Come creare un agente AI per l'azienda: dal processo da ottimizzare al primo flusso in produzione

Lo strumento può cambiare anche senza che l'azienda lo decida. OpenAI ha annunciato il 3 giugno 2026 che Agent Builder chiuderà il 30 novembre 2026, insieme all'API v1/prompts (pagina Deprecations di OpenAI). Chi ha costruito i propri flussi solo lì ora deve ricostruirli altrove. Per questo l'articolo parte dal processo e arriva allo strumento solo alla fine.

Cosa serve per creare un agente AI, e quando basta un workflow?

Serve un processo descritto bene. Un agente autonomo serve solo quando i passaggi non si possono stabilire in anticipo. Nella guida Building effective agents, Anthropic chiama workflow i "systems where LLMs and tools are orchestrated through predefined code paths", mentre gli agenti "dynamically direct their own processes and tool usage". Nel workflow il percorso lo decide chi scrive il codice, nell'agente lo decide il modello.

La guida raccomanda di partire da "finding the simplest solution possible, and only increasing complexity when needed" e avverte che "the autonomous nature of agents means higher costs, and the potential for compounding errors" (Anthropic): un errore al secondo passaggio può trascinarsi fino all'ultimo.

Nel resto dell'articolo uso "agente" per entrambi, come si fa sul mercato, ma la scelta va fatta passaggio per passaggio.

Quale processo aziendale scegliere per il primo agente AI?

Il primo processo da scegliere ha volume alto, ingresso testuale ed errori facili da correggere. Secondo Istat, nel 2025 usa l'AI il 16,4% delle imprese con almeno 10 addetti (8,2% nel 2024), e tra chi la usa il 70,8% la impiega per analizzare testi e documenti. Tra gli ambiti rilevati figurano marketing e vendite (33,1%) e processi amministrativi (25,7%): aree in cui cercare i primi candidati.

I criteri da verificare:

• Volume alto e ripetitivo: tante pratiche simili ogni settimana.
• Ingresso testuale: email, PDF, moduli, trascrizioni di chiamate.
• Risultato misurabile: si può dire se la pratica è stata gestita bene.
• Errore reversibile: una classificazione sbagliata si corregge, un bonifico partito no.
• Una persona di riferimento che oggi fa quel lavoro e può controllare l'agente.

Esempi per reparto: in assistenza, smistamento delle richieste e prima bozza di risposta; nell'ufficio ordini, lettura degli ordini via email e preparazione dell'inserimento nell'ERP; nelle vendite, aggiornamento del CRM dagli appunti di una chiamata; in amministrazione, estrazione dei dati dai documenti e controllo con l'anagrafica.

Per il collegamento ai gestionali rimando alla guida su come integrare l'AI con ERP e CRM. All'inizio conviene evitare selezione del personale o valutazione del credito: rientrano tra i sistemi ad alto rischio dell'Allegato III dell'AI Act (AI Act Service Desk, articolo 26).

Come si descrive il processo prima di scrivere una riga di codice?

Si descrive come lo svolgono oggi le persone: cosa entra (canale, formato, frequenza), i passaggi nell'ordine reale, le decisioni e chi le prende, le eccezioni frequenti, i sistemi coinvolti, chi approva e cosa esce.

Per ogni passaggio va annotato se legge dati, scrive dati o comunica con l'esterno: questa distinzione decide permessi e approvazioni. Un esempio sul flusso degli ordini:

Tra un passaggio e l'altro conviene usare output strutturati, cioè dati con campi fissi come un JSON con cliente, codice articolo e quantità. OpenAI li raccomanda per "eliminate freeform channels that attackers can exploit" (OpenAI, Safety in building agents); in più, un campo si confronta con il valore atteso, un testo libero molto meno.

Vanno preparati subito un insieme di casi reali anonimizzati con il risultato corretto, da usare come test, e le metriche: quota di casi gestiti senza correzioni, tempo per pratica, errori trovati in revisione. Gli obiettivi si fissano dopo aver misurato il punto di partenza.

Quale modello usare per ogni passaggio, e quanto costa farlo girare?

Per ogni passaggio conviene usare il modello più piccolo che supera i test sui casi reali. Ecco i listini ufficiali, consultati il 29/10/2026, in dollari per milione di token (livello standard). Cambiano spesso: vanno ricontrollati prima di ogni stima.

Per i passaggi che non richiedono risposta immediata il batch costa circa la metà su OpenAI e su Anthropic. Sui rincari di Google c'è un'analisi dedicata sui prezzi delle API di Gemini.

Un agente consuma anche strumenti: la ricerca web costa 10 $ ogni 1.000 chiamate su OpenAI (più i token dei risultati) e 10 $ ogni 1.000 ricerche su Anthropic; il grounding con Google Search è gratuito fino a 5.000 richieste al mese per Gemini 3 e successivi, poi "$14 per 1,000 requests" (Google). OpenAI applica inoltre un sovrapprezzo del 10% sugli endpoint regionali per i modelli usciti dal 5 marzo 2026 (OpenAI).

Per passaggi con volumi molto alti e dati sensibili può avere senso un modello open-weight in locale, da confrontare sui costi su più anni come spiego nella pagina sui costi dell'AI in locale.

Quali dati passano dal fornitore quando l'agente lavora?

Al fornitore passa tutto ciò che l'agente mette nel prompt: non solo la richiesta, ma anche ciò che recupera dai sistemi, come anagrafica, storico ordini e note del CRM. Più strumenti si collegano, più dati possono uscire a ogni chiamata.

Conta anche il tipo di account. Per le API di Gemini, i dati del livello gratuito vengono usati per migliorare i prodotti, quelli del livello a pagamento no, salvo il livello "Contributor" in anteprima privata (Google). Va controllato quale livello usa chi sviluppa, anche nei prototipi. Gli endpoint regionali di OpenAI servono a scegliere dove avviene l'elaborazione, ma vanno valutati insieme al contratto e alle regole sul trattamento, non al loro posto: ne parlo nella pagina su AI e GDPR.

Anche l'infrastruttura può sbagliare. Cloudflare ha documentato che dal 27 agosto al 9 settembre 2026, su Workers AI con il modello GLM-5.3, "155 responses" relative a prompt molto lunghi potevano contenere residui di altre richieste, per una memoria configurata sotto il contesto dichiarato e un bug di SGLang; consiglia SGLang v0.5.22 o successiva (Cloudflare). La lezione vale anche per chi gestisce lo stack in proprio: i componenti di inferenza vanno aggiornati e configurati con cura.

Una soluzione frequente è l'architettura ibrida: i passaggi con dati personali o documenti riservati restano su un modello in locale, gli altri vanno al modello di frontiera. È uno dei temi del servizio sugli agenti AI personalizzati.

Quali permessi e controlli servono prima di mettere l'agente in produzione?

L'agente deve avere solo gli strumenti, i permessi e l'autonomia che servono al suo processo. La scheda OWASP LLM06 Excessive Agency indica tre cause di problemi: funzioni in eccesso, permessi in eccesso sui sistemi a valle (scrittura su tutto l'ERP quando basterebbe la lettura) e autonomia in eccesso. Le contromisure: strumenti e permessi minimi, approvazione umana delle azioni ad alto impatto, esecuzione nel contesto dell'utente e non con un account amministrativo, registro dell'attività e limiti alla frequenza delle azioni.

C'è poi la prompt injection: "untrusted text or data enters an AI system, and malicious contents in that text or data attempt to override instructions to the AI" (OpenAI). Per un agente che legge la posta, ogni email è testo non affidabile. OpenAI suggerisce filtri in ingresso e di "always enable tool approvals"; la guida è scritta per Agent Builder, in dismissione, ma i principi valgono altrove. Anthropic aggiunge "extensive testing in sandboxed environments" e punti in cui l'agente si ferma per chiedere a una persona (Anthropic).

Per i sistemi ad alto rischio, l'articolo 26 dell'AI Act chiede supervisione da parte di "natural persons who have the necessary competence, training and authority" e la conservazione dei log per un periodo "of at least six months". Un agente che smista email od ordini di norma non rientra nell'alto rischio; anche lì, però, log e responsabili nominati sono una buona pratica, che resta una parte della conformità, non la conformità intera.

Come si evita che un agente si fermi a metà mese o costi più del previsto?

Servono tetti di spesa impostati di proposito e un agente che sappia cosa fare quando li raggiunge. Anthropic distingue "spend limits" (costo mensile massimo) e "rate limits" (richieste e token al minuto); il tetto mensile va da 500 $ per il livello Start a 200.000 $ per Scale (Anthropic, Rate limits). Raggiunto il tetto, l'API si ferma fino al primo giorno del mese successivo e restituisce l'errore HTTP 429 enforced_spend_limit_reached, senza retry-after. Un agente in produzione deve riconoscerlo: invece di ritentare, mette le pratiche in coda, manda un avviso e passa il lavoro a una persona.

L'azienda può fissare limiti più bassi per singolo workspace, ma non sul workspace predefinito (Anthropic): conviene un workspace dedicato per ogni agente. Per Claude Enterprise, Anthropic ha annunciato il 28/10/2026 budget mensili condivisi per gruppo, con avvisi email al 50, 75, 95 e 100% (Anthropic).

Il secondo rischio è il ritiro di modelli e strumenti. Secondo la pagina Deprecations di OpenAI, il 30/11/2026 chiudono Agent Builder e l'API v1/prompts, l'11/12/2026 escono dall'API gpt-5 e o3 con le loro varianti, il 14/1/2027 gpt-4o, gpt-4o-mini e gpt-4.1. La difesa è tenere fuori dal tool del fornitore logica, prompt e casi di test, così da poter rifare i test e cambiare modello. Ne parlo nell'articolo sul vendor lock-in nell'AI.

Come si passa dal pilota al primo flusso in produzione?

A fasi, con un'autonomia che cresce solo dove i test lo giustificano.

1. In parallelo: l'agente lavora sugli stessi casi delle persone, senza che vedano le sue proposte; poi si confrontano i risultati.
2. Proposta e approvazione: l'agente prepara bozze e inserimenti, una persona approva ogni scrittura.
3. Autonomia limitata: l'agente agisce da solo solo su azioni a basso impatto e reversibili, con registro, tetto di spesa e revisione a campione.

Ogni fase richiede responsabilità chiare: chi possiede il processo, chi approva, chi legge i log, chi forma le persone. La formazione fa parte del progetto: tra le imprese che hanno valutato l'AI senza adottarla, il 58,6% indica come ostacolo la mancanza di competenze (Istat).

Altri spunti si trovano nella categoria AI nei processi aziendali. Se vuoi capire quale processo della tua azienda si presta a un primo agente, quali dati passerebbero dal fornitore e con quali controlli, puoi partire dalla valutazione iniziale.