Se quest'anno avete avuto modo di seguire le discussioni sull'intelligenza artificiale aziendale, avrete sentito ripetere più volte la stessa domanda: dovremmo creare agenti autonomi... o puntare ancora di più sull'intelligenza artificiale con intervento umano?
Proprio questa tensione è il motivo per cui Jordan Millhausen (uno dei nostri ingegneri delle soluzioni) e io abbiamo organizzato il nostro recente webinar su Intelligenza aumentata vs. Agenti autonomi. Non volevamo un altro tour promozionale. Volevamo fornire ai team un manuale pratico per implementare l'automazione dell'IA nel mondo reale, dove gli esseri umani, i controlli dei rischi e i dati disordinati fanno parte del lavoro.
La realtà del settore: l'era degli agenti è arrivata, ma lo stesso vale per l'"agent washing".
Partiamo dal contesto reale del settore. L'intelligenza artificiale agentica è senza dubbio una delle principali tendenze aziendali del momento. Tuttavia , Gartner avverte che gran parte dei progetti "agentici" saranno cancellati entro il 2027 a causa dei costi, del valore poco chiaro o dei controlli dei rischi insufficienti. Inoltre, ha denunciato il fenomeno dell'"agent washing", ovvero la pratica dei fornitori di etichettare come tali prodotti che in realtà sono semplici chatbot con qualche funzionalità in più.
Quindi la domanda non è "Gli agenti sono reali?" Lo sono. La domanda è "Dove appartengono e come possiamo integrarli in modo sicuro in operazioni che già funzionano?"
Questa è la domanda che Jordan ed io abbiamo deciso di affrontare.
Cosa intendiamo per agenti contro intelligenza aumentata
All'inizio della sessione, mi sono basato su una definizione di Gartner che mi piace: gli agenti di IA sono entità software autonome o semi-autonome che percepiscono, decidono e agiscono per raggiungere degli obiettivi. In altre parole, non si limitano a seguire uno script prestabilito. Sono in grado di scegliere gli strumenti, adattarsi alle condizioni e perseguire l'obiettivo anche quando la realtà, o i dati di input, non collaborano.
Al contrario, l'intelligenza aumentata è ciò che molte organizzazioni stanno già facendo oggi: utilizzare l'IA per passaggi discreti all'interno di flussi di lavoro prevedibili. Si pensi alla sintesi di un documento, all'estrazione di campi o alla stesura di una raccomandazione... per poi fermarsi affinché una persona possa rivedere o approvare il lavoro.
Nessuno dei due modelli è "migliore". Sono strumenti diversi. Il trucco sta nel sapere quale usare e quando.
Perché la maggior parte dei progetti di IA si blocca prima della produzione
Abbiamo anche parlato dell'argomento scottante: le prove di concetto sono ovunque, ma non lo sono le implementazioni di produzione. Ho citato dati che dimostrano che la maggior parte delle iniziative di IA non supera mai questo divario e che gli ostacoli sono sempre gli stessi: accesso ai dati, privacy, sicurezza, governance e conformità.
Nel nostro sondaggio, il 94% degli intervistati ha dichiarato di incontrare ostacoli all'uso efficace dell'IA, anche se molti la utilizzano già quotidianamente. Il motivo? È facile dimostrare l'efficacia dell'IA su dati offline puliti. È difficile collegare l'IA ai sistemi aziendali reali senza aprire falle nella sicurezza.
Questo è anche il motivo per cui standard come il Model Context Protocol (MCP) stanno comparendo ovunque: l'MCP crea un metodo client-server coerente che consente ai modelli di richiamare strumenti e fonti di dati senza integrazioni personalizzate una tantum. Pensate a qualcosa come "USB-C per l'IA".
Il che ci porta al cuore del webinar: come decidere tra aumentato e agentico nella pratica.
I 3 punti chiave del webinar
1) Utilizzare una regola decisionale semplice: verificabilità contro velocità
Ecco la regola empirica che ho condiviso:
"Verificabilità deterministica dove conta, velocità probabilistica dove serve".
Se il risultato deve essere perfettamente tracciabile (ad esempio, misure normative, approvazioni ad alto rischio, qualsiasi cosa che richieda una documentazione ineccepibile su "chi/cosa/perché"), è necessario ricorrere all'intelligenza aumentata con chiari punti di controllo umani.
Se l'attività riguarda maggiormente la produttività e la resilienza, dove il costo dell'attesa da parte degli esseri umani è superiore al costo delle eccezioni occasionali, allora è fortemente consigliabile l'esecuzione automatizzata, a condizione che avvenga nel rispetto delle linee guida aziendali.
In altre parole: non chiederti "Un agente può farlo?", ma piuttosto "Un agente dovrebbe farlo, considerando il rischio aziendale?".
2) "Human in the loop" è un quadrante, non un interruttore
Uno degli errori più comuni che riscontro è che le persone trattano la supervisione come un concetto binario. O un agente è completamente autonomo, oppure sono gli esseri umani ad approvare tutto. Entrambi gli estremi sono sbagliati.
Durante la sessione abbiamo parlato dell'impostazione delle soglie di affidabilità e dei percorsi di eccezione, in modo che l'agente proceda all'escalation solo in caso di incertezza o quando la politica lo richiede. In questo modo, gli esseri umani possono concentrarsi sui casi limite, senza doversi occupare dell'automazione.
Il vero indicatore chiave di prestazione (KPI) non è "quanti passaggi sono automatizzati". È una combinazione di:
- tasso di risoluzione automatica
- tasso di eccezione
- miglioramento del tempo di ciclo
- carico di revisione umana
Se trasformi la supervisione in un ciclo di feedback, il sistema migliora. Se trasformi la supervisione in un controllo su ogni fase, non fai altro che ricreare il lavoro manuale con nuovi strumenti.
3) Governance + interoperabilità sono la strada verso una scalabilità sicura
La demo di Jordan lo ha dimostrato chiaramente. Abbiamo iniziato con un flusso potenziato: Intelligent Document Processing (IDP) ha estratto un PDF in JSON strutturato, quindi ha messo in pausa per la revisione. Successivamente, siamo passati a un flusso agentico che ha aggiornato Salesforce, gestito condizioni di errore reali (come i limiti di lunghezza dei campi) e continuato senza interrompere il flusso di lavoro.
Ciò che lo rendeva sicuro non era il modello, bensì il livello degli strumenti governati:
- Strumenti creati una volta e riutilizzati da tutti gli agenti
- Avvolto con politiche APIM e autorizzazioni RBAC
- Completamente osservabile con tracciamento/telemetria
Ed è qui che MCP diventa importante in contesti aziendali. Le pipeline SnapLogic possono fungere da server MCP (esponendo strumenti governati a qualsiasi agente esterno) e client MCP (richiamando strumenti ospitati in server MCP esterni). Ciò garantisce l'interoperabilità senza sacrificare il controllo.
In breve: la sicurezza deriva dall'accesso standardizzato agli strumenti e dalla governance aziendale, non dalla speranza che un LLM si comporti come ci si aspetta, e lo faccia in modo coerente, anche di fronte a dati disordinati.
Da qui dove andare
Se dovessi ricordare una sola cosa di questa sessione, che sia questa:
Gli agenti e l'intelligenza aumentata sono complementari. Il modello aziendale vincente è aumentato dove conta la fiducia , agentico dove conta la velocità, il tutto governato da strumenti e politiche riutilizzabili.
Il ciclo dell'hype continuerà a girare. Alcuni progetti agentici falliranno. Ma i team che avranno successo saranno quelli che considerano l'autonomia come una capacità da conquistare, non come una casella da spuntare.
Se desideri rivedere la demo o condividerla con il tuo team, scarica la registrazione. E se stai valutando la scelta tra "aumentato" e "agente" per un flusso di lavoro reale, sarò lieto di confrontare le nostre opinioni.
