Generali, Grenke Italia, Unipol e Sada Cavi hanno introdotto soluzioni di intelligenza artificiale agentica in attività aziendali concrete, dalla gestione dei sinistri all’elaborazione dei contratti, fino al monitoraggio informatico e alle richieste commerciali. Quattro progetti che documentano l’impiego di agenti AI per coordinare operazioni, analizzare informazioni e supportare verifiche che tradizionalmente richiedono numerosi passaggi manuali.
Le esperienze si inseriscono in un mercato italiano dell’intelligenza artificiale che nel 2025 ha raggiunto 1,8 miliardi di euro, con una crescita del 50% rispetto all’anno precedente. Secondo l’Osservatorio Artificial Intelligence del Politecnico di Milano, il 71% delle grandi imprese ha avviato almeno un progetto di AI, mentre tra le piccole e medie aziende la quota si ferma all’8%. I dati riguardano l’intelligenza artificiale nel suo complesso e non misurano specificamente la diffusione delle architetture agentiche.
Indice degli argomenti:
L’emergere dell’AI agentica nei processi produttivi e di servizio italiani
L’AI agentica introduce una modalità di automazione nella quale il software può organizzare attività successive, utilizzare strumenti esterni e consultare informazioni aziendali per raggiungere obiettivi definiti. Diversamente dai chatbot tradizionali, progettati principalmente per rispondere alle richieste degli utenti, gli agenti possono interagire con applicazioni e sistemi gestionali, entro autorizzazioni e vincoli operativi prestabiliti.
Nelle imprese italiane, le applicazioni documentate interessano processi caratterizzati da grandi quantità di documenti e informazioni distribuite. Collegare operazioni precedentemente separate può ridurre il lavoro preparatorio e consentire agli specialisti di concentrarsi sulle verifiche che richiedono competenze professionali.
Quali workflow aziendali traggono maggior beneficio dagli agenti autonomi
I processi più adatti all’automazione agentica presentano attività ricorrenti, regole verificabili e informazioni accessibili attraverso sistemi digitali. La classificazione dei documenti assicurativi, l’onboarding contrattuale e la gestione delle richieste commerciali costituiscono esempi concreti.
Nel settore assicurativo, una pratica può contenere perizie, certificati medici e comunicazioni prodotte in momenti differenti. Un agente può ricostruire le informazioni rilevanti, individuare incongruenze e predisporre una sintesi per il liquidatore. Il vantaggio deriva dalla riduzione delle operazioni di ricerca e confronto, senza necessariamente trasferire al software la responsabilità della decisione.
L’efficacia dipende tuttavia dalla qualità dei dati e dalla stabilità del processo. Informazioni incomplete o procedure poco definite possono compromettere il risultato anche quando il modello utilizzato possiede capacità avanzate.
Come la collaborazione tra più agenti ottimizza le operation complessi
Le architetture multiagente distribuiscono le attività tra componenti specializzati. Un agente può estrarre informazioni dai documenti, un secondo verificarne la coerenza e un terzo predisporre il risultato destinato all’operatore. La suddivisione permette di introdurre controlli intermedi e individuare con maggiore precisione eventuali errori.
Questa impostazione non è necessariamente superiore a un sistema più semplice. Ogni componente aggiuntivo introduce interazioni, costi e possibili criticità nella trasmissione delle informazioni. La scelta dipende quindi dalla complessità del workflow e dalla necessità di mantenere verificabili le singole operazioni.
Nei processi più delicati, la collaborazione tra agenti deve prevedere registrazione delle attività, limiti alle autorizzazioni e intervento umano quando emergono anomalie o decisioni con conseguenze rilevanti.
Analisi dei case study italiani: implementazione e risultati
Generali ha sviluppato Claims Buddy con il contributo di Data Reply per supportare l’analisi documentale dei sinistri. Il sistema classifica i documenti, ne estrae le informazioni e utilizza agenti specializzati per effettuare controlli incrociati. I risultati vengono rappresentati attraverso indicatori che distinguono i casi regolari da quelli che richiedono ulteriori verifiche. Secondo la ricostruzione pubblicata da AI4Business della Use Case Session 2026 del Politecnico di Milano, durante la presentazione sono state riferite prestazioni superiori al 90% nei test effettuati. La documentazione pubblicamente disponibile non specifica però in modo sufficiente la metrica utilizzata, il campione di valutazione e le condizioni sperimentali. Il valore non può quindi essere interpretato come un tasso generale di accuratezza del sistema.
Grenke Italia ha affrontato l’elaborazione dei documenti contrattuali nel noleggio operativo attraverso una soluzione sviluppata con Expert.ai. L’architettura utilizza Eflow, un livello di orchestrazione che coordina agenti e regole aziendali secondo un approccio neuro-simbolico. Il sistema esamina contratti, email e documenti, eseguendo circa quaranta controlli procedurali. Secondo la testimonianza aziendale riportata da AI4Business, i tempi di gestione delle pratiche sono diminuiti del 90%. Il risultato si riferisce al processo oggetto della sperimentazione e non costituisce una misura generalizzabile a tutte le attività contrattuali.
Unipol ha realizzato con IBM NAMI, una piattaforma dedicata all’automazione delle operazioni informatiche. La soluzione integra strumenti di monitoraggio e componenti agentiche dell’ecosistema watsonx. Secondo il case study pubblicato da IBM, il tempo medio di risposta agli eventi è passato da 20 minuti a 90 secondi, mentre quello necessario alla gestione degli incidenti si è ridotto del 90%. Le metriche descrivono i risultati dichiarati nell’ambito del progetto aziendale.
Sada Cavi ha adottato una soluzione sviluppata da Quanture per automatizzare la preparazione delle richieste di offerta. Il sistema riconosce le comunicazioni commerciali pertinenti, estrae le informazioni e individua corrispondenze nel catalogo prodotti. Secondo Quanture, il riconoscimento automatico delle richieste raggiunge l’85–90%, con falsi positivi inferiori al 5%. La validazione delle proposte rimane affidata agli operatori commerciali.
Come l’automazione intelligente ha ridotto i tempi di elaborazione dati
I miglioramenti più evidenti emergono quando l’automazione interviene su attività che richiedono frequenti consultazioni di documenti e applicazioni differenti.
Nel progetto Sada Cavi, Quanture dichiara che il tempo necessario per analizzare e strutturare una richiesta commerciale è passato da 20–45 minuti a pochi minuti. La soluzione utilizza classificazione semantica, modelli linguistici e ricerca vettoriale per individuare le alternative presenti nel catalogo, lasciando all’operatore la validazione della proposta.
Per Unipol, IBM riferisce che NAMI ha analizzato oltre 800 eventi informatici nell’arco di due mesi, inoltrandone 538 agli specialisti e gestendo autonomamente una parte degli altri casi. La documentazione non permette di ricavare con precisione il numero complessivo degli eventi risolti senza intervento umano. La copertura del monitoraggio quasi in tempo reale è inoltre passata dal 26% al 100%, secondo quanto dichiarato nel case study.
L’esperienza di Grenke Italia evidenzia un beneficio differente. L’orchestrazione dei controlli contrattuali riduce il tempo dedicato alle verifiche ripetitive, mentre la convalida finale rimane affidata al personale. L’integrazione tra modelli linguistici e regole esplicite costituisce un elemento centrale dell’architettura.
Quali sono le metriche di efficienza e i tassi di errore riscontrati
La valutazione dei sistemi agentici richiede di distinguere velocità, accuratezza e capacità di completare correttamente le attività. Un processo più rapido non è necessariamente più affidabile, così come un elevato tasso di classificazione non garantisce l’assenza di errori nelle fasi successive.
Sada Cavi presenta indicatori specifici sul riconoscimento delle richieste commerciali. L’85–90% riguarda la capacità di identificare automaticamente le RFQ, mentre il valore inferiore al 5% misura i falsi positivi dichiarati dal fornitore. La documentazione pubblica non fornisce tutti gli elementi necessari per ricostruire autonomamente il campione e il metodo di valutazione. I due indicatori non determinano, da soli, l’accuratezza complessiva del processo commerciale.
Nel caso di Unipol, i risultati pubblicati riguardano prevalentemente tempi di risposta, gestione degli incidenti e copertura del monitoraggio. Per Generali e Grenke Italia, le informazioni disponibili descrivono miglioramenti operativi, ma non consentono di ricostruire serie omogenee sui tassi di errore residui.
I risultati provengono da dichiarazioni aziendali o dei fornitori tecnologici, riprese nelle rispettive documentazioni e testimonianze. Costituiscono evidenze pubbliche, ma non equivalgono a valutazioni indipendenti condotte con metodologie uniformi.
Fattori abilitanti e sfide nell’adozione di architetture agentiche
L’integrazione con i sistemi informativi esistenti rappresenta una condizione decisiva per l’adozione dell’AI agentica. Gli agenti devono poter consultare dati aggiornati, utilizzare strumenti autorizzati e riconoscere le situazioni nelle quali interrompere l’esecuzione automatica. La disponibilità di informazioni affidabili e la tracciabilità delle operazioni assumono particolare importanza nei processi che coinvolgono documenti contrattuali, dati personali o infrastrutture informatiche.
Il progetto NAMI di Unipol mostra la complessità di queste architetture. Secondo IBM, la piattaforma combina modelli Llama di Meta, Pixtral di Mistral e Granite di IBM, assegnando loro funzioni differenti. Utilizza inoltre watsonx Orchestrate e un’infrastruttura cloud ibrida basata su Red Hat OpenShift.
L’impiego di più modelli consente di adattare le tecnologie ai compiti, ma introduce ulteriori esigenze di manutenzione e coordinamento. La progettazione deve quindi considerare le prestazioni iniziali, la gestione delle eccezioni e l’evoluzione dei sistemi aziendali. I quattro progetti presentano anche livelli differenti di autonomia. NAMI può gestire autonomamente una parte degli eventi informatici, mentre nel caso di Sada Cavi il sistema prepara le alternative commerciali, lasciando agli operatori la decisione finale.
Come superare la resistenza culturale e garantire la sicurezza dei dati
L’introduzione degli agenti modifica la distribuzione del lavoro tra persone e software. Le attività ripetitive possono essere automatizzate, mentre agli operatori rimangono controlli, eccezioni e decisioni che richiedono esperienza professionale. La transizione necessita di formazione e responsabilità chiaramente definite, soprattutto quando l’automazione interviene su procedure consolidate.
La sicurezza assume particolare importanza quando gli agenti accedono a documenti riservati o applicazioni aziendali. OWASP identifica nella prompt injection una vulnerabilità rilevante dei sistemi basati su modelli linguistici, poiché contenuti esterni possono tentare di modificarne il comportamento e indurli a eseguire operazioni non previste.
Le contromisure comprendono autorizzazioni limitate, validazione degli output, registrazione delle attività e controlli umani sulle azioni più rischiose. Occorre inoltre considerare il GDPR e gli obblighi applicabili previsti dall’AI Act europeo. La classificazione di un’applicazione come sistema ad alto rischio dipende dalle finalità e dalle condizioni di utilizzo previste dalla normativa, non dalla sola presenza di agenti autonomi.
Quali lezioni pratiche trarre da questi progetti per le implementazioni future
I quattro casi italiani mostrano che l’AI agentica trova applicazioni concrete quando viene collegata a problemi operativi circoscritti:
- Generali utilizza gli agenti per supportare le verifiche documentali,
- Grenke Italia per coordinare controlli contrattuali,
- Unipol per automatizzare parte delle operazioni IT,
- Sada Cavi per preparare le richieste commerciali.
Le architetture sono differenti, ma condividono l’esigenza di mantenere controllabili i risultati. La supervisione umana non rappresenta necessariamente un limite all’autonomia, bensì una componente progettuale utile per gestire le eccezioni e preservare la responsabilità delle decisioni.
La possibilità di misurare tempi, accuratezza e costi operativi resta essenziale per distinguere un progetto efficace da una sperimentazione tecnologicamente interessante. I risultati dichiarati dalle aziende indicano benefici nei processi considerati, pur senza dimostrare che le stesse prestazioni siano replicabili in ogni organizzazione.
L’AI agentica sta quindi assumendo un ruolo operativo nelle imprese italiane. La sua maturità dipenderà dalla capacità di integrare gli agenti nei sistemi esistenti, documentarne le prestazioni e mantenerne affidabilità e sicurezza durante l’utilizzo continuativo.
Bibliografia
Politecnico di Milano – Osservatorio Artificial Intelligence. Intelligenza Artificiale in Italia: il mercato cresce del 50%. Ricerca sul mercato italiano dell’AI nel 2025. Fonte ufficiale.
Politecnico di Milano – Osservatorio Data & Decision Intelligence. Use Case Session 2026. Programma relativo ai progetti Claims Buddy di Generali e onboarding documentale di Grenke Italia. Programma del convegno.
AI4Business – Matteo Gargiulo. L’AI agentica nell’automazione aziendale: i casi Generali e Grenke Italia. 17 luglio 2026. Articolo di approfondimento.
IBM. Unipol – Gettare le basi per l’ottimizzazione e l’evoluzione del business. Case study sulla piattaforma NAMI. Documentazione ufficiale.
Quanture. AI agentica nei processi core: scopri il case di Sada Cavi. Case study sulla gestione delle richieste di offerta. Documentazione ufficiale.
OWASP GenAI Security Project. LLM01:2025 Prompt Injection. Analisi delle vulnerabilità e delle misure di mitigazione nei sistemi basati su modelli linguistici. Documentazione tecnica.
Parlamento europeo e Consiglio dell’Unione europea. Regolamento (UE) 2024/1689 sull’intelligenza artificiale (AI Act), nella versione vigente. Testo ufficiale EUR-Lex.
Parlamento europeo e Consiglio dell’Unione europea. Regolamento (UE) 2016/679 sulla protezione dei dati personali (GDPR). Testo ufficiale EUR-Lex.
Partecipa alla community