Negli ultimi anni, il mondo della data science e, più in particolare, quello dell’intelligenza artificiale hanno vissuto un’evoluzione incessante. Nella seconda parte del 2022, il lancio planetario dell’AI generativa ha segnato un vero e proprio punto di svolta, dimostrando al mondo le potenzialità di sistemi capaci di generare contenuti coerenti, scrivere codice, creare immagini e persino risolvere problemi complessi.
Oggi, l’AI è percepita dalle aziende come un driver di competitività imprescindibile, spingendo gli investimenti globali a livelli mai visti; solo in Italia, si è registrato un +58% nel 2024 (Osservatorio PoliMI), con contestuale moltiplicazione delle applicazioni pratiche e un forte incremento della loro efficacia.
In un mondo che evolve su base quotidiana, uno dei temi più rilevanti è quello dell’Agentic AI e degli AI Agents, un paradigma emergente che sta ridefinendo i confini dell’intelligenza artificiale. In questo articolo, esploreremo il concetto di Agentic AI, le differenze rispetto alle soluzioni tradizionali e le implicazioni concrete per qualsiasi impresa.
Agentic AI e la capacità di problem solving adattiva
Data la dinamicità e l'attualità del tema, le definizioni di AI Agent (e di Agentic AI) abbondano. Si tratta, in sostanza, di sistemi software progettati per eseguire autonomamente dei task in modo differente rispetto ai tradizionali approcci deterministici basati su un insieme articolato e progressivo di regole.
Per raggiungere in modo autonomo, o con una supervisione umana limitata, lo scopo per cui sono stati sviluppati, gli AI Agents adottano una strategia adattiva, ovvero acquisiscono le informazioni necessarie, identificano la migliore strategia di azione e, infine, eseguono concretamente la strategia stessa. Tutto questo, in aggiunta alla capacità di auto apprendimento, che migliora progressivamente le loro performance a livello di problem solving. Un esempio concreto di AI Agent potrebbe essere uno shopping assistant (virtuale) avanzato che, compresi i gusti dell’utente dalle informazioni ricevute e dall’analisi dello storico degli acquisti, seleziona il prodotto ideale, lo propone, completa l’acquisto e monitora la spedizione fino alla consegna finale.
Alzando la prospettiva di osservazione, gli AI Agents possono essere descritti come sistemi cognitivi autonomi, progettati per risolvere problemi ed eseguire task specifici attraverso un processo decisionale molto simile a quello umano e fondato sulla percezione del contesto, sul ragionamento e sull’azione.
AI Agents ed LLM: l’unione fa la forza
Per comprendere a fondo il concetto di Agentic AI, occorre spiegare la differenza con i Large Language Models (LLM) come GPT o Gemini. Tutti gli LLM sono progettati per generare risposte in base ad input ricevuti dall'utente: a fronte di un prompt, attivano un processo di generazione basato su modelli di probabilità, attingendo a conoscenze pregresse acquisite durante la fase di training. In altre parole, un LLM non prende l’iniziativa: attende un prompt, lo elabora e restituisce un output.
Gli AI Agents, come si è visto, rappresentano invece un’evoluzione del segno dell’automazione e dell’indipendenza. Non sono modelli di linguaggio, ma sistemi autonomi finalizzati al problem-solving, a porre in essere attività complesse o ad automatizzare processi aziendali anche articolati. Ciò non toglie che Agenti AI e LLM vivano una relazione molto stretta, poiché la strategia di azione viene definita dall’agente interagendo con un LLM (o uno Small Language Model – SLM), che di conseguenza è un elemento costitutivo della sua architettura.
I quattro componenti dell’Agentic AI
Osservando con la giusta dose di astrazione l'architettura di un AI Agent, è possibile comprendere più facilmente il suo funzionamento. In particolare, i suoi componenti di base sono quattro.
Pianificazione
L’Agentic AI apprende il suo obiettivo e lo scompone in un elenco di sotto-task più gestibili sfruttando le capacità di reasoning degli LLM con un metodo simile al chain of thought usato nel prompt engineering. L’AI Agent analizza ogni singolo task, identifica le risorse necessarie e si accinge ad affrontare le varie fasi in ordine logico.
Accesso a conoscenze custom (RAG)
Per raggiungere il suo obiettivo, l’agente può accedere a conoscenze esterne ai dataset degli LLM. Utilizzando una tecnica nota come Retrieval-Augmented Generation (RAG), gli AI Agent possono attingere a basi di conoscenza personalizzate e sicure, che permettono loro di eseguire azioni con maggiore precisione e affidabilità.
Tool
Un componente fondamentale dell’architettura degli agenti è la capacità di interazione con i tool esterni, essenziale per estenderne le capacità operative. Connettendosi a strumenti come browser, database, API di terze parti e altri sistemi aziendali, l'agente può raccogliere informazioni, fare ricerche su Internet e interagire con piattaforme esterne, permettendo di affrontare una vasta gamma di compiti.
Esecuzione
Pianificata la strategia e acquisite le informazioni, si passa alla fase dell’esecuzione, che può includere la generazione di report, l'invio di email, la gestione di ordini o resi, la chiusura di un contratto o anche l'attivazione di flussi di lavoro tra diversi agenti virtuali. Più il task è complesso, maggiore sarà la supervisione umana, ma con l’obiettivo di ridurla strada facendo.
Un nuovo slancio verso l'hyperautomation
Gli AI Agent rappresentano una grande opportunità per le aziende, da sempre impegnate a ottimizzare e automatizzare i propri processi interni ed esterni. In questo modo, l'Agentic AI diviene un abilitatore per eccellenza del trend dell’hyperautomation, che si propone di automatizzare il maggior numero di processi di business e IT utilizzando proprio le potenzialità (in perenne evoluzione) dell’intelligenza artificiale.
Mentre la Robotic Process Automation (RPA) si è rivelata efficace nell’automatizzare compiti ripetitivi e rigidamente definiti, gli AI Agents offrono un livello di adattabilità decisamente superiore. Grazie alla loro capacità di prendere decisioni autonome, seppur con supervisione umana in determinati contesti, e di adattarsi dinamicamente alle variazioni del contesto operativo, questi sistemi rappresentano un’evoluzione significativa nell’automazione intelligente.
Le applicazioni concrete, dalla CX alla logistica
Uno degli ambiti aziendali che trarrà maggior beneficio dall’adozione degli AI Agent è la customer experience. Questi sistemi esperti non si limitano a rispondere a richieste di supporto, ma sono in grado di risolvere autonomamente veri e propri problemi, un compito che fino a ieri era appannaggio esclusivo degli operatori umani. Grazie alla loro capacità di analizzare le esigenze dei clienti, gli AI Agents possono prendere decisioni immediatamente operative, avvicinando l’esperienza virtuale a quella fisica, per esempio a quella vissuta in-store.
Questo tipo di automazione è inoltre applicabile a quasi tutte le divisioni aziendali. Ad esempio, nella produzione e nella logistica, gli AI Agent possono supportare la pianificazione, interagendo con i sistemi di approvvigionamento per ordinare materiali in modo autonomo. Possono monitorare anche i percorsi di consegna e ottimizzare le rotte in tempo reale, riducendo i tempi di transito e migliorando l’efficienza operativa.
Se ci spostiamo in ambito amministrativo, gli AI Agents potrebbero gestire attività come il monitoraggio della fatturazione internazionale, sia in entrata che in uscita, in modo completamente autonomo per verificarne la correttezza rispetto ai contratti in essere e alla normativa di riferimento. Ciò determinerebbe una netta accelerazione a tutte le fasi successivi dei cicli attivo e passivo, pagamenti compresi.
L’Agentic AI non è solo un progresso tecnologico: è un punto di svolta nel cammino verso una digitalizzazione più profonda e un’automazione più intelligente. Non è un caso che le aziende stiano canalizzando investimenti significativi in questo settore, consapevoli che l’intelligenza artificiale non è più un concetto futuristico, ma una forza concreta capace di generare valore tangibile. E il suo impatto è destinato a crescere.
-1.png "002-Kirey Group - una riga - (color)-1")
