italiane usano già agenti AI su processi con volumi alti. La pagina di Salesforce sull'AI agentica riporta tre casi. Telepass gestisce 2 milioni di chiamate e 900.000 chat l'anno, e i suoi agenti risolvono autonomamente l'87% delle richieste. Euronics usa l'agente «Ronics» su un catalogo di 26.000 SKU e nel 2025 ha registrato un aumento del 13% nelle vendite online.

Il terzo caso riguarda Ferrovie dello Stato Italiane. Il gruppo ha lanciato una Foundation Agentica che unifica i dati di tutte le società. La roadmap prevede che, in caso di ritardi o cancellazioni, l'agente riprogrammi da solo il viaggio del passeggero. Sono progetti di grandi gruppi, ma il principio vale per una PMI: un agente parte da un processo preciso e da dati unificati.

La direzione del mercato è chiara. Secondo la previsione di Gartner citata da Workday, entro il 2028 un terzo delle soluzioni software aziendali includerà agenti AI, rendendo autonome fino al 15% delle decisioni quotidiane.

Per un'azienda italiana contano anche due aspetti di conformità. Il primo è dove vengono trattati i dati: la pagina del Pilot A consiglia Amazon Bedrock con l'impostazione UE, nei data center AWS di Francoforte e Irlanda. Il secondo è il quadro normativo europeo, che si trova nel testo annotato dell'AI Act, il Regolamento UE 2024/1689. Conviene verificare la classificazione del processo prima di affidarlo a un agente.

Il primo passo concreto è scegliere un solo processo, non una strategia generale. Per arrivare a una scelta fondata bastano poche verifiche interne:

1. Elencare tre o quattro compiti ripetitivi e stimare quante pratiche arrivano ogni settimana.
2. Indicare in quale sistema vivono i dati di ogni compito: CRM, helpdesk o contabilità.
3. Decidere, per ogni compito, il punto esatto in cui un collega deve approvare.
4. Misurare il tempo attuale per pratica, così il confronto dopo il pilot sarà oggettivo.

Per capire da dove partire, il questionario su quanto è pronta la Sua azienda per l'AI offre un primo quadro. L'offerta di Svennis segue quattro fasi: il Workshop, poi Pilot Claude A, un agente AI su Claude per un processo, oppure Pilot Claude B, Claude Team per tutto il team. Seguono l'Attivazione per reparto e la gestione operativa mensile.

Svennis costruisce l'agente descritto in questa guida con il Pilot Claude A, un agente AI su Claude in 30 giorni. Il prezzo del pilot non comprende il consumo del modello, che il fornitore scelto fattura sull'account dell'azienda con un budget fissato dall'inizio. I costi aggiornati sono nella pagina dei prezzi pubblicati per l'automazione dei processi. La seconda parte della serie descrive passo per passo come si svolgono i 30 giorni del pilot.