Per anni ci siamo abituati a pensare al software come a uno strumento. Un foglio di calcolo aspetta che gli si scriva una formula, una mail aspetta che la si scriva, un CRM aspetta che si carichi il dato. Anche le forme più sofisticate di automazione, dal vecchio RPA ai workflow di prima generazione, restano dentro questa categoria: macchine che eseguono istruzioni precise, e che si fermano quando l’istruzione manca.
Gli agenti AI rompono questa abitudine. Davanti a un obiettivo, non aspettano la sequenza esatta dei passi. La costruiscono, la rivedono, la cambiano quando un passo non riesce. Possono leggere un capitolato MEPA, mapparlo contro le evidenze nel knowledge base aziendale, segnalare i gap, abbozzare le risposte tecniche e consegnare al responsabile gara un documento già strutturato. Possono prendere in carico una pipeline commerciale ferma, recuperare segnali pubblici sui clienti, redigere email di riattivazione personalizzate, sottoporle al sales owner e, dopo approvazione, inviarle aggiornando lo stage in CRM.
Ogni passo viene loggato, ogni decisione lasciata a chi deve restare nel loop. Niente fantascienza, casi documentati di aziende italiane che stanno mettendo agenti in produzione in questi mesi.
Il 2026 è l’anno in cui questa trasformazione esce dai laboratori e arriva nelle agende dei comitati di direzione. Secondo l’Osservatorio Artificial Intelligence del Politecnico di Milano, il mercato AI italiano ha chiuso il 2025 a 1,8 miliardi di euro, +50% sul 2024. Il 71% delle grandi imprese italiane ha avviato almeno un progetto AI, ma solo l’8-11% delle PMI. Nicola Gatti, direttore dell’Osservatorio, riassume così: «Nel 2025 la parola dell’anno è stata Agentic AI, non tanto per la sua attuale portata economica o per il suo impatto potenziale, ma per la semplicità con cui ci ricorda la potenza dell’innovazione combinatoria».
L’osservazione vale doppio: il fenomeno è grande perché compone tecnologie esistenti in modi nuovi, e proprio per questo si diffonde più velocemente di quanto le aziende riescano a governare.
A livello globale la fotografia è ancora più nitida. Gartner, nel CIO and Technology Executive Survey 2026, registra che solo il 17% delle organizzazioni ha agenti AI in produzione, ma oltre il 60% prevede di farlo entro due anni. È la curva di adozione più aggressiva mai misurata per una tecnologia emergente. La forbice tra ambizione ed esecuzione resta ampia, e Gartner colloca l’agentic AI sul picco delle aspettative inflazionate del proprio Hype Cycle. Tradotto per chi deve prendere decisioni: l’opportunità è reale, la pressione del mercato anche, ma la maggior parte dei progetti che partono ora non scaleranno se le organizzazioni non capiscono di cosa stiamo parlando esattamente.
Indice degli argomenti:
Cosa cambia quando un software persegue obiettivi
La distinzione tra software che esegue comandi e software che persegue obiettivi sembra teorica, e invece è la cesura più importante della storia recente dell’informatica aziendale. Per cinquant’anni abbiamo programmato le macchine descrivendo passo per passo cosa dovevano fare. Anche quando l’interfaccia diventava più amichevole e l’utente non scriveva codice, il principio restava: prima si definisce la procedura, poi la macchina la esegue.
L’agente AI riceve un obiettivo, ad esempio “qualifica questo lead, ricerca informazioni pubbliche sul contesto del cliente, prepara una proposta di email di riattivazione”, e costruisce da sé la sequenza dei passi che lo portano a destinazione.
Il riferimento tecnico più citato in letteratura è il pattern ReAct (reason and act), oggi standard nei principali framework agentici: l’agente ragiona, esegue un’azione, osserva il risultato, ragiona di nuovo. Se l’azione fallisce, ripianifica. Se l’osservazione apre una possibilità migliore, devia. Questa capacità di tornare indietro e riprovare con parametri diversi è ciò che distingue un agente da una catena rigida di automazioni.
Una catena tradizionale fa A poi B poi C in quest’ordine, e se B fallisce si ferma. Un agente, se B fallisce, può tornare ad A con parametri diversi, oppure saltare a un C alternativo.
Il quadro tecnico è importante per due ragioni operative. Primo, perché spiega perché gli agenti sono utili dove le procedure non sono interamente prevedibili: gestione delle anomalie nei processi documentali, gare e procedure di acquisto con capitolati eterogenei, customer operations con casistiche infinite.
Secondo, perché spiega perché gli agenti sono pericolosi dove la procedura deve essere rigida e gli scarti vanno tracciati: contabilità di chiusura, gestione di farmaci, transazioni finanziarie sopra soglia. In questi ambiti l’autonomia non è una funzionalità desiderabile, va contenuta come si contiene un rischio.
Agenti AI e caratteristiche probabilistiche
C’è poi un punto che spesso viene saltato e che vale la pena fissare subito. Un agente AI, a differenza di un’automazione tradizionale, ha una caratteristica probabilistica. Davanti allo stesso input non produce sempre identico output: ragiona, sceglie, e le sue scelte possono variare entro un margine. Per chi viene dal mondo dei sistemi deterministici, dove un programma con lo stesso input dà lo stesso output, è uno spaesamento. In azienda si traduce in un’esigenza nuova: validare gli agenti non con test deterministici, ma con metriche statistiche di qualità dell’azione, accuratezza media, tasso di errore, deriva nel tempo.
Il modello mentale corretto è quello del giovane collaboratore competente che sta imparando, non quello dell’algoritmo di calcolo. Si supervisiona, si corregge, si misura la performance, si interviene quando la qualità scende. Una buona parte delle implementazioni fallite del 2024 e del 2025 è caduta proprio su questo: aziende che hanno comprato agenti aspettandosi un comportamento da macro Excel, e si sono trovate a gestire qualcosa di più simile a un tirocinante molto veloce.
Le quattro cose che fanno di un sistema un agente
Quando si parla di agenti AI si fa spesso confusione con tre categorie vicine: chatbot, copilot, RPA. La confusione non è solo linguistica, ha conseguenze operative concrete: porta a comprare prodotti sbagliati per casi d’uso giusti, a pretendere dai vendor cose che non possono dare, a sottostimare i rischi di governance di sistemi che sembrano semplici e non lo sono. Vale la pena fissare quattro componenti che, presenti tutti insieme, fanno di un sistema un agente.
- Il primo è il modello linguistico, in particolare un large language model capace di seguire istruzioni complesse e ragionare su problemi non interamente specificati. Il modello è il motore cognitivo, ma da solo non basta: un LLM che scrive testo è un componente che un agente può usare, e nient’altro. Confondere il componente con il sistema produce demo impressionanti e implementazioni inutili. In termini di mercato significa che ChatGPT, Claude, Gemini, Mistral di per sé non costituiscono agenti, sono i modelli su cui un agente si costruisce.
2. Il secondo è la memoria, intesa come capacità di mantenere stato attraverso le iterazioni: ricordare cosa è stato fatto nei passi precedenti, accedere a una knowledge base aziendale, conservare il contesto di una conversazione lunga, integrare informazioni che arrivano da fonti diverse nel corso dello stesso compito. Senza memoria, ogni passo dell’agente è cieco rispetto ai precedenti. La memoria a sua volta si articola in forme diverse: memoria di breve termine entro la singola sessione, memoria di lungo termine attraverso le sessioni, memoria semantica che recupera contenuti rilevanti via similarità su embedding. Le scelte di architettura della memoria pesano enormemente sui costi operativi: una memoria troppo verbosa significa token costosi e prompt lunghi, una memoria troppo selettiva significa agenti smemorati che ripetono errori.
3. Il terzo, il più trasformativo dal punto di vista architetturale, è l’uso di strumenti esterni: API verso CRM, ERP, sistemi documentali, motori di ricerca, portali della PA come MEPA e Consip, piattaforme di posta, calendari, gestionali specifici di settore. L’agente non vive nel proprio prompt: chiama strumenti, riceve risultati, agisce. Qui entra in gioco il Model Context Protocol, lo standard aperto introdotto da Anthropic nel novembre 2024 e donato alla Linux Foundation nel dicembre 2025 insieme a Block e OpenAI. MCP è oggi supportato nativamente da Claude, ChatGPT, Gemini, Microsoft Copilot, AWS, ed è arrivato a 97 milioni di download mensili degli SDK con oltre 10mila server pubblici attivi. È il TCP/IP dell’era agentica, ed è importante per le aziende perché significa che gli investimenti fatti in integrazione su un fornitore restano spendibili sui concorrenti. Per un CIO italiano è la prima volta dai tempi dei web service che uno strato di integrazione AI si standardizza prima ancora di consolidarsi: una finestra di opportunità per costruire fondamenta che non scadranno tra dodici mesi.
4. Il quarto è il planning loop: la capacità di scomporre un obiettivo in passi, ordinare le dipendenze, anticipare i fallimenti, ripianificare. È quello che chiamiamo autonomia, ed è la dimensione su cui si gioca il dosaggio. Un agente con autonomia alta procede da solo dal momento in cui riceve il compito fino al risultato finale. Un agente con autonomia bassa si ferma a ogni passo per chiedere conferma. La maggior parte dei casi aziendali sani sta nel mezzo: autonomia alta sui passi routinari, sospensione e human-in-the-loop sui passi sensibili.
I quattro componenti insieme fanno la differenza tra un agente e un chatbot evoluto. Un chatbot, anche dotato di un LLM potente, vive dentro la conversazione: risponde a quello che gli si scrive, ma non agisce sul mondo. Un copilot opera dentro un’applicazione specifica (un IDE, un foglio di calcolo, un client di posta) per assistere l’utente in tempo reale, ma non procede da solo verso un obiettivo se l’utente non guida ogni passo. Un sistema RPA esegue procedure deterministiche su interfacce, ma non ragiona, non ripianifica, non gestisce variazioni inattese.
L’agente combina la flessibilità cognitiva del modello con la capacità di agire del software tradizionale, ed è questa combinazione a renderlo allo stesso tempo potente e politicamente delicato.
La regola di disambiguazione, in azienda, può essere ridotta a una domanda secca: se la tecnologia, ricevuto un obiettivo non banale, può fallire un passo intermedio e replanificare da sola, è agentica. Altrimenti è un altro tipo di automazione, utile ma diversa. Vale la pena tenerla a mente quando i vendor presentano in demo. Tre quarti dei prodotti che si autoetichettano “agentic” oggi sul mercato non lo sono nel senso stretto del termine: sono chatbot avanzati, copilot specializzati, orchestrazioni RPA con un LLM bolt-on. Non significa che siano inutili, significa che chi li compra deve sapere cosa sta comprando.
Un agente, molti agenti
Una volta capito che cos’è un agente, la domanda successiva che il mercato si pone è se ne basta uno o se ne servano molti, coordinati. La differenza tra single agent e multi-agent system non è ideologica, ha conseguenze architetturali e operative concrete su costo, complessità, audit trail.
Un single agent è un’unità che riceve un obiettivo, lo persegue, lo conclude. Funziona bene quando il processo è verticale, profondo, ma circoscritto: estrazione dati da una serie di fatture, qualificazione di un lead, generazione di un report periodico. È più semplice da governare perché la responsabilità è concentrata, più economico da esercire, più tracciabile perché tutte le azioni sono attribuibili a un’unica entità. Per la maggior parte delle aziende italiane che oggi si avvicinano al tema, il punto di partenza corretto è il single agent ben fatto, non il multi-agent ambizioso.
Un sistema multi-agente coordina due o più agenti specializzati che si dividono il lavoro su un obiettivo comune. Un’architettura tipica vede un agente orchestratore che riceve la richiesta, agenti specialisti che lavorano su sotto-compiti, eventualmente un agente di controllo che verifica la qualità delle azioni prima di consolidarle. Multi-agent funziona dove il processo è orizzontale, multi-dominio, e nessun singolo agente potrebbe contenere tutta la competenza richiesta: gestione end-to-end di una pratica complessa che attraversa tecnico e legale e commerciale. Ha costi più alti, complessità di debug maggiore quando qualcosa va storto, audit trail più articolato da gestire.
Automatizzare un task o un processo?
Il dato di Gartner sul 2026 fotografa la transizione: la quota di sistemi multi-agente con tre o più agenti coordinati è al 22%, prevista al 45-50% entro la fine del 2027. La media di agenti distinti per organizzazione Fortune 500 è 3,4, con proiezione a 6-8 entro fine anno prossimo. Il mercato si sta muovendo verso architetture multi-agente, ma il momento per la maggior parte delle aziende italiane è ancora il single agent: padroneggiato quello, il passo successivo diventa più sostenibile.
La domanda da porsi prima di scegliere l’architettura è specifica: sto automatizzando un task o un processo? Se il confine del compito è chiaro e l’output finale è uno solo, single agent basta.
Se il compito attraversa funzioni diverse, conoscenze diverse, sistemi diversi, e ognuno di questi pezzi richiede competenze specifiche, vale la pena ragionare su multi-agent. Saltare al multi-agent perché lo dice il vendor è il primo errore di scoping che Gartner ha già messo in conto nel calcolo del proprio 40% di progetti agentici a rischio di cancellazione entro fine 2027.
C’è una variante intermedia che sta guadagnando terreno e che merita una parola di chiarimento: il pattern “agente con sotto-agenti” o “agente con tool agentici”. Da fuori sembra single agent, da dentro è un orchestratore che usa altri agenti come strumenti, attraverso meccanismi che protocolli come MCP stanno standardizzando proprio in questi mesi. La distinzione tra “ho un agente che chiama altri agenti” e “ho un sistema multi-agente” è ormai sfumata. Quel che conta dal punto di vista del governance è dove cade la responsabilità delle azioni: in chi parla con il sistema esterno, in chi mantiene la memoria del processo, in chi firma le decisioni finali.
L’autonomia come dosaggio, non come bandiera
Il dibattito sull’autonomia degli agenti è spesso impostato in modo manicheo: agenti autonomi versus agenti supervisionati, come se fossero due categorie merceologiche. Il modo corretto di leggere l’autonomia è come una variabile continua che il progettista dosa caso per caso, in funzione di valore atteso, di rischio sotteso, di costo della supervisione necessaria.
Un agente che redige una bozza di risposta a un cliente di customer care può procedere in piena autonomia fino alla creazione della bozza, fermarsi e attendere approvazione umana prima dell’invio.
Un agente che gestisce la prima riconciliazione di un estratto conto può procedere fino alla soglia di importo predefinita, sopra la quale scala.
Un agente di service desk IT può eseguire reset di password e provisioning di account standard in autonomia totale, ma deve fermarsi sui privilegi amministrativi. In tutti questi casi l’autonomia varia per scelta progettuale: dosata sui passi a basso rischio, sospesa sui passi sensibili.
L’Osservatorio del Politecnico di Milano è esplicito sul punto. Gatti scrive: «La piena maturità tecnologica dell’Agentic AI arriverà quando si realizzerà una piena convergenza tra motori cognitivi probabilistici e capacità native di ragionamento logico e autocorrezione, che garantiranno robustezza in processi complessi. Fino a quel momento, l’approccio human-in-the-loop non è solo consigliato, ma necessario». Tradotto operativamente: ogni progetto agentico oggi deve avere punti espliciti in cui l’esecuzione si sospende e l’umano interviene. Lo human-in-the-loop ben disegnato funziona come elemento di design che abilita l’uso responsabile della tecnologia, mai come limitazione subita.
Il pattern che funziona meglio nelle implementazioni mature è quello che alcuni framework chiamano “interruzione contestuale”. L’agente procede in autonomia fino a quando incontra una condizione che richiede giudizio umano (un importo sopra soglia, un’anomalia non classificabile, un cliente con storico problematico, un dato mancante che richiede integrazione), si ferma, prepara il contesto per l’operatore umano, riprende dopo l’input. Lo human-in-the-loop ben fatto non rallenta l’agente, lo rende affidabile: l’operatore interviene solo sui casi che davvero richiedono intervento, e il resto scorre in autonomia.
Su questo punto è utile una nota di realismo. Sentirsi dire dal vendor che il proprio agente “lavora in completa autonomia” è quasi sempre un campanello d’allarme, soprattutto in contesti regolati o ad alto rischio. Gli agenti che in produzione funzionano bene sono quelli con punti di controllo umano disegnati esplicitamente dentro il flusso, non lasciati come ripensamento. Le aziende che pongono attenzione a questo dettaglio in fase di scelta del fornitore evitano la quota larga di incidenti operativi che pesano sui progetti naufragati.
Il glossario minimo per chi entra sul tema
Per chi si avvicina al tema partendo da zero, vale la pena fissare otto termini che ritornano costantemente nelle conversazioni con i fornitori e nei comitati di direzione. Sono il vocabolario minimo per non perdere il filo.
- LLM (Large Language Model). Il modello linguistico di grandi dimensioni che fa da motore cognitivo dell’agente. Esempi: Claude (Anthropic), GPT (OpenAI), Gemini (Google), Llama (Meta, open source), Mistral (open source francese). Da solo non costituisce un agente, è il motore su cui un agente si costruisce.
2. Tool use o function calling. La capacità del modello di chiamare funzioni esterne (API, database, motori di ricerca) ricevendo in risposta i risultati e usandoli per le azioni successive. Senza tool use non c’è agente, c’è solo un chatbot.
3. MCP (Model Context Protocol). Lo standard aperto, oggi sotto la Linux Foundation, per connettere agenti AI a sistemi e dati. È l’equivalente del USB-C per gli agenti: stesso connettore, mille periferiche. Approfondiremo nella seconda puntata.
4. RAG (Retrieval Augmented Generation). Il pattern in cui il modello, prima di rispondere, recupera documenti rilevanti da una knowledge base e li usa come contesto. È il modo standard per dare a un agente accesso al sapere aziendale senza addestrare un modello custom.
5. ReAct (Reason and Act). Il pattern di ragionamento che alterna pensiero esplicito e azione. È diventato lo standard di fatto per come gli agenti scompongono problemi non banali.
6. Agente orchestratore. Nei sistemi multi-agente, l’agente che riceve la richiesta dell’utente e coordina altri agenti specialisti. Detto anche router o coordinatore.
7. Human-in-the-loop (HITL). Lo schema di lavoro in cui l’agente sospende l’esecuzione per chiedere conferma o input umano in passi predefiniti come sensibili.
8. AgentOps. La disciplina, ancora giovane, di esercire agenti in produzione: monitoraggio, controllo qualità delle azioni, gestione errori, deriva nel tempo, costi per task. È il cugino del DevOps e del MLOps, dedicato alla specificità degli agenti. Tornerà nella quarta puntata.
Otto termini, una pagina di glossario. Sufficiente per leggere senza paura il primo white paper che capita davanti, e per fare domande sensate al primo vendor che chiede di presentarsi.
Perché il 2026 è definito come uno spartiacque
Si parla di agenti AI da almeno tre anni, ma il 2026 è uno spartiacque per ragioni che vanno oltre l’hype. Sono cambiate quattro cose simultaneamente, ed è la simultaneità che fa la differenza.
Primo, la maturità tecnica dei modelli sottostanti. I modelli di linguaggio di ultima generazione raggiungono livelli di affidabilità nell’uso di strumenti che fino a un anno fa erano demo, oggi sono produzione. Le metriche di tool-use accuracy, capacità di pianificazione multi-step, gestione del contesto lungo, sono migliorate di ordini di grandezza nei rilasci 2025 dei principali vendor. Gli agenti continuano a sbagliare, ma sbagliano abbastanza poco, su compiti ben definiti, da essere economicamente sensati.
Secondo, lo strato di protocollo si è stabilizzato. Il Model Context Protocol che Anthropic ha donato alla Linux Foundation ha ottenuto in 16 mesi una traction che protocolli precedenti come REST hanno impiegato anni a raggiungere. Il dato chiave per le aziende: il 78% dei team AI enterprise ha almeno un agente MCP-based in produzione, il 41% ha sviluppato un server MCP interno custom per esporre i propri sistemi proprietari. La standardizzazione del protocollo riduce il rischio di lock-in e abbatte i costi di integrazione: lavoro fatto una volta, spendibile su più vendor di modelli.
Terzo, il quadro normativo entra a regime. L’AI Act europeo è direttamente applicabile, e in Italia si combina con la Legge 132/2025 che attende decreti attuativi entro dodici mesi. Per le imprese italiane significa una doppia compliance da gestire, ed è proprio l’agentic AI ad alzare l’asticella: gli agenti autonomi che agiscono su sistemi e dati ricadono spesso nella categoria dei sistemi ad alto rischio, con obblighi specifici di trasparenza, supervisione umana, conservazione dei log, valutazione del rischio. Approfondiremo nella quinta puntata, qui basta segnalare che ignorare il tema non è un’opzione.
Quarto, e forse più importante, il mercato ha imparato a separare promesse da risultati. Le aziende che hanno provato agenti nel 2024 hanno accumulato abbastanza memoria organizzativa per riconoscere quando uno use case è ben fatto e quando è destinato a non scalare. Gartner stima che oltre il 40% dei progetti di agentic AI a rischio di cancellazione entro fine 2027, per cause ricorrenti: scelta sbagliata del primo use case, governance debole, costi imprevedibili, integrazioni fragili. Il dato non va letto come segnale negativo, va letto come maturazione: il mercato sta separando il grano dal loglio, e questo crea spazio per progetti seri.
L’Italia, il PNRR, le specificità nazionali
Sul fronte italiano, la fotografia è coerente con il quadro globale ma con specificità che chi opera nel contesto nazionale deve tenere a mente.
La prima è il divario tra grandi imprese (71% con progetti AI avviati) e PMI (8-11%), che si traduce in un gap competitivo destinato ad ampliarsi se non lo si chiude in fretta. La forbice non è solo questione di budget, riguarda accesso a competenze, qualità dei dati interni, maturità dei sistemi gestionali. Per il tessuto industriale italiano, fatto in larga parte di aziende sotto i 250 dipendenti, l’agentic AI è insieme la sfida e l’opportunità del prossimo triennio: chi accelera ora trova spazio competitivo che le grandi imprese, gravate da legacy IT e processi consolidati, hanno più difficoltà a occupare.
La seconda è la governance immatura: solo il 9% delle grandi imprese italiane dichiara una gestione strutturata dell’AI, e appena il 15% ha avviato progetti organici di adeguamento all’AI Act. Il mercato corre, ma manca lo scheletro istituzionale per reggere la corsa. Aggravante: la maggior parte delle aziende italiane non ha mai dovuto gestire identità non umane su scala (cioè account tecnici che agiscono al posto di persone), né protocolli di logging conformi a standard di settore avanzato. Gli agenti rendono entrambi i problemi improvvisamente centrali, e i team IT che oggi gestiscono utenze umane si trovano davanti un secondo tipo di utente, con regole nuove.
La terza è la fine progressiva degli investimenti straordinari PNRR nel 2026, che obbligherà le aziende a sostenere autonomamente progetti che fino a oggi erano parzialmente supportati. È una variabile macroeconomica che non riguarda direttamente la tecnologia ma che cambia il calcolo del ritorno: i pilot finanziati a costo zero diventano investimenti veri, e i criteri di selezione si fanno più severi. Gatti dell’Osservatorio del PoliMi ha esplicitato la preoccupazione nel comunicato della ricerca 2025: «Sarà molto importante monitorare nel 2026 l’impatto della fine del piano straordinario di investimenti legati al PNRR e come l’Europa vorrà intervenire per rafforzare la sua posizione attuale».
A queste specificità si aggiunge un quarto elemento, di natura culturale, che fa da sottotraccia a tutto il resto: la diffidenza italiana verso l’automazione decisionale. La questione non si esaurisce con GDPR e rappresentanze sindacali, riguarda una caratteristica di lungo periodo del tessuto produttivo nazionale, che premia la relazione personale, la firma riconoscibile, il referente identificato. Gli agenti che funzionano in Italia sono quelli che si integrano in questo tessuto culturale, non quelli che pretendono di sostituirlo. Un agente di gara che prepara il documento per il responsabile gara è accettato. Un agente di gara che firma e invia il documento è respinto. La differenza è progettuale, e la fanno aziende che capiscono il contesto in cui operano.
Sul fronte dell’offerta, per orientarsi nel mercato dei modelli sui quali si costruiscono gli agenti basta tenere a mente cinque nomi:
- Anthropic con Claude,
- OpenAI con GPT,
- Google con Gemini
sono i tre vendor proprietari che oggi guidano le metriche di qualità sui benchmark agentici. Tutti e tre supportano MCP nativamente, tutti e tre hanno strategie enterprise consolidate, tutti e tre hanno pricing in evoluzione costante con tendenza al ribasso del costo per token.
4. Meta con Llama e
5. Mistral con i propri modelli, rappresentano il fronte open source serio: modelli scaricabili, eseguibili su infrastruttura controllata dall’azienda, con qualità che nei benchmark si avvicina ai migliori proprietari su molti task pratici.
Il progetto italiano Minerva, sviluppato dall’Università La Sapienza, è una nicchia che vale la pena monitorare per chi ha vincoli forti di sovranità linguistica e dei dati. La seconda puntata della guida entra nel merito di queste scelte, qui basta segnalare che la decisione del modello non è una decisione tecnica neutra: ha implicazioni di lock-in, di sovranità dei dati, di compliance con AI Act, di costi a regime.
Conclusioni
Gli agenti AI sono una tecnologia, e come tutte le tecnologie diventano interessanti quando smettono di essere il centro della conversazione e diventano lo sfondo. Quando smettiamo di parlare di “agenti AI” e cominciamo a parlare di “il modo in cui gestiamo le fatture in entrata”, “il modo in cui qualifichiamo i lead”, “il modo in cui rispondiamo alle anomalie nel ciclo passivo”, abbiamo vinto: la tecnologia è diventata invisibile, il valore è esplicito.
Il momento è propizio per chi è disposto a fare la fatica seria di capire prima di decidere, e a decidere prima che il mercato decida al posto suo. Le aziende che nel 2026 sceglieranno bene il primo agente, lo metteranno in produzione con governance reale, e impareranno a esercirlo, non staranno facendo trasformazione digitale: staranno costruendo l’organizzazione che gli serve per i prossimi cinque anni. Le altre dovranno recuperare un divario che ogni mese si allarga. Senza dubbio è la posta in gioco che giustifica l’attenzione che gli agenti stanno guadagnando in questi mesi.
Quale forma prenderà davvero la collaborazione tra esseri umani e questi nuovi attori del software, lo decideremo insieme, nei prossimi due o tre anni, una scelta operativa per volta.
Guide agli agenti AI
- Agenti AI: che cosa sono diventati, perché il 2026 li rende inevitabili
Fonti: Osservatorio del Politecnico di Milano, Anthropic, Gartner, Linux Foundation, AgID, Commissione Europea.
I numeri sono verificati e datati. Le opinioni sono dichiarate come tali.
