Un fornitore vi ha proposto “un agente AI”. Un competitor dice di averne già tre. E voi state cercando di capire se è una cosa seria o l’ennesima demo che non sopravvive al primo contatto con i processi veri. Questa guida spiega cosa fa davvero un AI agent in azienda, in cosa è diverso da un chatbot, quando serve e quando invece è la risposta sbagliata alla domanda giusta.
Cos’è un AI agent (in una frase)
Un AI agent è un software basato su un modello linguistico che non si limita a rispondere: esegue azioni. Legge dati dai sistemi aziendali (CRM, ERP, email, database), ragiona su cosa va fatto secondo regole definite, e agisce: crea un record, aggiorna un’anagrafica, smista una richiesta, prepara un documento, avvisa una persona. La differenza con un chatbot sta tutta qui: il chatbot parla, l’agente fa.
Chatbot, assistente, agente: tre parole, tre cose diverse
| Cosa | Cosa fa | Esempio |
|---|---|---|
| Chatbot | Risponde a domande, dentro una conversazione. Non tocca i sistemi. | Risponde “quali sono i tempi di consegna?” leggendo una pagina FAQ |
| Assistente AI | Risponde attingendo ai dati aziendali (documenti, CRM, listini), ma l’azione resta a un umano. | Il commerciale chiede “storico ordini di questo cliente” e ottiene la sintesi |
| Agente AI | Legge, decide ed esegue azioni sui sistemi, dentro un perimetro di regole. | Riceve un ordine via email, lo interpreta, lo inserisce nel gestionale, avvisa se qualcosa non torna |
Molte aziende che “vogliono un agente” hanno in realtà bisogno di un assistente. E molte che comprano un chatbot restano deluse perché si aspettavano un agente. Chiarire quale dei tre serve è la prima decisione del progetto, non l’ultima.
Cosa può fare concretamente un agente collegato a CRM ed ERP
- Smistamento e qualificazione: legge email, ticket e richieste in arrivo, li classifica, li assegna al reparto o al commerciale giusto, con priorità.
- Inserimento dati: trasforma un’email disordinata o un PDF in un record strutturato (ordine, anagrafica, richiesta) nel sistema giusto.
- Preparazione documenti: bozza di preventivo dai dati CRM, sintesi di una trattativa, report ricorrente. L’umano rivede e conferma.
- Controlli e riconciliazioni: confronta dati tra sistemi (l’ordine c’è nell’ERP ma non nel CRM?), segnala le anomalie invece di lasciarle scoprire al cliente.
- Azioni su richiesta: “aggiorna lo stato di questi cinque ordini”, “crea il cliente e collegalo alla trattativa”. Tutto eseguito via API, con log di ogni azione.
E cosa un agente non deve fare
Il criterio non è tecnico, è di responsabilità: l’agente esegue, l’umano risponde delle conseguenze. Quindi le azioni con impatto reale (scritture definitive su ERP, comunicazioni al cliente, decisioni vincolanti, pagamenti) passano da un punto di approvazione umana: l’AI prepara, la persona conferma. Per i casi a basso rischio si lavora con soglie di confidenza e fallback automatici. Un agente senza queste regole non è innovazione: è un rischio operativo con una bella interfaccia.
Quando un agente serve davvero: i segnali
- Esiste un processo ripetitivo e ad alto volume in cui una persona legge, interpreta e ricopia: email → gestionale, PDF → tabella, richiesta → reparto.
- Il processo ha regole raccontabili: se un operatore esperto sa spiegare come decide, un agente può impararlo. Se ogni caso è un’eccezione, prima si sistema il processo.
- I sistemi coinvolti hanno API o punti di accesso (CRM ed ERP moderni li hanno; per un gestionale chiuso servono strade alternative, che esistono ma costano di più).
- L’errore ha un costo misurabile: ordini sbagliati, lead persi, ore di data entry. Se non sapete quantificare il problema, non saprete dire se l’agente funziona.
Quando NON serve (ancora)
- Il volume è basso. Dieci email al giorno le smista meglio una persona in dieci minuti. L’agente rende sopra una soglia di volume, non sotto.
- I dati sono un disastro. Un agente che scrive su un CRM pieno di duplicati moltiplica i duplicati. Prima la pulizia, poi l’automazione.
- Basta un’automazione classica. Se la regola è “quando arriva X, fai Y” senza interpretazione, un workflow tradizionale costa un decimo ed è più prevedibile. L’AI serve dove serve giudizio sul linguaggio o sul contesto.
- Il processo cambia ogni settimana. L’agente incorpora regole: se le regole non sono stabili, si insegue.
Come si parte senza rischiare: il proof of concept
Il modo sbagliato di partire è “mettiamo l’AI ovunque”. Il modo giusto è un perimetro ridotto e misurabile: un processo, un proof of concept in 2–4 settimane, metriche di successo definite prima: accuratezza, tempo risparmiato, errori evitati. Se i numeri reggono, si scala; se non reggono, avete speso poco per scoprirlo. È il modo in cui lavoriamo noi: la qualità delle risposte si misura su dataset di valutazione costruiti sul caso reale, non si dichiara.
Due domande da fare a chiunque vi proponga un agente: “dove finiscono i miei dati?” (le configurazioni no-training esistono su tutti i provider enterprise, e in alternativa ci sono modelli self-hosted che non escono dalla vostra infrastruttura) e “chi approva le azioni critiche?”. Se la risposta alla seconda è “l’AI è così brava che non serve”, cambiate fornitore.
Da dove cominciano le aziende: tre punti di partenza tipici
Nei progetti che vediamo, il primo agente nasce quasi sempre in uno di questi tre punti, perché il volume è alto, le regole sono chiare e il risultato si misura subito:
- La casella email condivisa (info@, ordini@, assistenza@): l’agente legge ogni messaggio in arrivo, capisce se è un ordine, un reclamo, una richiesta commerciale o spam, lo instrada al reparto giusto con priorità e prepara una bozza di risposta per i casi ricorrenti. È il punto di partenza più frequente perché il “prima” è facilissimo da misurare: ore al giorno di smistamento manuale.
- Il passaggio documento → gestionale: ordini in PDF, DDT, fatture fornitore, moduli compilati. L’agente estrae i campi, li valida contro le anagrafiche esistenti e prepara il record; l’operatore conferma invece di ritrascrivere. Qui il beneficio non è solo il tempo: è l’azzeramento degli errori di battitura che poi costano telefonate e storni.
- La qualificazione dei lead: l’agente arricchisce il contatto in arrivo con i dati disponibili, gli assegna un punteggio secondo i criteri del commerciale e lo mette nella pipeline giusta del CRM. Il commerciale apre il CRM e trova lead ordinati per valore, non per ordine di arrivo.
Il tratto comune: in tutti e tre i casi l’agente affianca una persona che già fa quel lavoro e che nei primi tempi ne supervisiona ogni uscita. È anche il modo migliore per costruire il dataset di valutazione: le correzioni dell’operatore diventano i casi di test del sistema.
In sintesi
Un AI agent è un software che legge, decide ed esegue azioni sui sistemi aziendali dentro regole definite. Rispetto a un chatbot, la differenza è che agisce oltre a rispondere. Serve quando c’è un processo ripetitivo ad alto volume con regole raccontabili e sistemi accessibili via API; non serve quando il volume è basso, i dati sono sporchi o basta un’automazione tradizionale. Si parte con un proof of concept misurabile su un perimetro ridotto, con approvazione umana sulle azioni che contano.