Agenti AI aziendali: cosa sono e quali flussi di lavoro ottimizzano davvero

Cosa sono gli agenti AI aziendali, e in cosa differiscono da un workflow?

Un agente sceglie da solo i passaggi e gli strumenti. Un workflow segue una strada decisa in anticipo da chi lo ha programmato. La distinzione più chiara è in Building effective AI agents, pubblicato da Anthropic il 19 dicembre 2024. Nei workflow modelli e strumenti sono "orchestrati attraverso percorsi di codice predefiniti". Negli agenti i modelli "dirigono dinamicamente i propri processi e l'uso degli strumenti".

Lo stesso articolo descrive anche gli schemi intermedi: la catena di passaggi, lo smistamento (routing), il lavoro in parallelo, il coordinatore con gli esecutori, la coppia autore e revisore. Un esempio aziendale di smistamento: le email in arrivo vengono classificate e mandate al flusso giusto (reclami, preventivi, amministrazione).

Un chatbot risponde con un testo e lì si ferma. Un agente invece agisce su altri sistemi: apre un ticket, prepara un ordine, aggiorna una scheda cliente. È per questo che richiede regole diverse.

Come fa un agente a leggere e scrivere su ERP, CRM e posta elettronica?

Lo fa tramite il function calling. Il modello non esegue nulla da solo: restituisce il nome della funzione da usare e i parametri, e a eseguirla è il software dell'azienda. Il software poi rimanda il risultato al modello, che dà la risposta finale o propone altre chiamate (OpenAI, function calling). Google indica tre usi del function calling con Gemini: compiere azioni (appuntamenti, fatture, email), arricchire la conoscenza del modello con database e knowledge base, estenderne le capacità con calcoli e grafici (Gemini API).

Anthropic distingue due tipi di strumenti. Gli strumenti client girano nell'applicazione dell'azienda. Gli strumenti server, come la ricerca web e l'esecuzione di codice, "girano sull'infrastruttura di Anthropic" (tool use con Claude). Quando l'agente scrive su un gestionale, la chiamata deve avere una forma esatta. Con la strict mode di OpenAI le chiamate "rispettano lo schema della funzione in modo affidabile, invece che al meglio delle possibilità" (OpenAI). Per connettori e Model Context Protocol rimando a come integrare un'AI con ERP e CRM.

Quali flussi di lavoro ottimizzano davvero gli agenti AI, reparto per reparto?

Secondo me rendono di più i flussi ripetitivi ma con input variabili: le email dei clienti, gli ordini che arrivano come PDF o testo libero, i ticket. Il modello interpreta il testo, mentre regole e approvazioni restano alle persone.

Secondo ISTAT, nel 2025 usa l'AI il 16,4% delle imprese con almeno 10 addetti, contro l'8,2% del 2024 e il 5,0% del 2023. La quota è del 15,7% tra le PMI e del 53,1% tra le grandi imprese. Gli ambiti più diffusi sono marketing e vendite (33,1%) e i processi amministrativi (25,7%). Nell'UE la quota è del 19,95% (Eurostat).

Come imposto questi progetti lo spiego nella pagina sugli agenti AI personalizzati.

Quando un agente non serve e basta un workflow più semplice?

Quando i passaggi sono noti in anticipo, l'agente non serve. Anthropic raccomanda gli agenti per i problemi aperti, in cui è "difficile o impossibile prevedere il numero di passaggi necessari". Avverte anche che i sistemi agentici "spesso scambiano latenza e costo con migliori prestazioni sul compito" (Anthropic). Prima di scegliere, valuta questi criteri:

• Variabilità dell'input: se le richieste seguono pochi schemi, basta lo smistamento.
• Costo di un errore e reversibilità: pagamenti, invii e cancellazioni chiedono più controllo.
• Volume: con migliaia di operazioni, ogni passaggio in più si vede in fattura.
• Spiegabilità: un percorso fisso è più facile da documentare per un revisore.

Spesso la scelta più sensata è inserire un solo passaggio con un LLM in un'automazione che esiste già.

Quanto costa far lavorare un agente, tra token, strumenti e abbonamenti?

Un agente fa più chiamate al modello, e a ogni chiamata rimanda il contesto accumulato. Le definizioni degli strumenti, inoltre, "sono fatturate come token di input" (OpenAI). Anthropic aggiunge un prompt di sistema per gli strumenti con un costo fisso in token (286 per Claude Opus 5.5) e fa pagare a parte gli strumenti server (Anthropic).

Questi sono i listini consultati il 29 ottobre 2026, in dollari per milione di token, livello standard. I prezzi cambiano: vanno ricontrollati prima di ogni stima.

Agli agenti si aggiungono i costi degli strumenti. Su OpenAI la ricerca web costa 10 $ ogni 1.000 chiamate, più i token dei contenuti trovati (OpenAI). Con Gemini il grounding su Google Search costa 14 $ ogni 1.000 richieste, dopo le prime 5.000 gratuite al mese (Google).

Gli abbonamenti per utente seguono un'altra logica. In Claude Enterprise il budget mensile condiviso non toglie i limiti individuali: una persona si ferma al primo dei due che esaurisce (Anthropic, 28/10/2026). Se i volumi sono alti e stabili, confronta queste cifre con il costo dell'AI in locale.

Quali dati escono dall'azienda quando l'agente usa un modello esterno?

Al fornitore arrivano il prompt, le definizioni degli strumenti e i risultati che l'applicazione rimanda al modello. Anche se lo strumento gira sui server aziendali, la scheda cliente letta dal CRM passa comunque dal modello esterno (Anthropic; OpenAI). Con gli agenti gestiti dal fornitore esce anche il lavoro intermedio: sulla Agents API OpenAI "gestisce l'agente e ne salva i progressi" (OpenAI).

Conta anche il livello di servizio. Con Gemini, i contenuti del livello gratuito dei modelli Flash vengono usati per migliorare i prodotti, quelli del livello a pagamento no (Google). La posizione dei server, poi, non risolve da sola la questione della giurisdizione del fornitore, come spiego parlando di sovereign AI.

Per questo molte architetture sensate sono ibride. I passaggi che toccano dati personali o riservati vanno su un modello open-weight in azienda. Le parti senza dati sensibili possono andare a un modello di frontiera, che resta la scelta più pratica quando serve la massima qualità. Gli obblighi GDPR restano in ogni caso: vedi AI e GDPR.

Quali controlli e regole servono prima di lasciare agire un agente?

Servono permessi minimi sugli strumenti, approvazione umana sulle azioni irreversibili, un registro delle azioni e test in ambienti isolati, come raccomanda anche Anthropic. Il comportamento dei modelli varia. Anthropic scrive che Sonnet può dedurre un parametro mancante invece di chiederlo, e che il comportamento di Opus "non è garantito" (Anthropic). Su un ordine, un parametro dedotto può diventare una quantità inventata: la conferma umana va messa prima della scrittura sull'ERP.

Sul fronte dell'AI Act contano tre articoli:

• Art. 4: chi usa sistemi AI deve sostenere le competenze del personale (art. 4). L'obbligo si applica dal 2 febbraio 2025 (art. 113).
• Art. 50: chi interagisce con un sistema AI deve esserne informato, salvo che sia evidente dal contesto (art. 50).
• Art. 26: per i sistemi ad alto rischio servono supervisione umana competente, log conservati per almeno sei mesi e l'informazione ai lavoratori (art. 26). Per i sistemi dell'Allegato III questi obblighi scattano il 2 dicembre 2027 (art. 113).

Nessuna architettura rende conformi in automatico. Coinvolgi fin dall'inizio chi segue privacy e conformità.

Da dove partire con un primo agente AI in azienda?

Parti da un solo flusso, misurabile e reversibile. Prima di scegliere il modello, mappa i passaggi, gli strumenti, i dati che passano e i punti di approvazione. Nel mio lavoro è spesso questa mappa a mostrare se serve un agente o se basta un workflow.

1. Misura lo stato attuale: tempi, errori e volumi. Senza questi dati nessuno può prometterti un risparmio.
2. Tieni la logica in strumenti portabili: OpenAI spegne Agent Builder il 30 novembre 2026, e gpt-5 e o3 l'11 dicembre 2026 (OpenAI, deprecations). Ne parlo nell'articolo sul vendor lock-in.
3. Testa su casi reali anonimizzati e confronta i risultati con quelli delle persone, prima di attivare qualsiasi scrittura.
4. Metti in conto la formazione: la mancanza di competenze è il primo ostacolo citato dalle imprese italiane, con il 58,6% (ISTAT).

Altri esempi sono nella categoria AI nei processi aziendali. Se vuoi capire quale flusso automatizzare per primo, e con quale modello per ogni passaggio, puoi chiedermi una valutazione dal form.