In arrivo un’ulteriore rivoluzione: l’AI che compie autonomamente attività complesse. Per Gartner entro 4 anni risolverà l’80% dei problemi di customer service. Tre esempi di use case nei settori consumer, sanità e automotive
Autore: Daniele Lazzarin
Non siamo ancora neanche riusciti a capire dove possa arrivare l’intelligenza artificiale generativa (GenAI), che già una nuova “buzzword” la sta soppiantando rapidamente nel marketing dei vendor di settore e nei titoli dei siti di informazione: Agentic AI.
L’Agentic AI come concetto è in effetti un ulteriore salto di qualità rispetto a quello di GenAI, perché in estrema sintesi è proattiva, autonoma, e compie attività complesse. Cioè in funzione dell’obiettivo pianifica una serie di azioni (un processo) e le realizza adattandosi al contesto - all’interno di linee guida predefinite (guardrail) - senza interventi o approvazioni umane.
Un concetto che potenzialmente può rivoluzionare interi settori. Gli agenti AI utilizzano tecniche AI, combinate con componenti quali memoria, sensori, software, e guardrail. Non sono soluzioni a sé, ma saranno integrati negli assistenti AI e inseriti in software, piattaforme SaaS, dispositivi Internet of Things e robot. Inoltre spesso lavoreranno insieme ad altri agenti componendo sistemi multiagente temporanei per raggiungere un obiettivo comune che va oltre le capacità dei singoli agenti.
Secondo Gartner, entro il 2028 il 33% delle applicazioni software aziendali includerà AI agentica (nel 2024 questa percentuale era sotto l'1%), e almeno il 15% delle decisioni di business quotidiane sarà preso autonomamente da agenti AI, percentuale che nel 2024 era zero.
Sempre secondo Gartner, entro l’anno dopo (2029) l’AI agentica risolverà autonomamente l'80% dei problemi più tipici del servizio clienti senza intervento umano, riducendo del 30% i costi operativi.
Ma cos’è esattamente l’Agentic AI? La definizione sintetica che abbiamo visto in apertura lascia spazio a interpretazioni, e in effetti sul mercato oggi si possono trovare pubblicizzati come agenti AI soluzioni molto diverse.
Per fare chiarezza quindi l’Agentic AI propriamente detta deve avere le seguenti capacità:
- perseguimento di obiettivi di business (esempi: (aumentare il livello di soddisfazione del cliente, ottimizzare la gestione delle scorte nell’intera supply chain, ecc.)
- interazione con il contesto: raccolta e interpretazione di dati dall'ambiente circostante e da altri sistemi (database, CRM, motori di ricerca, ecc.)
- autonomia di pianificazione e decisione: pianificazione della serie di azioni (processi completi end-to-end) necessaria per realizzare l’obiettivo, scelta tra varie opzioni in funzione della situazione di contesto e dei suoi cambiamenti, e interazione con gli altri sistemi aziendali, senza interventi umani
- apprendimento dalle esperienze precedenti.
Le differenze con i chatbot di GenAI che molti usano ormai abitualmente sono quindi piuttosto nette. In primo luogo, gli agenti AI si occupano di obiettivi di business, e non di creazione di contenuti (o di obiettivi molto specifici e delimitati come la Robotic Process Automation).
In secondo luogo agiscono autonomamente, senza bisogno di interazioni umane (prompt o approvazioni intermedie o finali). In terzo luogo sono impostati non per fare azioni singole ma sequenze complesse di attività.
Gli ambiti in cui secondo molti gli agenti AI hanno le maggiori potenzialità in una prima fase saranno il customer service, la sanità e la logistica.
Nel customer service un esempio è la gestione delle richieste di rimborso. Immaginiamo un cliente che contatta l'assistenza lamentando di aver ricevuto delle cuffie difettose e richiedendo un rimborso immediato.
In questo scenario, l’agente AI si attiva subito autonomamente su più fronti. Accede al database ordini per verificare l'acquisto, consulta la policy aziendale sui resi e lo stato della garanzia del prodotto. Una volta confermata la validità del reclamo, decide - basandosi sulle regole pre-configurate e sulla storia d'acquisto del cliente - di offrire sia il rimborso sia una sostituzione.
A questo punto l’agente AI genera l'etichetta di reso, avvia il processo di rimborso nel sistema dei pagamenti, prepara e invia un'email di conferma personalizzata e aggiorna il sistema di gestione magazzino. Tutto questo in tempo reale, senza interventi umani.
Nell'email, il sistema informa il cliente che il rimborso sarà visibile sul suo conto entro pochi giorni, che l'etichetta prepagata per il reso è già stata inviata, e chiede proattivamente se preferisca ricevere subito delle cuffie sostitutive. Infine programma automaticamente un follow-up dopo qualche giorno per verificare la soddisfazione del cliente.
Per quanto riguarda la sanità, un caso d’uso molto citato di utilizzo di agenti AI è la gestione dei pazienti cronici. Prendiamo per esempio un paziente diabetico con sistema di monitoraggio continuo della glicemia. Se i sensori rilevano un aumento anomalo della glicemia nonostante l'insulina regolare, l'agente AI analizza immediatamente i dati disponibili - cartella clinica, farmaci attuali, esami recenti – e apprende che il paziente ha iniziato ad assumere un antibiotico noto per interferire con i livelli di glicemia.
A questo punto l'agente invia un alert al medico curante con analisi dettagliata e raccomandazioni terapeutiche, contatta il paziente attraverso l'app, spiegando la situazione e suggerendo modifiche immediate a dieta e dosaggio insulinico, prenota un controllo urgente in laboratorio, e allerta la farmacia per preparare eventuali nuovi farmaci.
Quando i valori si stabilizzano, l'AI documenta automaticamente l’episodio nella cartella clinica, aggiorna il piano terapeutico e programma controlli più frequenti. Il sistema genera anche un report per il team sanitario, suggerendo modifiche ai protocolli futuri.
Infine un tipico caso d’uso nella logistica è la gestione degli imprevisti nella supply chain. Consideriamo una multinazionale automotive con un sistema AI di monitoraggio della rete globale di fornitori, che rileva un grave incendio in uno stabilimento chiave nel Far East che produce componenti elettronici critici.
Il sistema stima immediatamente che l’incidente può interrompere la produzione per diersi giorni, e attiva automaticamente il protocollo di crisi analizzando il database globale dei fornitori alternativi, valutando capacità produttiva, tempi di consegna e costi. Individua fornitori sostitutivi che coprono l'85% della produzione mancante, ricalcola tutti i piani produttivi globali e ottimizza le rotte logistiche per minimizzare i ritardi.
Il sistema quindi invia richieste di quotazione urgenti ai fornitori alternativi, prenota spazio cargo aereo per le consegne critiche, allerta i team qualità per controlli accelerati e informa proattivamente i concessionari sui possibili ritardi. Coordina anche la comunicazione interna aggiornando tutti i responsabili regionali con piani d'azione specifici.
Entro poche ore dall'incidente, l'AI ha ripristinato gran parte delle forniture necessarie, riorganizzato la produzione dando priorità ai modelli più profittevoli e minimizzato l'impatto sui clienti finali.
Questi tre esempi danno un’idea degli enormi benefici potenziali dell’Agentic AI. Ma una tecnologia così potente e pervasiva ovviamente comporta anche molti rischi potenziali: in pratica tutti quelli dell’AI – per esempio comportamenti indesiderati, allucinazioni, attacchi informatici, magari creati ed eseguiti da altri agenti AI - e altri ancora.
Senza pretese di completezza, un esempio è il classico rischio “garbage in, garbage out”, sia a livello dei dati che l’agente AI utilizza, sia a livello del disegno dei processi su cui agisce. Abbiamo visto che gli agenti AI possono essere formidabili strumenti di customer care, ma se l'esperienza cliente è mal progettata, non c’è agente AI che tenga. È l’uomo che deve progettare il processo e definire i limiti d’azione dell’agente AI prima di affidargli il servizio clienti.
Altro ambito notevole di rischi è l'interazione tra agenti AI e personale umano dell'azienda. Solo accennando ad alcuni dei possibili problemi, il rischio classico del rifiuto di una tecnologia innovativa può essere fortemente accentuato dal timore di perdita di controllo legato all'autonomia degli agenti AI. Inoltre molte attività e workflow saranno rivoluzionati, richiedendo estesi e profondi interventi di change management basati sul nuovo concetto di collaborazione tra umani e agenti AI.
Più in generale, come per tutte le tecnologie che agiscono autonomamente, l’agentic AI pone a livello aziendale serissime questioni di orchestrazione e di governance, che richiedono solidi “guardrail” (i limiti di azione da imporre agli agenti AI), stili di management e skill completamente nuove (per esempio proprio le competenze di definizione dei guardrail, o quelle di collaborazione con gli agenti AI in team misti), e potenti strumenti di gestione e monitoraggio. E a livello nazionale e comunitario un inquadramento normativo ancora più complesso di quello per la GenAI, appunto per l’elemento aggiunto dell’autonomia, che tra le altre cose accentua il problema dell’accountability: se per la GenAI si parla di responsabilità su singoli contenuti, per gli agenti AI si parla di interi processi.
Chiudiamo con un accenno al livello di maturità dell’offerta. Come anticipato, l’offerta di agenti AI comprende soluzioni molto diverse. A un estremo abbiamo classici modelli AI che svolgono autonomamente piccole attività specifiche in condizioni strettamente definite. All'altro estremo i sistemi di Agentic AI propriamente detti invece svolgeranno compiti in modo indipendente prendendo decisioni e adattandosi al contesto. C’è un ampio divario tra questi due estremi, che però secondo gli analisti si colmerà in pochi anni.
Come abbiamo visto in apertura, infatti, Gartner si aspetta impatti sistemici dell’Agentic AI a livello mondiale entro 3-4 anni. Sostanzialmente in linea il parere dell’Osservatorio AI e Intelligent Business Process Automation del Politecnico di Milano, che parla di fasi iniziali dell’Agentic AI, con rarissimi casi in Italia di organizzazioni già vicine a sperimentazioni, ma anche di strada già chiaramente tracciata “Nei prossimi 2-3 anni è plausibile che a livello internazionale settori ad alta intensità di dati e decisioni (come fintech, assicurazioni, logistica) saranno i primi a implementare agenti su larga scala”.