> Agenti AI autonomi: cosa possono fare davvero oggi, senza hype

Un agente AI autonomo, nella definizione che circola oggi, è un sistema che riceve un obiettivo, accede a un set di strumenti (API, database, modelli), e decide autonomamente quali azioni intraprendere per raggiungerlo — il tutto senza un prompt umano tra una azione e l'altra.

Sulla carta suona potente. Nella pratica, ci sono freni importanti che nessuno sottolinea abbastanza.

# Cosa gli agenti AI riescono a fare bene oggi

Gli agenti funzionano quando il compito è ripetitivo, il contesto è ristretto, e il numero di strumenti disponibili è piccolo e deterministico.

• Raccolta dati strutturati. Un agente che interroga un'API per recuperare informazioni su ordini, clienti o metriche, selezionando automaticamente i parametri di ricerca giusti, funziona bene. Il risultato è verificabile, l'errore è minimo.
• Routing e categorizzazione. Decidere quale team/sistema deve gestire una richiesta, assegnare ticket al reparto giusto, smistare email in cartelle: gli agenti lo fanno affidabilmente se il numero di categorie è finito (es. 5-10).
• Elaborazione di flussi predefiniti. Prenota una riunione, invia una notifica, aggiorna uno stato in un database — se la sequenza di azioni è lineare e il risultato è prevedibile, l'agente la gestisce.
• Sintetizzazione di informazioni da fonti multiple. Un agente che raccoglie dati da tre API diverse, li combina e produce un report strutturato, è nella sua zona di confort.

# Dove gli agenti falliscono (e non gliene importa niente)

Il modello linguistico sottostante non capisce il mondo come lo capiamo noi. Quindi:

• Decisioni che richiedono giudizio etico/commerciale. "Sono autorizzato a fare un rimborso a questo cliente?" Non la decida un agente solo. Puoi fargli raccogliere i dati (storico acquisti, motivo), ma la decisione deve avere un gate umano o regole hardcoded molto precise.
• Contesti con molti stati impliciti. Se la risposta corretta dipende da "so chi è questo cliente" + "conosco il suo tipo di business" + "so che è estate e i tempi sono più lunghi", il modello tenderà a indovinare. Più variabili nascoste, più errori aumentano.
• Errori a cascata. Se un agente fa un'azione sbagliata (es. cancella un record), e poi sulla base di quella cancellazione fa altre azioni, l'errore si propaga. Il sistema non ha paura, non si ferma, non chiede aiuto.
• Gestione di eccezioni rare. Il modello vede miliardi di esempi nei dati di training, ma ogni dominio reale ha casi edge inattesi. Un agente può far fatica a riconoscere "questo non è uno scenario che ho capito".

# La vera differenza: agenti con supervisione vs. agenti senza

Qui inizia a diventare interessante distinguere davvero.

Un agente con loop di approvazione umana funziona così: l'agente raccoglie dati, propone un'azione, ma prima di eseguirla invia un alert a una persona che dice "sì" o "no". Questo è affidabile, ma non è veramente "autonomo" — è un sistema di ausilio con decision-maker umano finale.

Un agente senza gate umano deve operare dentro confini molto rigidi: numero fisso di azioni permesse, nessun accesso a operazioni irreversibili (es. cancellazioni), risultato sempre verificabile (es. "raccogli e ordina dati", non "decidi cosa fare"). Se escono da questi confini, i problemi diventano costosi.

La maggior parte dei cosiddetti "agenti autonomi" che vedi in produzione oggi sono in realtà agenti con supervisione, non perché il modello non sia capace, ma perché è il modo responsabile di progettarli.

# Costi e complessità reali

Un agente AI non è "più facile" di una automazione tradizionale se fatto bene. È diverso.

Sviluppare un agente richiede:

1. Definire il set di azioni possibili (tool selection) — spesso il 40% del tempo.
2. Testare ogni combinazione di input per capire quando l'agente sbaglia — laborioso.
3. Costruire il loop di logging/monitoring per catturare errori in produzione.
4. Decidere il livello di autonomia: con gate umano? Senza? Con rollback automatico? Tutto questo è codice aggiuntivo.
5. Manutenzione: modelli cambiano, tool hanno versioni nuove, il comportamento può degradarsi nel tempo.

Il costo indicativo di un agente AI in produzione, non banale, per una media azienda è tra 8.000 e 25.000 euro di sviluppo iniziale, poi 1.500-3.000 euro al mese di gestione e monitoring. Se il caso d'uso risparmia meno di 2-3 FTE (giorni/persona al mese), il ROI è lento.

# Quando conviene costruire un agente, quando no

Conviene se:

• Il compito è ripetitivo e ad alto volume (500+ istanze al mese).
• Le conseguenze di un errore sono reversibili o rientrano in tolleranza.
• Il contesto è vincolato (es. "tutti gli ordini di questa categoria").
• Puoi migliorare gli strumenti disponibili al modello (API ben documentate, database con schemi chiari).

Non conviene se:

• Il lavoro è una tantum o a basso volume.
• Un errore costa risorse significative (soldi persi, client infuriato, dato sensibile esposto).
• Il contesto è narrativo e vago ("agisci di conseguenza a questa email del cliente").
• L'azienda non ha ancora processi interni stabili (se i processi cambiano ogni mese, l'agente dovrà essere riprogrammato continuamente).

# Un esempio concreto: agente per assegnazione ticket di supporto

Scenario realistico: un'azienda riceve 300 ticket di supporto al mese. Oggi una persona spende 8 ore al mese a leggere il titolo, decidere se è billing/tecnico/feature-request, e smistare.

Costruire un agente che fa questo:

• Legge il ticket.
• Interroga la KB aziendale per capire il contesto.
• Chiama un'API che aggiorna il campo "assegnatario" nel sistema ticketing.
• Notifica il team Slack.

Questo agente ha senso: il lavoro è ripetitivo, alto volume, reversibile (se sbaglia, un umano reasegna), e il numero di categorie è finito (3-5). Costo di sviluppo: 5.000-12.000 euro. ROI: 2-3 mesi se una persona si libera mezzo giorno alla settimana.

Ora immagina se lo stesso agente decidesse autonomamente di risolvere il ticket direttamente (es. "cliente chiede rimborso, mi auto-autorizzo e processo il rimborso"). Quello è un agente rischiabile senza gate umano, e il costo di sviluppo + risk management sale a 20.000+ euro.

# Il futuro: modelli più grandi, agenti più smart

I modelli migliorano. GPT-4o e o1 ragionano meglio, Anthropic Claude sta guadagnando in affidabilità, modelli open come Llama si stanno avvicinando. Tra 12-24 mesi, gli agenti probabilmente avranno meno allucinazioni e faranno meno errori in contesti ambigui.

Ma il principio non cambia: un agente rimane uno strumento per compiti circoscritti, con feedback veloce e conseguenze controllate. Non diventerà un "assistente generale che sa cosa fare" perché il mondo reale non è una descrizione univoca — è pieno di contesto non detto, eccezioni, e conseguenze a lungo termine che un modello non capisce.

Se sentirai dire che gli agenti AI "sostituiranno i knowledge worker", ricordati che oggi sostituiscono bene le persone che facevano compiti molto specifici, ripetitivi e ad alto volume. Per tutto il resto, l'agente raccoglie dati, suggerisce azioni, e una persona decide.