L’adozione degli AI Agents si è affermata come una delle principali voci di investimento tecnologico nel 2025 e tutto lascia presagire che rimarrà tale anche nel 2026.
In questo articolo ci mettiamo nei panni delle organizzazioni che stanno iniziando ora il percorso con gli agenti AI oppure, più frequentemente, li stanno utilizzando in modo spot, a supporto di singoli processi o attività. L’obiettivo è comprendere quali siano le sfide da affrontare e come vada impostato un percorso solido e realistico di potenziamento della produttività aziendale.
AI Agents: un investimento chiave anche nel 2026
Nonostante le stime differiscano da una fonte all’altra, il segnale di fondo è chiaro: secondo PwC, solo il 4% delle aziende non ha avviato iniziative legate agli agenti AI né prevede di farlo nel prossimo futuro. Tutte le altre si collocano lungo uno spettro di maturità che va dall’adozione completa su scala aziendale (17%), a un utilizzo ampio ma non ancora pervasivo (35%), fino a impieghi più circoscritti e sperimentali (27%).
Il ritorno sull’investimento resta una variabile in fase di consolidamento, ma una certezza c’è: le imprese di tutto il mondo vedono nell’AI agentica un fattore chiave per migliorare l’efficienza operativa, ottimizzare i costi e aumentare la produttività, soprattutto in un contesto di mercato sempre più competitivo e complesso.
AI Agents e produttività: le vere sfide da affrontare
Per molte aziende, l’adozione degli AI Agent ha lo scopo di potenziare la produttività, in quanto leva trasversale a tutta l’impresa e, al tempo stesso, terreno concreto su cui iniziare a investire in AI. In termini pratici, la maggior parte delle aziende si sta interrogando su come gli agenti possano aiutare le persone a lavorare meglio, più velocemente e con meno attrito.
Nel 2025, la narrativa sugli AI Agent è stata molto semplificata: si attiva l’agente, lo si collega alle fonti dati, si definiscono le regole e il sistema è pronto per l’uso. La promessa è la produttività immediata, quasi plug-and-play, e questo ha spinto molte strutture a sperimentare in autonomia, spesso all’interno delle singole business unit. Nella pratica, però, quando si passa dai primi test all’uso quotidiano, emergono rapidamente complessità che non hanno nulla di banale.
Gli AI Agents vivono all’interno dei processi
La prima sfida è organizzativa, perché gli AI Agents agiscono dentro i processi, non ai margini. E questo vale non solo a livello aziendale, ma anche all’interno delle singole funzioni. L’introduzione di un agente non equivale all’automazione tradizionale, in cui si individuano attività ripetitive e rule-based e le si sostituisce con automazioni rigide; gli AI Agents, infatti, operano su workflow smart, capaci di adattarsi al contesto e di prendere direzioni diverse in base a quanto accaduto nei passaggi precedenti.
Di conseguenza, non è sufficiente inserire un agente all’interno di un processo esistente e aspettarsi benefici automatici. Spesso è necessario ripensare il processo stesso, chiarendo obiettivi, punti decisionali, responsabilità e metriche di risultato. In assenza di ciò, il rischio è duplice:
- Miglioramenti locali ma limitati;
- Sempre più agenti scollegati, ottimizzati per esigenze specifiche ma incapaci di incidere sulla produttività complessiva.
Il nodo delle competenze
Al di là della narrativa improntata al concetto di plug and play, la seconda sfida è tecnica e architetturale. A differenza dei chatbot generalisti, gli AI Agent devono accedere ai dati aziendali, interagire con le applicazioni, rispettare regole di sicurezza, identity management e governance. In alcuni contesti, questo significa fare i conti con sistemi legacy, API non uniformi, dati incompleti o di qualità disomogenea, elementi che rendono l’adozione tutt’altro che a portata di click e che richiedono competenze specifiche.
Il rischio delle eccessive aspettative
Gli AI Agent promettono autonomia, ma questo non significa assenza di controllo. Definire limiti, responsabilità, modalità di escalation e metriche di efficacia è fondamentale per trasformare l’AI in un alleato della produttività e non in una fonte di rischio o inefficienza. È spesso in questa fase che diventa evidente la necessità di figure professionali competenti interne o del supporto di un partner dedicato, in grado di tradurre il potenziale degli agenti in risultati misurabili.
Come affrontare il percorso: dagli esperimenti al valore su scala enterprise
I benefici più solidi dell’AI agentica sono riservati alle organizzazioni che hanno deciso di affrontare la complessità fin da subito, ragionando in chiave enterprise-wide. Si tratta chiaramente di un approccio più impegnativo rispetto a quello spot (secondo PwC, solo il 17% delle aziende ha già adottato gli AI Agent in tutta l’organizzazione) ma anche di quello che consente di costruire un reale vantaggio competitivo.
Si aprono dunque due ordini distinti di valutazioni. Da un lato quelle strategiche, che riguardano obiettivi, priorità, modello operativo e impatto sull’organizzazione. Dall’altro, quelle tecniche.
La valutazione strategica: pensare come un CEO
Da una prospettiva di vertice, la produttività va considerata come una leva strategica, non come la somma di micro-efficienze locali. Questo implica partire da pochi obiettivi chiave, come la riduzione del time-to-market, un migliore utilizzo delle competenze o la diminuzione del costo per unità, e poi tradurli in scelte operative potenziate dall’AI.
Per ottenere risultati concreti, bisogna capire fin da subito quali sono le divisioni e i processi coinvolti, per poi ipotizzare ruolo e impatto dell’AI agentica non solo sulle singole attività, ma su interi processi, con una visione end-to-end.
Ad esempio, un AI Agent può contribuire a ridurre il time-to-market coordinando in modo dinamico attività che procedono in sequenza tra più funzioni, segnalando colli di bottiglia, anticipando dipendenze critiche e suggerendo priorità operative. Oppure, nell’ambito delle operations, può supportare una maggiore scalabilità, adattando i flussi di lavoro in base ai volumi, redistribuendo carichi e riducendo interventi manuali ripetitivi.
In tutti questi casi, e in molti altri, il valore non sta nell’automazione del singolo task, ma nella capacità dell’AI Agent di influenzare il processo nel suo insieme.
AI Agent per la produttività: integrati o custom-made?
A questo punto bisogna procedere con l’implementazione degli agenti. Solitamente, le strade possibili sono due.
Soluzioni integrate nei tool di produttività
La prima ipotesi consiste nell’utilizzare soluzioni pronte (o semi-pronte) e già integrate nei tool in uso. Le piattaforme di collaboration e di produttività sono particolarmente indicate perché concentrano documenti, conversazioni, tool di comunicazione e informazioni operative, ovvero gran parte della conoscenza aziendale su cui gli agenti possono lavorare.
Quando la piattaforma mette a disposizione agenti predefiniti o strumenti per crearli, il time-to-value è elevato e i benefici sulla produttività individuale e di team possono emergere rapidamente, ma è necessario che l’adozione sia coerente con la strategia definita a monte.
Sviluppo custom di AI Agents
Il secondo percorso è quello dello sviluppo custom di soluzioni agentiche, pensate per operare lungo processi articolati e per interagire con più sistemi e funzioni aziendali. È un approccio complesso, ma è anche il più adatto quando l’obiettivo è incidere in modo diretto sulla competitività aziendale.
Lo sviluppo della soluzione parte dell’architettura, che si compone di più elementi:
- Foundation, come il modello linguistico LLM;
- Conoscenza aziendale (e la capacità di accedervi in modo sicuro);
- Capabilities operative;
- Sviluppo e orchestrazione dei workflow;
- Interazione con altri sistemi aziendali;
- User experience.
A livello architetturale, l’agente prende le sembianze di un workflow intelligente che acquisisce informazioni dai sistemi esistenti, le elabora tramite un modello di AI (generalista o specializzato) e restituisce output sotto forma di informazioni o azioni, in base al livello di autonomia definito.
È proprio qui che la narrativa della semplicità incontra i limiti dell’ambiente enterprise. Nonostante la disponibilità di strumenti low-code e no-code, l’integrazione con sistemi legacy, i requisiti di sicurezza e compliance e la necessità di garantire affidabilità e controllo rendono indispensabile la disponibilità di competenze specialistiche. Inoltre, bisogna tener conto dell’evoluzione rapidissima delle tecnologie e del fatto che gli AI Agents non operano in isolamento, ma possono interagire tra loro all’interno di ecosistemi che crescono di giorno in giorno.
Il nostro ruolo: dall’innovazione all’adozione concreta
In Kirey, lavoriamo da anni su tecnologie avanzate e architetture complesse, e proprio questa esperienza ci consente oggi di affrontare l’evoluzione verso gli AI Agent con un approccio solido e consapevole, non reattivo.
Il valore che portiamo ai nostri clienti non si limita allo sviluppo degli agenti. Al contrario, ci facciamo carico del percorso di adozione: dal supporto strategico alla scelta dell’architettura più adatta, dalla governance all’integrazione con i sistemi esistenti, fino al supporto organizzativo necessario quando l’introduzione dell’AI cambia profondamente il modo di lavorare delle persone.
Contattaci per capire come impostare un percorso di adozione coerente con i tuoi obiettivi di business.
