Nelle grandi operazioni aziendali in ambito B2B, l’esecuzione delle attività quotidiane di back office rimane frequentemente ancorata a processi manuali consolidati da anni. L’inserimento delle schede d’ordine nei sistemi gestionali, la chiusura dei registri contabili e la riconciliazione dei dati continuano a impegnare risorse umane su mansioni ripetitive. In un’intervista approfondita per il podcast The AI in Business Podcast, Chris Bradley, Chief Marketing Officer e Responsabile della Trasformazione AI di Veritiv, ha esaminato le motivazioni strutturali di questo ritardo operativo, illustrando il ruolo della agentic AI nella gestione completa dei flussi di lavoro ad alto volume.
Indice degli argomenti:
La frammentazione dei sistemi legacy e il costo delle attività manuali
La permanenza di processi manuali all’interno delle grandi organizzazioni B2B non è legata alla mancanza di investimenti tecnologici, ma alla complessa architettura informatica su cui poggiano le attività quotidiane. Molti strumenti di ultima generazione nascono per contesti nativi digitali, mentre le grandi imprese operano attraverso una stratificazione di software accumulati nel tempo.
Come evidenziato da Bradley, l’ostacolo principale all’efficienza risiede nell’architettura dei sistemi aziendali: «La maggior parte di noi vive in un mondo caratterizzato da un mosaico di sistemi legacy, sistemi ERP, sistemi proprietari sviluppati internamente». Questa configurazione costringe gli operatori umani a lavorare contemporaneamente su tre o quattro monitor, trasferendo manualmente le informazioni da una piattaforma all’altra.
Il mantenimento di questa operatività manuale comporta costi indiretti rilevanti, che vanno oltre la semplice somma delle ore di lavoro. La costante digitazione manuale espone le procedure al rischio di errore umano, rallentando la velocità complessiva di risposta dell’azienda. Inoltre, l’impiego di personale qualificato in attività meramente esecutive limita le possibilità di crescita professionale all’interno dell’organizzazione. Su questo punto, Bradley ha precisato: «Stiamo costringendo i nostri dipendenti a svolgere questo lavoro manuale quando invece potrebbero essere promossi a compiti di livello molto più elevato».
Generative AI e agentic AI: le differenze nell’operatività aziendale
Nel dibattito tecnologico corrente, il termine intelligenza artificiale viene spesso impiegato per indicare soluzioni tra loro molto distanti. Esiste una distinzione concettuale e funzionale profonda tra i modelli di AI generativa tradizionale e le architetture basate su agentic AI.
Dalla bozza all’esecuzione completa dei compiti
I modelli generativi e i sistemi di chatbot nati negli ultimi anni sono stati progettati per operare come assistenti all’analisi, supporto alla ricerca o creatori di bozze testuali. In queste configurazioni, l’essere umano mantiene il controllo di ogni singola fase, guidando lo strumento e prendendo le decisioni operative successive.
Molti applicativi presenti sul mercato utilizzano la denominazione di agenti pur rimanendo confinati nel perimetro della generative AI. Bradley ha chiarito questa sovrapposizione concettuale: «Ci sono così tanti strumenti sul mercato che hanno nel nome la parola “agente”, ma in realtà sono ancora semplici strumenti di AI generativa».
La agentic AI introduce un salto qualitativo nell’operatività, passando dal semplice affiancamento decisionale all’esecuzione autonoma e sequenziale di un compito articolato. L’agente software riceve un obiettivo finale e gestisce in autonomia tutti i passaggi intermedi necessari al suo completamento. L’elemento differenziante risiede nella capacità del sistema di operare sui software aziendali allo stesso modo in cui farebbe un dipendente umano.
Come spiegato da Bradley durante l’intervista: «La vera AI agentica si basa sul principio: “Ecco cosa deve essere fatto” e l’AI va ed esegue tutti i passaggi che prima solo un essere umano era in grado di compiere».
Il caso Veritiv: l’automazione di 1,7 milioni di ordini con l’agentic AI
Per testare le capacità della agentic AI su scala industriale, Veritiv ha individuato uno dei processi di back office a maggiore intensità di lavoro manuale all’interno della propria organizzazione: l’inserimento degli ordini di acquisto. L’azienda gestiva manualmente un volume pari a 1,7 milioni di ordini all’anno.
L’avvio del progetto pilota è avvenuto tra la fine di novembre e l’inizio di dicembre del 2025, momento in cui il primo ordine è stato elaborato ed inserito con successo dal sistema autonomo senza alcun intervento umano diretto.
L’importanza dell’audit trail e il controllo del carattere non deterministico
L’affidabilità di un sistema autonomo inserito in un processo critico richiede meccanismi di verifica rigorosi. Poiché i modelli linguistici di grandi dimensioni (LLM) presentano una natura non deterministica, esiste la possibilità che il sistema generi risposte o comportamenti inaspettati nel corso dell’elaborazione.
Per garantire il controllo dei processi, Veritiv ha integrato una traccia di controllo (audit trail) sistematica per ogni operazione eseguita dagli agenti software. Il sistema registra uno screenshot per ogni azione compiuta, consentendo ai responsabili di riprodurre visivamente l’intera sequenza operativa a posteriori.
In merito alla tracciabilità dei processi, Bradley ha sottolineato la superiorità della supervisione digitale rispetto al controllo tradizionale: «Per ogni singola missione agentica che distribuiamo, c’è uno screenshot per ciascun passaggio ed è possibile riprodurlo per vedere esattamente cosa ha fatto». L’implementazione di questo registro ha fornito un livello di trasparenza precedentemente inaccessibile. «Prima non avevamo questa possibilità. Non potevamo vedere cosa facesse un essere umano; non abbiamo registrazioni dello schermo di ogni volta che un dipendente fa qualcosa al computer, ma con gli agenti AI sì», ha aggiunto Bradley.
Architetture a doppio agente: la supervisione tra modelli linguistici
Nel corso della scalabilità del progetto, il passaggio da piccoli volumi di prova all’elaborazione di migliaia di ordini ha fatto emergere la necessità di gestire anomalie marginali. Ogni sessione operativa svolta da un agente autonomo implica una serie di chiamate distinte al modello linguistico di base. Se una procedura richiede venti chiamate LLM successive, il sistema rilegge le istruzioni, le competenze aziendali e le barriere di sicurezza (guardrails) come se fosse un modello fresco a ogni singolo passaggio.
Per garantire la stabilità del processo ad alti volumi, Veritiv ha implementato una struttura di controllo basata su un secondo agente con funzioni di ispezione. Questo agente supervisore analizza l’output prodotto dall’agente operativo al termine del ciclo di lavoro, verificando il rispetto dei requisiti previsti. Bradley ha commentato ironicamente la dinamica tra i sistemi: «Abbiamo scoperto che i modelli linguistici di grandi dimensioni adorano giudicare gli altri modelli linguistici».
Integrazione nei flussi CRM e gestione del cambiamento
L’adozione delle tecnologie di automazione all’interno dei contesti aziendali è fortemente condizionata dalle dinamiche di gestione del cambiamento (change management). L’introduzione di nuove interfacce o strumenti software complessi rischia spesso di generare attriti o resistenze da parte del personale operativo.
Nell’esperienza descritta da Veritiv, l’interazione con l’agente autonomo è stata integrata direttamente all’interno dell’ambiente CRM Salesforce, già in uso presso l’azienda. Gli operatori del servizio clienti assegnano le pratiche all’agente AI e comunicano con esso tramite la sezione commenti della scheda cliente, senza dover apprendere l’utilizzo di nuove piattaforme.
Un aspetto centrale nell’accettazione della agentic AI risiede nella scelta delle mansioni da automatizzare. L’automazione produce i migliori risultati quando viene applicata alle attività ripetitive e burocratiche che i dipendenti considerano prive di valore aggiunto. Al contrario, il tentativo di sostituire il lavoro creativo o di analisi complessa genera insoddisfazione.
Su questo tema, Bradley ha fornito un’indicazione strategica chiara: «Non mandate un agente a fare lo straordinario lavoro creativo del vostro team creativo: non lo apprezzeranno. Ma se mettete l’AI a fare il lavoro di routine, la fatica manuale che hanno sempre considerato inferiore a loro, allora lo adoreranno e lo adotteranno».
Decision leverage e labor leverage: la strategia di selezione dei processi
Quando un’organizzazione decide di investire nell’intelligenza artificiale, si trova di fronte a due direttrici strategiche per l’ottenimento del ROI: la leva decisionale (decision leverage) e la leva operativa (labor leverage). La prima mira a migliorare la qualità delle analisi e delle decisioni strategiche; la seconda punta ad automatizzare i compiti manuali ad alta intensità di lavoro.
Per individuare i punti di applicazione a più alto impatto, la direzione di Veritiv ha analizzato la mappatura delle mansioni dell’intera popolazione aziendale, composta da circa 8.000 dipendenti, in collaborazione con il Chief HR Officer. L’analisi ha identificato aree ad alta concentrazione di ruoli omogenei, come il servizio clienti, le operazioni finanziarie e la rete di vendita, dove gruppi compresi tra 500 e 600 persone svolgevano le medesime procedure manuali.
L’impatto economico dell’automazione è direttamente proporzionale alla dimensione del gruppo di lavoro coinvolto. Bradley ha illustrato il criterio di calcolo adottato: «Se si trova un’opportunità per una popolazione di 400 o 500 persone e si riescono a togliere 3 ore al giorno di attività manuale e di routine, allora si ottiene qualcosa di estremamente prezioso, perché si può ridistribuire quella competenza e quella energia».
Nel caso specifico del servizio clienti, il tempo recuperato dall’inserimento dati è stato riallocato sulla gestione diretta dei clienti e sulla risoluzione di problematiche complesse.
Scalabilità dell’impatto e valore economico nel back office B2B
A differenza dell’approccio tradizionale alla trasformazione digitale, che suggerisce spesso di iniziare dai problemi aziendali più circoscritti, l’implementazione della agentic AI richiede un’ottimizzazione degli sforzi di sviluppo focalizzata sui grandi volumi.
La creazione di un agente autonomo strutturato, dotato di traccia di controllo e sistemi di supervisione, comporta un impegno tecnico ed economico significativo. Pertanto, l’impiego della tecnologia su micro-processi riservati a poche unità di personale non offre un ritorno sull’investimento sufficiente a giustificare la complessità del progetto.
In merito alla selezione dei casi d’uso, Bradley ha concluso evidenziando la necessità di puntare ai grandi volumi operativi: «Sviluppare uno strumento agentico, qualunque esso sia, richiede molto sforzo. Farlo per risolvere il problema di una singola persona non offre un grande beneficio. Noi cercavamo i punti a più alta intensità di lavoro manuale per ottenere una leva straordinaria». L’automazione dei processi ad alto volume nel back office B2B si conferma così una delle direttrici a maggiore rendimento per l’adozione dell’intelligenza artificiale nelle grandi imprese.
Partecipa alla community