Agenti AI: cosa sono e come funzionano

Un agente AI è un software basato su un modello linguistico che, dato un obiettivo, decide da solo quali passi compiere per raggiungerlo: legge le informazioni disponibili, ragiona sul da farsi, usa strumenti esterni (email, CRM, database, API) e agisce, verificando il risultato a ogni passo. La differenza con un chatbot è netta: un chatbot risponde a una domanda e si ferma; un agente AI porta a termine un compito.

Detto in modo diretto: il chatbot parla, l'agente fa. Quando chiedi a un assistente "qual è lo stato dell'ordine 4821?", un chatbot ti dà una risposta a voce; un agente apre il gestionale, controlla l'ordine, verifica il tracking del corriere e — se gli hai dato il permesso — invia al cliente l'email di aggiornamento. Lo stesso modello linguistico sotto, ma con la capacità di agire nel mondo attraverso strumenti collegati.

In questa guida vediamo cos'è davvero un agente AI, come funziona il suo ciclo percepire–ragionare–agire, da cosa è fatto dentro, in cosa si distingue da chatbot e automazione classica, dove ha senso usarlo in azienda e — soprattutto — come tenerlo sotto controllo. Perché un agente potente con permessi sbagliati è un problema, non una soluzione.

Cosa significa "agente AI"

Il termine agente non è nuovo: in informatica indica da decenni un software che percepisce un ambiente e agisce su di esso per raggiungere un obiettivo. La novità degli ultimi anni è il "motore" dietro l'agente: un grande modello linguistico (un LLM) capace di capire istruzioni in linguaggio naturale, ragionare su un problema e decidere quale strumento usare.

Quattro capacità definiscono un agente AI, e vanno tutte insieme:

• Percepisce. Riceve un input dal contesto: una richiesta, una email, lo stato di un database, il risultato di una ricerca. Non opera al buio.
• Ragiona. Scompone l'obiettivo in passi, decide cosa fare prima e cosa dopo, sceglie quale strumento serve. È qui che il modello linguistico fa la differenza rispetto a uno script.
• Usa strumenti. Non si limita a generare testo: chiama funzioni esterne — interrogare un CRM, leggere un PDF, mandare una richiesta a un'API, eseguire una query — e ne riceve il risultato.
• Agisce verso un obiettivo. Compie azioni che cambiano qualcosa (scrive una bozza, aggiorna un campo, invia un messaggio) e ripete il ciclo finché l'obiettivo è raggiunto o serve l'intervento umano.

La distinzione utile è questa: un modello linguistico "puro" produce testo; un agente usa quel testo per decidere e per fare. Se gli togli gli strumenti, l'agente torna a essere un chatbot. Se gli togli l'obiettivo e l'orchestrazione, torna a essere una semplice chiamata al modello. È la combinazione a creare l'agente.

Come funziona un agente AI: il loop percepire–ragionare–agire

Quasi tutti gli agenti seguono lo stesso ciclo di base, ripetuto più volte fino al risultato. Capire questo loop è ciò che separa chi progetta agenti affidabili da chi spera che funzionino.

1. Obiettivo. L'agente riceve un compito espresso in linguaggio naturale: "prepara la risposta al reclamo del cliente X" oppure "qualifica questo lead e aggiorna il CRM". L'obiettivo deve essere chiaro e delimitato.
2. Percezione. Raccoglie il contesto necessario: legge la email, recupera lo storico del cliente, consulta i documenti rilevanti. Senza contesto, ogni passo successivo è una scommessa.
3. Ragionamento e pianificazione. Il modello scompone l'obiettivo in passi e decide il prossimo: "prima verifico l'ordine, poi controllo la policy resi, poi scrivo la bozza". Sceglie quale strumento usare per ciascun passo.
4. Azione (uso dello strumento). Chiama lo strumento scelto — query al gestionale, lettura di un file, chiamata a un'API — e attende il risultato. Questa è l'azione vera, quella che tocca i sistemi reali.
5. Osservazione. Legge il risultato dello strumento e lo confronta con l'obiettivo: ha ottenuto quello che serviva? L'ordine esiste? La policy permette il reso?
6. Iterazione o stop. Se l'obiettivo non è raggiunto, torna al ragionamento e fa il passo successivo. Se è raggiunto — o se serve un'approvazione umana — si ferma e consegna.

La parte interessante è il punto 6: l'agente decide da solo quanti passi servono. Un compito può richiederne due, un altro dieci. Questa flessibilità è la sua forza (gestisce casi che non avevi previsto) ed è anche il suo rischio (può andare in loop, sbagliare un passo e proseguire convinto). Per questo un agente ben fatto ha sempre un limite massimo di passi e dei punti in cui si ferma e chiede conferma.

Un esempio del loop, passo per passo

Obiettivo: "Un cliente scrive che non ha ricevuto l'ordine. Gestisci la richiesta."

1. Percepisce la email e capisce che si tratta di un mancato recapito.
2. Ragiona: serve il numero d'ordine → lo cerca nel testo o lo chiede.
3. Agisce: interroga il gestionale per lo stato dell'ordine.
4. Osserva: l'ordine risulta spedito ma fermo da 6 giorni.
5. Ragiona: controlla il tracking del corriere via API.
6. Agisce: ottiene "in giacenza".
7. Ragiona: la policy prevede di avvisare il cliente e aprire un sollecito al corriere.
8. Agisce (con approvazione): prepara la bozza di risposta e il sollecito, e li mette in coda per l'approvazione di un operatore.

Nessun passo è "intelligente" da solo. È la sequenza decisa al volo in base ai risultati che rende l'agente diverso da uno script rigido.

Di cosa è fatto un agente AI: l'anatomia

Sotto il cofano, un agente è la composizione di quattro componenti. Toglierne uno cambia la natura dello strumento.

Il punto da capire è che il modello da solo non basta. Un LLM senza strumenti è un chatbot; con strumenti ma senza orchestrazione è una scintilla senza guida. Il valore di un agente affidabile sta tanto negli strumenti che gli dai quanto nei limiti che gli imponi tramite l'orchestrazione: quanti passi al massimo, quali azioni richiedono conferma, quali dati può vedere.

La memoria: cosa ricorda davvero un agente

Un malinteso comune è pensare che l'agente "conosca" la tua azienda. Non è così: un modello generico sa parlare, ma non sa nulla dei tuoi clienti, prezzi o procedure. La conoscenza specifica arriva dalla memoria, di due tipi:

• Memoria di breve termine: il contesto della singola sessione, cioè i passi già fatti in questo compito. Serve a non ripetersi e a usare i risultati ottenuti.
• Memoria di lungo termine / conoscenza: l'accesso ai documenti aziendali (listini, policy, manuali) tramite tecniche come il RAG, che recupera i pezzi rilevanti al momento giusto.

Senza una buona memoria, anche l'agente più capace risponde con informazioni generiche o inventate. Con essa, ragiona sui tuoi dati.

Agente AI, chatbot e automazione classica: le differenze

Questi tre termini vengono spesso confusi, ma fanno cose diverse e si scelgono per ragioni diverse. Ecco il confronto.

Tradotto in pratica: l'automazione classica è perfetta quando il processo è prevedibile e sempre uguale — esporta un report ogni lunedì, sposta un file quando arriva. Il chatbot è perfetto per rispondere, non per fare. L'agente entra quando il compito richiede di interpretare qualcosa (un testo, una situazione) e poi agire di conseguenza, scegliendo i passi sul momento.

Se vuoi approfondire le sfumature tra i tre, c'è una guida dedicata alle differenze tra assistente, chatbot e agente. La regola spannometrica: se sai scrivere tutte le regole a mano, usa l'automazione classica; se ti servono parole, usa il chatbot; se ti serve che qualcuno decida e faccia, valuta l'agente.

A cosa serve un agente AI in azienda

Il valore di un agente in una PMI non è "fare cose futuristiche", ma togliere lavoro di coordinamento — quei compiti dove una persona salta tra software, copia dati, controlla, decide e inoltra. Ecco le funzioni aziendali dove gli agenti danno il ritorno più concreto.

• Assistenza clienti: l'agente legge la richiesta, recupera ordine e storico, prepara la risposta e — su casi semplici — la invia, lasciando all'operatore i casi delicati.
• Vendite: qualifica un lead in arrivo, lo arricchisce con dati pubblici, aggiorna il CRM e prepara il primo follow-up personalizzato.
• Back-office e amministrazione: legge un documento, estrae i dati, li inserisce nel gestionale e segnala le anomalie da controllare.
• Acquisti e operations: monitora scorte e scadenze, prepara ordini di riassortimento e li mette in coda per l'approvazione.
• Conoscenza interna: risponde alle domande dei colleghi attingendo ai documenti aziendali, citando la fonte, invece di interrompere chi sa.

Il filo comune è sempre lo stesso: l'agente gestisce la parte ripetitiva di coordinamento e a basso rischio, la persona mantiene il giudizio sui punti che contano. Quando questo equilibrio è chiaro, il ritorno si misura in ore liberate ed errori evitati. Per una mappa completa di processi, costi e priorità, la guida AI per aziende è il punto di partenza.

Esempi pratici

Tre scenari realistici di PMI e studi professionali italiani.

1. Studio commercialista — onboarding di un nuovo cliente. Arriva la documentazione di un nuovo cliente via email. Un agente legge i documenti, estrae partita IVA, codice fiscale e regime contabile, crea la scheda nel gestionale, prepara la lettera d'incarico nel formato dello studio e mette tutto in una coda "da verificare". Il commercialista controlla i dati estratti e approva. Il lavoro di data-entry, che prima rubava mezz'ora a pratica, si riduce a una revisione di pochi minuti. (Approfondimento dedicato: AI per commercialisti.)

2. E-commerce — gestione resi e tracking. Un cliente scrive per un ordine non arrivato. L'agente identifica l'ordine, controlla lo stato di spedizione via API del corriere, applica la policy resi e prepara la risposta corretta. Se il caso è standard (giacenza, ritardo noto), invia direttamente; se è anomalo (pacco smarrito, importo alto), lo passa a un operatore con già tutto il contesto pronto. Tempi di prima risposta che scendono da ore a minuti, senza moltiplicare il personale.

3. Azienda di servizi B2B — qualificazione lead. Ogni form compilato sul sito genera un lead. L'agente lo arricchisce (settore, dimensione azienda dai dati pubblici), valuta se rientra nel profilo target, aggiorna il CRM con un punteggio e — per i lead caldi — prepara una bozza di email personalizzata che il commerciale rivede e invia. Il team commerciale lavora i lead giusti per primi, invece di smistare a mano una casella piena.

In tutti e tre i casi vale la stessa regola dell'AI ben fatta: l'agente prepara ed esegue i passi reversibili, l'umano approva quelli a rischio. Non è "l'agente fa tutto da solo": è "l'agente fa il lavoro di coordinamento, la persona decide".

Come tenere sotto controllo un agente AI

Qui sta la parte che il marketing salta e che invece decide se un agente è utile o pericoloso. Un agente ha la capacità di agire sui tuoi sistemi: più questa capacità è ampia, più servono controlli. Il principio guida è uno: dai all'agente il minimo potere necessario per fare il suo lavoro, e niente di più.

Il controllo umano sui punti critici non è una mancanza di fiducia nella tecnologia: è il modo in cui un agente diventa utilizzabile sul serio in un'azienda dove gli errori hanno conseguenze. La domanda giusta non è "quanto è autonomo l'agente?" ma "su quali azioni mi fido di lasciarlo solo, e su quali voglio decidere io?".

Errori da evitare

• Dare all'agente troppi permessi "per comodità". È la causa numero uno dei problemi: un agente con accessi ampi può eseguire azioni non volute. Parti dal minimo e allarga solo se serve.
• Saltare l'approvazione sulle azioni a rischio. Lasciare che un agente invii email a clienti o tocchi pagamenti senza controllo significa accettare che un suo errore diventi un danno reale. Le azioni irreversibili passano sempre per una persona.
• Pretendere che conosca la tua azienda da solo. Un modello generico non sa nulla dei tuoi processi: va dotato di memoria, documenti (via RAG) e istruzioni chiare. Senza contesto, inventa.
• Costruire un agente su un processo non definito. Se il flusso cambia ogni volta ed è solo nella testa delle persone, l'agente non ha una struttura su cui ragionare. Prima si mappa il processo, poi si automatizza.
• Non misurare niente. Senza un "prima" e un "dopo" (ore, errori, tempi di risposta) non saprai se l'agente sta dando valore o solo l'impressione di modernità. Ogni agente in produzione va misurato.

Come applicarlo in azienda

Introdurre un agente in modo sensato è un percorso ripetibile, non un grande progetto da reparto IT. Vale lo stesso metodo di qualsiasi automazione: parti piccolo, misura, estendi.

1. Scegli un processo con passi ripetibili. Cerca un'attività dove una persona salta tra software, copia dati e decide in base a regole quasi sempre uguali. È il terreno ideale per un agente.
2. Definisci obiettivo e confini. Cosa deve ottenere l'agente, e cosa non deve toccare. Un perimetro stretto all'inizio è una garanzia, non un limite.
3. Collega gli strumenti minimi. Dai accesso solo ai sistemi che servono per quel compito: la casella email, una parte del CRM, una specifica API. Niente di più.
4. Metti il controllo umano sui punti critici. Decidi in anticipo quali azioni l'agente può fare da solo e quali richiedono approvazione. Soprattutto nei primi mesi, tieni stretto.
5. Misura, correggi, estendi. Confronta i numeri prima/dopo. Se l'agente fa risparmiare ore senza errori gravi, allarga il perimetro un passo alla volta; se no, rivedi obiettivo o strumenti.

Questo è esattamente il tipo di lavoro per cui esiste una consulenza: capire dove un agente porta valore reale, progettarne obiettivo, strumenti e controlli, e collegarlo ai sistemi che già usi senza creare rischi. Un agente non è un prodotto da accendere: è un processo aziendale ben disegnato a cui si dà un motore.

Conclusione

Un agente AI non è un chatbot più potente né magia: è un software che, dato un obiettivo, percepisce, ragiona, usa strumenti e agisce, ripetendo il ciclo finché ha finito. La sua forza — decidere i passi da solo in base alla situazione — è anche la ragione per cui va governato con permessi minimi, azioni reversibili di default e controllo umano sulle operazioni a rischio. Per una PMI il vantaggio non arriva dall'"avere un agente", ma dallo scegliere un processo con passi ripetibili, dargli strumenti e limiti chiari, e misurare il risultato. Da qui puoi proseguire con le differenze tra assistente, chatbot e agente e con l'automazione AI per vedere come questi mattoni diventano flussi reali.

Se vuoi passare dai test con ChatGPT a un sistema AI integrato nei processi aziendali, Giallo Studio progetta agenti e automazioni su misura — e nel The Lab trovi gli esperimenti che li alimentano. Per capire da quale processo partire, anche l'automazione dei processi aziendali è un buon primo passo.