L’evoluzione dell’intelligenza artificiale nelle aziende sta aprendo la strada agli AI agent. Il progetto sviluppato per Sada Cavi mostra come l’AI agentica possa essere applicata a un processo core come la gestione delle richieste di preventivo, integrandosi nei sistemi aziendali, riducendo la complessità operativa e mantenendo il controllo umano nelle decisioni chiave.
Come è stata impiegata finora l’intelligenza artificiale nei contesti aziendali? Ad eccezione di alcuni casi molto specifici, ha seguito un percorso graduale. Spesso è stata limitata a funzioni di supporto all’analisi o all’automazione di alcune attività particolarmente ripetitive, sia per ragioni tecniche sia, come è facile intuire, per ragioni di opportunità: prima di affidare un processo critico a una soluzione tecnologica, è necessario essere certi che sia solida e affidabile.
Gradualmente, tuttavia, ci si sta spostando verso modelli più maturi, in cui l’AI interviene direttamente nei processi e prende decisioni operative, seppur entro confini ben definiti. Questo spiega anche il crescente interesse verso gli AI agent: sistemi progettati per eseguire compiti complessi in autonomia, interagendo con dati, applicazioni e persone, anche senza la necessità che l’operatore intervenga continuamente attraverso prompt e richieste.
Per molte aziende, soprattutto nei settori dove i prodotti sono molto variabili e la pressione sulle tempistiche di risposta è forte, gli agenti AI possono fornire un eccezionale supporto a processi storicamente critici. La gestione delle richieste di preventivo è uno di questi: un’attività ad alta intensità informativa, che unisce una forte richiesta di discrezionalità alla necessità di rispondere in modo preciso e tempestivo.
Indice degli argomenti:
Le richieste di offerta sono un collo di bottiglia
Soprattutto nei settori in cui la propensione al digitale è ancora piuttosto ridotta, le richieste di offerta arrivano prevalentemente via e‑mail, in formati eterogenei e con allegati non strutturati: dai PDF ai fogli di calcolo passando per il semplice testo nel corpo del messaggio. Questo richiede un’intensa attività di interpretazione manuale da parte degli operatori. Si tratta di un problema così noto e diffuso che alcuni esperti studiano le modalità più efficienti ed efficaci per la gestione della posta elettronica aziendale.
Oltre a questa problematica, tipicamente si riscontra un ulteriore elemento di complessità: la stessa casella di posta utilizzata per i preventivi riceve contemporaneamente ordini, richieste logistiche, comunicazioni generiche e messaggi non rilevanti. Un sovraccarico informativo che ha sempre reso molto complesso utilizzare le automazioni tradizionali.
In questo susseguirsi di informazioni disordinato e disaggregato i messaggi più importanti rischiano di disperdersi: conversazioni, allegati, formati diversi, riprese e così via rendono necessari la rilettura periodica e un costante passaggio di contesto in cui anche il più attento degli operatori è soggetto a possibili errori, che impattano negativamente su tempi di risposta e qualità del servizio al cliente.
Dal supporto decisionale all’azione: il ruolo degli agenti AI
Negli ultimi anni abbiamo assistito a un proliferare di soluzioni per affrontare questo problema, con strumenti di classificazione automatica o di supporto alla compilazione delle offerte, tutti con alterne fortune: non sempre è semplice, o possibile, convincere o formare i clienti e i potenziali prospect a utilizzare strumenti che non sono a loro consoni.
Proprio questi limiti hanno spinto Quanture a cambiare approccio, superando la logica dei diversi moduli di supporto all’operatore e puntando ad agenti AI progettati per gestire l’intero flusso, dalla ricezione della richiesta alla produzione di una proposta strutturata, che l’utente supervisiona e valida.
Questa scelta si inserisce in una visione più ampia di evoluzione delle soluzioni di AI applicata ai processi aziendali, promossa dal progetto Quanture.AI. Un percorso fondato sul coinvolgimento congiunto dei team interni e di clienti storici, con l’obiettivo di sviluppare competenze che possano rispondere a use case concreti e generare un impatto tangibile sulle attività aziendali.
Un approccio che permette di testare l’AI in contesti reali, con risultati evidenti e rapidamente misurabili, anche per superare quello che, per molti versi, è un problema strutturale dell’AI: il limitarsi alla sola dimostrazione del potenziale.
Il caso Sada Cavi: l’AI agentica nei processi commerciali
Un esempio concreto è il progetto sviluppato da Quanture.AI per Sada Cavi, azienda attiva nella rivendita di cavi elettrici, che ha avviato un percorso di sperimentazione con un AI Agent dedicato alla gestione delle richieste di preventivo. Sada Cavi opera in un contesto dinamico e complesso, in cui una quota significativa degli ordini e delle richieste di offerta devono essere evasi entro la giornata, anche quando provengono da clienti non noti.
Un’architettura pensata per il contesto industriale
Il punto di partenza del progetto è stata l’analisi del processo esistente. La gestione delle offerte avveniva tramite una casella e‑mail dedicata, monitorata quotidianamente da utenti esperti, incaricati di filtrare i messaggi e costruire le proposte sulla base di dati storici e conoscenza del catalogo.
Tutto il processo era interamente manuale, con operatori dedicati che investivano quote significative del proprio tempo nel controllo della casella di posta elettronica dedicata e nell’eliminazione del rumore di fondo.
La scelta strategica è stata introdurre l’agente AI riorganizzando il modello gestionale attorno a un flusso automatizzato e governabile, senza stravolgimenti che avrebbero potuto disorientare gli operatori.
La soluzione: l’automazione AI-based delle richieste di preventivo
Il sistema intercetta le e‑mail in ingresso e avvia, a intervalli regolari, un processo di acquisizione e analisi. La prima funzione dell’agente è la classificazione semantica dei messaggi, che vengono suddivisi in tre categorie principali: richieste di offerta, ordini e comunicazioni. Questa fase riduce immediatamente il rumore informativo e indirizza ogni messaggio verso il corretto percorso di elaborazione.
Una volta identificata una richiesta di offerta, l’agente attiva un secondo livello di analisi in base alla presenza o meno di allegati:
- nel caso di messaggi esclusivamente testuali il contenuto viene interpretato da un modello di linguaggio che estrapola le informazioni chiave, per esempio cliente, prodotti, quantità, scadenze, e le organizza in dati strutturati;
- se la richiesta include documenti allegati, entrano in gioco servizi di document intelligence capaci di estrarre le informazioni e ricondurle, anche in questo caso, in dati strutturati.
L’agente AI cerca le migliori corrispondenze all’interno del catalogo di Sada Cavi in modo automatico e, successivamente, propone agli operatori un modello di preventivo con un ventaglio di alternative sia per quanto riguarda i prodotti, sia per quanto riguarda trattamento economico e scontistiche.
Gli addetti, in questo modo, possono selezionare l’offerta migliore o effettuare ritocchi e modifiche prima dell’invio al cliente. Questo permette di conciliare l’efficienza dell’AI nella gestione di dati non strutturati con la discrezionalità umana: il controllo finale è sempre in mano all’operatore.
Il ruolo della ricerca semantica
Uno degli elementi distintivi dell’approccio adottato da Quanture nella creazione di questo agente AI riguarda l’uso della ricerca semantica basata su embedding. Dopo aver strutturato la richiesta, l’agente interroga il database aziendale per recuperare informazioni storiche su offerte e ordini precedenti, sia per lo stesso cliente sia per articoli simili. Per superare i limiti delle tipiche descrizioni testuali, ogni articolo viene trasformato in una rappresentazione numerica che consente di misurare la similarità semantica anche in presenza di descrizioni non identiche.
La ricerca segue una logica di priorità che riflette il comportamento degli operatori: prima vengono considerate le offerte recenti per lo stesso cliente e/o per lo stesso articolo, poi le offerte generali e infine gli ordini storici.
In questo modo, l’agente costruisce una proposta coerente con le pratiche commerciali consolidate e mantiene nello stesso tempo la continuità decisionale tipica dell’approccio tradizionale ai preventivi.
Oltre lo human-in-the-loop: persone che controllano
Il risultato finale è un file strutturato, generato automaticamente, che contiene i dati del cliente, l’elenco degli articoli individuati, le quantità, i prezzi suggeriti e una spiegazione del percorso seguito dall’agente AI per arrivare a quella proposta. Il materiale viene archiviato in un ambiente collaborativo. Qui gli operatori, che ricevono notifiche sulle operazioni, possono verificarne la correttezza, apportare modifiche e approvare l’offerta finale.
Questo passaggio chiarisce il ruolo degli AI Agent nei contesti industriali: l’obiettivo è spostare a valle il controllo umano senza sostituirlo, e liberare il tempo che le attività ripetitive assorbirebbero, a favore di decisioni e valutazioni a maggiore valore aggiunto. Tutto questo avviene direttamente nell’ERP del cliente, con il quale la soluzione si integra.
Il risultato è un miglioramento considerevole, come testimonia Daniele Leonardi, amministratore delegato di Sada Cavi, che commenta: “L’adozione di questo strumento ha semplificato la vita dell’operatore, che non deve più controllare migliaia di e-mail nella stessa casella. Inoltre, ci ha aiutato nella categorizzazione e ha velocizzato il match tra richiesta e catalogo. Abbiamo quindi efficientato in modo rilevante i tempi di gestione delle richieste dei clienti, che per una realtà commerciale come la nostra, specializzata in cavi di rame anche molto particolari, è essenziale. La soddisfazione del cliente è per noi fondamentale, e grazie a questa soluzione abbiamo visto migliorare in maniera significativa i tempi di risposta, un aspetto per noi davvero importante”.
Una sperimentazione che guarda oltre il singolo caso
Il caso Sada Cavi mostra come la progettazione di agenti AI efficaci, esattamente come accade per ogni tipo di soluzione digitale e tecnologica di successo, necessita di più competenze al lavoro: indubbiamente serve la padronanza delle tecnologie, ma non si può ottenere alcun risultato senza conoscenza dei processi industriali e capacità di integrazione applicativa.
Dal punto di vista strategico l’interesse verso questo tipo di soluzioni è decisamente più ampio del singolo processo. Un agente progettato per le offerte può diventare il primo tassello di una famiglia di agenti specializzati, il cui funzionamento può essere esteso ad altri ambiti, per esempio come la gestione degli ordini, il customer service o il supporto post‑vendita.
Verso modelli di AI operativa
Un approccio, insomma, che può evolversi in un modello e in una consuetudine operativa, come possiamo cogliere dal commento al progetto di Simone Ponzoni, CEO di Quanture: “Siamo nel pieno di un percorso di evoluzione, con investimenti mirati a posizionare esperienze di intelligenza artificiale per accompagnare le aziende nella nuova era della digitalizzazione dei processi. L’introduzione degli agenti AI rappresenta un cambiamento importante nelle realtà lavorative. Oggi il nostro impegno principale è proprio quello di individuare e valorizzare piccole parti di processo per alimentare un cambio di mentalità: molti aspetti, anche operativi, possono essere migliorati grazie a questi strumenti, per offrire un’esperienza lavorativa superiore e permettere alle persone di dedicarsi a compiti a maggior valore aggiunto. Il nostro obiettivo è offrire ai clienti un vero e proprio percorso di avvicinamento e adozione di queste tecnologie, che Quanture ha fatto proprie e intende promuovere con convinzione in tutti i suoi ambiti di attività. Il cambiamento sta coinvolgendo ogni settore, e vogliamo essere presenti come lo siamo stati per altre tecnologie che hanno fatto il loro ingresso sul mercato. Continueremo a esserci, con il ruolo che ci contraddistingue e che ci ha già portato molti risultati: vogliamo costruire percorsi significativi e sinergici, anche in contesti particolarmente sfidanti”.
Obiettivo che trova riscontro soprattutto nei risultati che il cliente percepisce, come sottolinea Giulio Galizia, Business apps architect e delivery manager Quanture.AI: “La vera soddisfazione nasce dal vedere come, attraverso gli strumenti tecnologici e le soluzioni offerte dal mercato, si riescano a risolvere necessità di business che rendono l’azienda cliente più competitiva. È questa la gratificazione maggiore. Il consiglio è partire dai piccoli task, per evitare visioni distorte: compiti circoscritti che rispondono a esigenze funzionali specifiche e permettono di valutare concretamente l’efficacia della soluzione. Si avvia così un processo di consapevolezza: ‘intanto ti ho fatto vedere che funziona’, senza stravolgere l’azienda e in tempi rapidi. I grandi cambiamenti arriveranno in una fase successiva, e solo se necessario.”
L’intelligenza artificiale agentica, insomma, è senza dubbio l’aspetto dell’adozione dell’AI che incontra il maggior interesse da parte delle aziende. Grazie a questa, infatti, possiamo finalmente pensare a componenti strutturali dei processi progettati per operare in modo da essere realmente utilizzabili in contesto produttivo.
Il caso di Sada Cavi mostra come questo approccio sia già praticabile in contesti industriali reali, a condizione di affrontare il tema con una visione progettuale e un’attenzione costante all’integrazione tra tecnologia e organizzazione.
