Tutti gli Articoli
AI & InnovazioneNov 11, 202615 min

AI Agent per le Aziende: Dove Funzionano in Produzione, Dove Bruciano Budget e Come Decidere

Ogni fornitore di software oggi vende un agente. La maggior parte delle aziende si fa ancora la domanda sbagliata: quale piattaforma? La domanda giusta è quale processo, con quale livello di autonomia, a quale costo per caso risolto. Questo è il filtro che uso con i comitati di direzione, con i dati che lo sostengono.

Michele Cimmino

CEO & Fondatore · Lasting Dynamics

Gli AI agent per le aziende oggi si ripagano su un solo tipo di lavoro: attività ripetitive e ad alto volume, in cui una risposta sbagliata può essere intercettata da un controllo e annullata a basso costo, e in cui l'agente raggiunge dati e sistemi attraverso interfacce vere. L'assistenza clienti su una knowledge base curata, i ticket dell'IT service desk, l'acquisizione di documenti e le riconciliazioni di back office sono i casi più chiari. Bruciano budget sul lavoro aperto, che attraversa molti sistemi e ha conseguenze irreversibili, sui processi a basso volume e ovunque sia ambigua la regola stessa. Decidete processo per processo con cinque test, partite da un livello di autonomia basso e misurate il costo per caso risolto, non per conversazione.
Questa è la risposta breve. Quella lunga conta perché il mercato fa molto rumore e i numeri fanno riflettere. Gartner prevede che oltre il 40% dei progetti di agentic AI sarà cancellato entro la fine del 2027, e il sondaggio McKinsey del 2025 ha rilevato che non più del 10% delle aziende sta scalando agenti in una singola funzione aziendale. La distanza tra la demo e il sistema in produzione è il punto in cui finisce la maggior parte dei soldi.

A chi serve questa guida

Siete COO, CIO, CTO o CEO-fondatori di un'azienda di medie dimensioni, probabilmente in finanza, assicurazioni, sanità o energia. Un fornitore, un consigliere o il vostro stesso team vi spinge a "fare qualcosa con gli agenti" e dovete decidere da dove partire, quanto spendere e cosa può andare storto. Uso agenti ogni giorno nello sviluppo software della mia azienda, e quest'anno la domanda emerge in quasi ogni conversazione con un comitato di direzione. Quello che segue è un metodo, non un prodotto.

Cos'è un AI Agent, e Cosa i Fornitori Chiamano Così

Un AI agent (o agente AI) è un software basato su un modello linguistico che riceve un obiettivo, decide quali passi compiere, usa strumenti (il CRM, il sistema di ticketing, un database, una casella email) per eseguirli, guarda i risultati e continua finché l'obiettivo è raggiunto o si arrende. La differenza rispetto a un chatbot è l'azione: il chatbot risponde, l'agente fa. La differenza rispetto all'automazione classica è il giudizio: un workflow segue il percorso che avete disegnato, un agente sceglie il proprio percorso entro i limiti che fissate.
TipoCosa faQuando si rompeUso tipico
Chatbot a regoleRisponde con flussi predefinitiCon qualsiasi domanda fuori copioneFAQ, orari, stato dell'ordine
Bot RPARipete clic e digitazioni fisse sulle schermateQuando cambia una schermata, un campo o una regolaCopiare dati tra sistemi legacy
Automazione di workflow (Zapier, n8n, Power Automate)Esegue una sequenza predefinita di chiamate APIQuando il caso non rientra nella sequenzaSmistamento lead, notifiche, approvazioni semplici
Assistente LLM (copilot)Scrive bozze di testo o codice per una personaQuando nessuno controlla la bozzaBozze email, sintesi, suggerimenti di codice
AI agentPianifica, usa strumenti, agisce, verifica, ripeteSu compiti lunghi, ambigui, multi-sistemaRisoluzione ticket di assistenza, triage, acquisizione documenti
Attenzione alle etichette. Gartner mette in guardia dall'agent washing: fornitori che ribattezzano chatbot, RPA e assistenti come agenti. La sua stima, riportata da Reuters il 25 giugno 2025, è che solo circa 130 delle migliaia di aziende che vendono agentic AI offrano capacità davvero agentiche. Chiedete a ogni fornitore di mostrarvi l'agente che sceglie tra due strumenti su un caso mai visto, e il log di cosa ha fatto. Se non c'è scelta e non c'è log, è un workflow con un modello linguistico sopra: magari è proprio quello che vi serve, a un prezzo più basso.

Cosa Dicono i Dati nel 2026

La ricerca sugli agenti in azienda è giovane e in buona parte scritta dai fornitori. Questi sono i numeri indipendenti su cui mi baso, ciascuno con la sua data, perché questo mercato cambia ogni trimestre.
FonteDataRisultato
Gartner (via Reuters)Giugno 2025Oltre il 40% dei progetti di agentic AI sarà cancellato entro fine 2027 per costi crescenti e valore di business poco chiaro
Gartner (via Reuters)Giugno 2025Entro il 2028 il 33% delle applicazioni software enterprise includerà agentic AI e almeno il 15% delle decisioni di lavoro quotidiane sarà preso in autonomia
McKinsey, The State of AI 2025Nov 2025 (sondaggio su 1.993 persone, giugno–luglio 2025)Il 23% delle organizzazioni sta scalando un sistema di agentic AI da qualche parte, il 39% sperimenta; non più del 10% scala agenti in una singola funzione
MIT NANDA, The GenAI Divide (via Fortune)Ago 2025Circa il 95% dei piloti di AI generativa in azienda non produce un'accelerazione rapida dei ricavi; i ritorni maggiori arrivano dall'automazione del back office
Benchmark TheAgentCompany (Carnegie Mellon e altri)2025In un'azienda software simulata, il miglior agente ha completato in autonomia il 30% di compiti d'ufficio realistici
Moffatt v Air Canada, 2024 BCCRT 149Feb 2024Un'azienda risponde di ciò che il suo chatbot dice ai clienti, esattamente come di qualsiasi altra pagina del suo sito
Letti insieme, questi numeri dicono tre cose. L'adozione è reale ma superficiale: sperimentare è comune, scalare dentro una funzione è raro. L'autonomia sul lavoro complesso è ancora debole: un tasso di completamento del 30% su compiti realistici a più passi è una ricerca notevole e un sistema di produzione inaccettabile. E i ritorni si concentrano dove il lavoro è stretto e ripetitivo, che raramente è dove va il budget per primo. Il MIT ha rilevato che oltre metà dei budget di AI generativa va a strumenti per vendite e marketing, mentre i ritorni maggiori stanno nel back office.

Due Storie che Ogni Consiglio di Amministrazione Dovrebbe Conoscere

Klarna: il caso di successo con un secondo capitolo

Nel febbraio 2024 Klarna ha annunciato che il suo assistente AI, costruito con OpenAI, aveva gestito 2,3 milioni di conversazioni con i clienti nelle prime quattro settimane: due terzi di tutte le chat di assistenza, in 35 lingue, svolgendo il lavoro di 700 operatori a tempo pieno. Il tempo di risoluzione è sceso da 11 minuti a meno di 2, le richieste ripetute sono calate del 25% e l'azienda prevedeva un miglioramento dell'utile di 40 milioni di dollari nel 2024. Resta uno dei deployment di agenti meglio documentati nell'assistenza clienti.
Il secondo capitolo è altrettanto utile. Nel maggio 2025 il CEO ha detto a Bloomberg che Klarna avrebbe garantito ai clienti la possibilità di parlare sempre con una persona, e che investire nella qualità del supporto umano era la strada per il futuro, riconoscendo che la spinta AI-first era costata qualità. La lezione non è che l'agente abbia fallito: ha retto i volumi. La lezione è che l'obiettivo di progetto era il costo per conversazione, mentre all'azienda serviva la qualità per cliente. Progettate per il risultato che vi interessa davvero e tenete aperta una via verso una persona fin dal primo giorno.

Air Canada: l'agente parla a nome dell'azienda

Nel caso Moffatt v Air Canada (Civil Resolution Tribunal della British Columbia, 14 febbraio 2024) il chatbot del sito della compagnia ha detto a un passeggero in lutto che poteva chiedere la tariffa per lutto dopo il viaggio. La pagina ufficiale della policy diceva il contrario. Air Canada ha sostenuto di non poter rispondere di ciò che diceva il chatbot. Il tribunale non è stato d'accordo: un'azienda è responsabile di tutte le informazioni sul suo sito, che arrivino da una pagina statica o da un chatbot, e ha riconosciuto al passeggero 812,02 dollari canadesi.
La cifra è piccola. Il principio no. Qualsiasi cosa il vostro agente dica o faccia davanti a un cliente, l'ha detta o fatta la vostra azienda. In Europa l'asticella è ancora più alta: dal 2 agosto 2026 l'articolo 50 dell'AI Act impone di informare le persone quando interagiscono con un sistema di AI. Responsabilità e trasparenza vanno nel progetto dell'agente, non in un disclaimer aggiunto alla fine.

Il Filtro in Cinque Test per gli Agenti

Prima di scegliere una piattaforma, prendete i processi candidati, dieci se potete, e passate ciascuno attraverso cinque test. Lo chiamo il Filtro in Cinque Test. Un processo che li supera tutti e cinque è un buon primo agente. Un processo che ne fallisce due o più è un progetto che probabilmente finirà nel 40% di Gartner.
  1. Volume. Il processo gira centinaia o migliaia di volte al mese? Gli agenti hanno costi fissi (integrazione, valutazione, monitoraggio) che solo il volume ripaga. Un compito fatto venti volte al mese costa meno se lo fa una persona.
  2. Verificabilità. Una regola, un secondo modello o un rapido sguardo umano possono dire se il risultato è giusto? Se l'unico modo per controllare una risposta è rifare il lavoro, l'agente non fa risparmiare nulla.
  3. Reversibilità. Quanto costa un'azione sbagliata, e si può annullare? Scrivere una bozza di risposta è reversibile. Emettere un rimborso, modificare una polizza, trasferire denaro o cancellare dati di solito no.
  4. Raggiungibilità. L'agente può raggiungere dati e sistemi che gli servono tramite API stabili con permessi adeguati? Se la risposta è fare screen scraping di un sistema legacy, sistemate prima le tubature.
  5. Tasso di eccezioni. Quale quota di casi esce dalle regole documentate? Sotto circa un caso su cinque, l'agente gestisce la routine e passa il resto a una persona. Sopra, state automatizzando l'ambiguità.
TestSuperato quandoSegnale d'allarme
VolumeCentinaia di casi al mese o più, domanda stabileSolo picchi stagionali, o meno di cinquanta casi al mese
VerificabilitàRisultati controllabili con regole, campioni o un secondo modelloSolo un esperto che rifà il lavoro può giudicarlo
ReversibilitàLe azioni sbagliate costano poco e si annullanoSoldi, contratti, salute o status legale cambiano con un clic
RaggiungibilitàAPI, dati puliti, permessi per ruoloScreen scraping, credenziali condivise, dati su fogli Excel
Tasso di eccezioniLa maggior parte dei casi segue regole scritteLe policy vivono nella testa delle persone e cambiano ogni settimana

Il test che uccide la maggior parte dei progetti

Nella mia esperienza è la verificabilità a decidere. I team si entusiasmano per un processo con volumi enormi, poi scoprono che nessuno sa dire in fretta se l'output dell'agente è giusto. Se non potete misurare l'accuratezza dal primo giorno, non potete migliorarla, non potete difenderla davanti a un auditor e non potete dimostrare il risparmio al vostro CFO. Costruite la chiave di correzione prima di costruire l'agente.

Dove gli Agenti Funzionano Oggi, e Dove Bruciano Budget

Applicato ai processi reali, il filtro produce una mappa abbastanza costante. Il sondaggio McKinsey indica che l'uso di agenti è più diffuso nell'IT, per esempio nella gestione del service desk, e nella gestione della conoscenza, per esempio nella ricerca approfondita. Lo studio del MIT indica l'automazione del back office come fonte dei ritorni più alti. La mia esperienza conferma entrambe le cose.
ProcessoAdatto oggiPerché
Assistenza clienti di primo livello su knowledge base curataMoltoVolumi alti, risposte verificabili sulle fonti, passaggio a una persona semplice
IT service desk (reset password, richieste di accesso, triage)MoltoRipetitivo, basato su regole, sistemi già dotati di API
Acquisizione documenti (fatture, moduli sinistro, pratiche KYC)MoltoEstrazione validabile con regole e campioni; le eccezioni le approva una persona
Ricerca interna nella conoscenza aziendale e dossierBuonoRischio basso, l'output lo legge un dipendente prima dell'uso
Ricerca commerciale e preparazione degli incontriBuonoBozze per una persona, nessuna azione verso l'esterno
Decisioni su sinistri o creditiSolo supportoIrreversibili per il cliente, regolamentate, in diversi casi ad alto rischio per l'AI Act
Operazioni aperte multi-sistema ("gestisci gli acquisti")DeboleLunghe catene di passi moltiplicano gli errori; i benchmark mostrano completamenti bassi
Negoziazione, reclami, clienti vulnerabiliRestano alle personeGiudizio, empatia e responsabilità contano più della velocità
Lo schema dietro la tabella è semplice. Gli agenti sono forti dove il lavoro è stretto e il controllo costa poco. Sono deboli dove gli errori si sommano su molti passi: se ogni passo di un compito in dieci passi è giusto nel 95% dei casi, l'intera catena è giusta solo nel 60% circa. È questa aritmetica, non l'intelligenza del modello, a rendere deludente l'autonomia senza confini.
  • I progetti che bruciano budget di solito partono dalla piattaforma: prima si compra la licenza, poi si cerca il caso d'uso.
  • Automatizzano un processo rotto: l'agente eredita regole poco chiare e le riproduce più in fretta.
  • Misurano l'attività, non i risultati: conversazioni gestite invece di casi risolti senza un secondo contatto.
  • Saltano il lavoro di integrazione: l'agente sa parlare ma non raggiunge i sistemi dove il lavoro si fa davvero.

La Scala dell'Autonomia: Decidere Quanto Può Fare l'Agente

La seconda decisione, dopo il processo, è quanta libertà dare all'agente. La maggior parte dei fallimenti nasce dal partire in cima alla scala. Uso quattro livelli e porto un processo al livello successivo solo quando i dati del precedente lo giustificano.
  1. Livello 1 — Suggerire. L'agente propone una risposta o un'azione; una persona decide e agisce. Zero rischio esterno, apprendimento immediato sull'accuratezza.
  2. Livello 2 — Bozza da approvare. L'agente prepara l'azione completa (la risposta, l'aggiornamento del ticket, il record estratto); una persona approva con un clic. È qui che la maggior parte dei processi dovrebbe passare i primi mesi.
  3. Livello 3 — Agire con finestra di annullamento. L'agente agisce da solo sui casi a basso rischio, entro limiti (importi, segmenti di clientela, tipi di caso), con log e un modo semplice per tornare indietro.
  4. Livello 4 — Agire entro limiti, controllo a posteriori. L'agente agisce in autonomia su una classe definita di casi; le persone rivedono campioni ed eccezioni. Da riservare ai processi con mesi di accuratezza misurata.
Ogni livello ha la sua metrica di successo. Ai livelli 1 e 2 misurate il tasso di approvazione senza modifiche: quando per un tipo di caso le persone accettano la bozza dell'agente invariata nove volte su dieci, quel tipo di caso è candidato al livello 3. Ai livelli 3 e 4 misurate annullamenti, reclami e secondi contatti. Scrivete la regola di promozione prima di iniziare il pilota, così la decisione di dare più autonomia si basa sui dati e non sull'entusiasmo.

Quanto Costa Davvero un AI Agent

I prezzi dei fornitori convergono sull'uso. Questi sono i listini pubblici di due delle piattaforme più grandi, verificati l'11 novembre 2026. Sono un riferimento utile anche se costruite da soli, perché mostrano quanto il mercato ritiene valga un'unità di lavoro di un agente.
PiattaformaUnità di prezzoPrezzo di listinoFonte, data di verifica
Intercom Fin (agente di assistenza)Per risultato0,99 USDintercom.com/pricing, 11 nov 2026
Salesforce AgentforcePer conversazione2,00 USDsalesforce.com/agentforce/pricing, 11 nov 2026
Salesforce Agentforce (Flex Credits)Per azione standard (20 crediti; 500 USD ogni 100.000 crediti)0,10 USDsalesforce.com/agentforce/pricing, 11 nov 2026
Salesforce Agentforce (Flex Credits)Per azione vocale (30 crediti)0,15 USDsalesforce.com/agentforce/pricing, 11 nov 2026
La licenza raramente è il costo maggiore. Il numero che conta è il costo per caso risolto: tutto quello che spendete per l'agente in un mese, diviso per i casi che ha chiuso correttamente senza un secondo contatto né una correzione umana. Una conversazione gestita male non è un risparmio: è un costo, più una seconda conversazione, più a volte un reclamo.
  • Integrazione: collegare l'agente ai sistemi con permessi corretti. Nelle aziende con molto legacy è spesso il costo una tantum più alto.
  • Valutazione: costruire e mantenere un insieme di casi reali con le risposte corrette, ed eseguirlo dopo ogni cambio di modello, prompt o policy.
  • Revisione umana: il tempo che le persone passano ad approvare bozze ai livelli 1 e 2 e a campionare ai livelli 3 e 4.
  • Escalation e rifacimenti: i casi che l'agente passa a una persona, più quelli sbagliati che qualcuno ha dovuto correggere.
  • Monitoraggio e responsabilità: un responsabile con nome e cognome, cruscotti, gestione degli incidenti e revisione periodica dei log.
Un esempio illustrativo, con numeri da sostituire con i vostri. Un team di assistenza riceve 10.000 ticket al mese. Un agente pagato a risultato ne risolve correttamente 5.000 a 0,99 dollari l'uno, circa 5.000 dollari al mese. Aggiungete un responsabile part-time, le esecuzioni di valutazione e il tempo di revisione del team, e il costo mensile reale può essere il doppio della licenza. Confrontate quella cifra con il costo pieno attuale per risolvere 5.000 ticket con le persone. Se dopo sei mesi l'agente non è chiaramente più economico per ticket risolto, a parità o meglio di soddisfazione dei clienti, fermatevi o cambiate processo.

Chiedete il denominatore

Quando un fornitore cita un tasso di risoluzione, chiedete come è definita la risoluzione. "Il cliente non ha più risposto" e "il problema del cliente è stato risolto" possono differire di decine di punti percentuali. Concordate la definizione nel contratto e misuratela voi, ogni mese, su un campione di casi reali.

Costruire, Comprare o Aspettare

Lo studio del MIT offre uno dei pochi dati solidi su questa scelta: gli strumenti comprati da fornitori specializzati, o costruiti in partnership con loro, hanno avuto successo circa nel 67% dei casi, mentre gli sviluppi puramente interni circa un terzo delle volte. Non significa non costruire mai. Significa costruire solo dove l'agente è parte di ciò che rende diversa la vostra azienda, e dove avete i dati e gli ingegneri per valutarlo di continuo.
  • Comprate quando il processo è comune al vostro settore (assistenza, IT service desk, gestione fatture) e un fornitore si integra già con i sistemi che usate.
  • Costruite quando il processo è specifico vostro, tocca dati proprietari o sistemi core, e la qualità dell'agente è un vantaggio competitivo. Mettete a budget valutazione e gestione operativa, non solo lo sviluppo.
  • Aspettate quando il processo fallisce due o più dei cinque test. Spendete i soldi sulle tubature (API, qualità dei dati, regole documentate) e tornate tra sei mesi: l'agente costerà meno e il processo sarà pronto.
Per il metodo completo dietro questa scelta, comprese le cinque domande che uso per valutare qualsiasi investimento software, vedete il mio framework build vs buy. Se i vostri sistemi non possono esporre API pulite, il progetto agente è in realtà un progetto di modernizzazione; la mia guida sulla modernizzazione dei sistemi legacy spiega come metterlo in sequenza.

Governance Senza Burocrazia

Un agente è un dipendente che non dorme mai e non chiede prima di agire, a meno che non glielo imponiate. Gli servono le stesse cose di qualsiasi nuovo ruolo: una descrizione del lavoro, dei limiti, un responsabile e una traccia di ciò che ha fatto. Nell'UE gli serve anche trasparenza: dal 2 agosto 2026 le persone devono sapere quando stanno trattando con un sistema di AI, e le sanzioni per la violazione dell'articolo 50 arrivano a 15 milioni di euro o al 3% del fatturato mondiale. In Italia c'è un livello in più: la Legge 132/2025, in vigore dal 10 ottobre 2025, che designa AgID e ACN come autorità nazionali per l'AI. Se l'agente tocca credito, prezzi assicurativi, selezione del personale o accesso a servizi essenziali, verificate se rientra nelle categorie ad alto rischio dell'AI Act prima di metterlo in produzione.
  • Un responsabile di business con nome e cognome per ogni agente, che risponde dei risultati come per qualsiasi team.
  • Limiti scritti: quali azioni, quali importi, quali segmenti di clientela, quali dati.
  • Log completi di input, chiamate agli strumenti e output, conservati abbastanza a lungo per rispondere a un reclamo o a un audit.
  • Un interruttore di emergenza utilizzabile da qualcuno esterno al team di progetto, e un ritorno collaudato al processo manuale.
  • Un insieme di valutazione di casi reali, eseguito prima di ogni modifica e rivisto ogni mese.
  • Trasparenza chiara verso i clienti e una via sempre disponibile verso una persona.
Questi controlli rientrano in un framework aziendale leggero. Ne ho descritto uno, con sette controlli e un'implementazione in 90 giorni pensata per aziende senza un ufficio compliance, nel framework di AI governance per le medie imprese. Se i vostri sviluppatori usano agenti anche per scrivere codice, lo stesso ragionamento vale per il codice; vedete il playbook dei guardrail enterprise per il vibe coding.

Errori Frequenti

  • Partire dal caso d'uso più spettacolare invece che dal più verificabile.
  • Dare all'agente autonomia di livello 4 nel pilota perché la demo era convincente.
  • Contare le conversazioni invece dei casi risolti, e dichiarare risparmi che il secondo contatto cancella.
  • Nascondere l'AI ai clienti, cosa ormai illegale nell'UE e che distrugge la fiducia quando viene scoperta.
  • Eliminare la via verso una persona per raggiungere un obiettivo di costo, come mostra il ripensamento della stessa Klarna.
  • Nessun responsabile dopo il go-live: modelli, prompt e policy cambiano, e nessuno esegue più l'insieme di valutazione.

Un Pilota di 90 Giorni

  1. Settimane 1–2 — shortlist. Elencate dieci processi candidati con il loro volume mensile e applicate a ciascuno il Filtro in Cinque Test. Tenete uno o due processi che li superano tutti.
  2. Settimane 3–4 — definire il successo. Scrivete la definizione di caso risolto, il costo attuale per caso risolto con le persone, l'obiettivo e la regola di promozione tra livelli di autonomia.
  3. Settimane 5–6 — costruire la chiave di correzione. Raccogliete da 200 a 500 casi reali passati con il loro esito corretto. Diventa l'insieme di valutazione per qualsiasi fornitore o sviluppo interno.
  4. Settimane 7–10 — operare al livello 2. L'agente prepara le bozze, le persone approvano. Misurate ogni settimana approvazione senza modifiche, tempo risparmiato per caso ed errori per tipo di caso.
  5. Settimane 11–12 — promuovere o fermare. Portate al livello 3, con finestra di annullamento, i tipi di caso che rispettano la regola di promozione. Lasciate gli altri al livello 2 o abbandonateli.
  6. Settimana 13 — decidere. Confrontate costo per caso risolto e soddisfazione dei clienti con la base di partenza. Scalate, cambiate il processo o fermatevi, e scrivete perché.

Conclusione

Gli AI agent per le aziende non sono né una moda né un sostituto della vostra organizzazione. Sono un nuovo tipo di lavoratore, eccellente sul lavoro stretto, ad alto volume e verificabile, e inaffidabile su quello lungo, ambiguo e irreversibile. Le aziende che ne ricavano valore scelgono il processo prima della piattaforma, partono con poca autonomia, misurano il costo per caso risolto e tengono aperta una via verso le persone. Le altre finiranno nel 40% dei progetti cancellati, dopo aver imparato le stesse lezioni a un prezzo più alto.

Se volete un secondo parere indipendente

Aiuto i comitati di direzione a fare esattamente questo esercizio sui loro processi: la shortlist con i cinque test, la base di costo, l'insieme di valutazione e i primi novanta giorni di un pilota. Non ho piattaforme di agenti da vendere, e a volte la risposta giusta è sistemare prima il processo e comprare l'agente l'anno prossimo.
Non siete sicuri che i vostri sistemi siano pronti per gli agenti? Il blocco di solito non è il modello ma lo strato di integrazione, ed è per questo che inizio la maggior parte di queste conversazioni con le domande della mia guida alla modernizzazione dei sistemi legacy.

Risposte per AI search

Domande Frequenti

Quali processi aziendali affidare per primi agli AI agent?+

Partite dai processi ripetitivi e ad alto volume in cui un risultato sbagliato può essere intercettato da una regola, un campione o un secondo modello, annullato a basso costo, e in cui l'agente raggiunge i dati tramite API stabili: assistenza clienti di primo livello su una knowledge base curata, ticket dell'IT service desk e acquisizione documenti come fatture o moduli di sinistro. The State of AI 2025 di McKinsey ha rilevato l'uso di agenti più diffuso nei service desk IT e nella gestione della conoscenza, e lo studio GenAI Divide del MIT i ritorni maggiori nell'automazione del back office. Negoziazioni, reclami e decisioni irreversibili su crediti o sinistri restano alle persone.

Quanto costa far funzionare un AI agent in produzione?+

Prezzi di listino verificati a novembre 2026: Intercom Fin costa 0,99 dollari per risultato e Salesforce Agentforce 2 dollari per conversazione o 0,10 dollari per azione standard con i Flex Credits. La licenza raramente è il costo maggiore: integrazione, un insieme di valutazione di casi reali, revisione umana, escalation e un responsabile con nome e cognome possono raddoppiarlo. Misurate il costo per caso risolto, cioè la spesa mensile totale divisa per i casi chiusi correttamente senza un secondo contatto, e confrontatelo con il costo attuale per caso gestito dalle persone.

Conviene costruire un AI agent proprio o comprarlo?+

Comprate quando il processo è comune al vostro settore e un fornitore si integra già con i vostri sistemi; costruite solo quando il processo è specifico vostro, tocca dati proprietari o sistemi core e la qualità dell'agente è un vantaggio competitivo. Lo studio MIT NANDA del 2025 ha rilevato che gli strumenti comprati da fornitori specializzati o costruiti con partner hanno avuto successo circa nel 67% dei casi, gli sviluppi puramente interni circa un terzo delle volte. Aspettate quando il processo fallisce due o più dei cinque test e sistemate prima API, dati e regole documentate.

Valutazione indipendente sugli AI agent

Vi chiedono di "fare qualcosa con gli agenti"?

Aiuto COO, CIO e CEO a scegliere il primo processo giusto, fissare la base di costo e condurre un pilota di 90 giorni che si chiude con una decisione basata sui dati. Nessuna piattaforma da vendere.

Parliamone