Agenti AI in azienda: cosa sono davvero e cosa li distingue da un chatbot

Risposta breve

Gli agenti AI in azienda sono sistemi software che ricevono un obiettivo, pianificano i passi per raggiungerlo, usano i sistemi aziendali tramite API e permessi definiti e verificano il risultato. A differenza di un chatbot, che risponde a domande, un agente agisce: smista la posta, apre pratiche, prepara risposte da far approvare. Lo rendono affidabile i confini: permessi limitati, approvazione umana sulle azioni sensibili, registro delle operazioni.

Il contesto italiano

Negli ultimi due anni la parola “agente” è comparsa in quasi ogni offerta di software. Il motivo è semplice: i modelli linguistici sono diventati abbastanza affidabili da poter essere collegati ad altri sistemi, non solo a una finestra di chat.

Il contesto italiano, però, invita alla cautela. Secondo l’ISTAT (rilevazione “Imprese e ICT – anno 2025”, pubblicata il 15 dicembre 2025), usa almeno una tecnologia di intelligenza artificiale il 16,4% delle imprese con almeno 10 addetti. Erano l’8,2% nel 2024 e il 5,0% nel 2023. Tra le grandi imprese la quota sale al 53,1% (ISTAT, 2025).

L’Osservatorio Artificial Intelligence del Politecnico di Milano, come riportato da AziendaBanca il 5 febbraio 2026, stima il mercato italiano dell’AI in 1,8 miliardi di euro nel 2025, in crescita del 50%. Lo stesso Osservatorio rileva che ha almeno un progetto avviato il 71% delle grandi imprese, contro l’8% delle PMI (AziendaBanca, 2026).

La crescita è rapida, ma parte da una base bassa. Molte aziende si avvicinano agli agenti AI senza aver mai messo in produzione un progetto di intelligenza artificiale. Per questo conviene partire da una definizione chiara.

Agenti AI in azienda: una definizione operativa

Un agente AI è un sistema software che riceve un obiettivo, pianifica i passi per raggiungerlo, usa strumenti esterni per eseguirli e verifica il risultato. Il “cervello” è di solito un LLM (Large Language Model), cioè un modello linguistico di grandi dimensioni: un modello addestrato su enormi quantità di testo, capace di comprendere e produrre linguaggio.

Da solo, però, un LLM produce soltanto testo. Diventa un agente quando gli si danno quattro cose:

1. Un obiettivo, non una singola domanda. Per esempio: “registra questa fattura fornitore e segnala le anomalie”, non “che cosa c’è scritto in questo PDF?”.
2. Strumenti, cioè funzioni che può chiamare: leggere una casella email, interrogare il gestionale, creare un ticket nell’help desk, compilare un documento.
3. Contesto e memoria: le regole del processo, lo storico della pratica, i documenti di riferimento.
4. Confini e controllo: che cosa può fare da solo, che cosa deve far approvare a una persona, che cosa non può fare mai.

Il quarto punto è quello che separa una dimostrazione da un sistema usabile in azienda. Un agente senza confini è un rischio. Un agente con confini chiari è un collaboratore prevedibile: qualcuno lo chiama “dipendente virtuale”, ma la metafora regge solo se ha un mansionario scritto e un responsabile umano.

Chatbot, assistente, RPA, agente: le differenze

Gartner, in un comunicato del 25 giugno 2025, ha dato un nome a un fenomeno diffuso: l’“agent washing”. L’agent washing è la pratica di rietichettare come agenti prodotti esistenti, come assistenti AI, chatbot o RPA (Robotic Process Automation, l’automazione che ripete sequenze fisse di clic e inserimenti), senza capacità realmente agentiche. Secondo la stessa stima, solo circa 130 delle migliaia di fornitori che si dichiarano “agentici” lo sono davvero (Gartner, 2025).

La tabella aiuta a distinguere le quattro famiglie.

Due precisazioni. Un’API (Application Programming Interface) è l’interfaccia con cui un software espone funzioni ad altri software in modo controllato. E la RPA non è “vecchia”: per compiti stabili e ripetitivi resta spesso la scelta più economica. Ne parliamo in RPA o agenti AI? Differenze e quando usare l’una o gli altri.

Come funziona un agente dentro un processo

Prendiamo un caso tipico di back office: le richieste di preventivo che arrivano via email. Un agente ben progettato lavora in un ciclo di questo tipo.

1. Percepire

L’agente riceve l’evento: una nuova email nella casella commerciale. Spesso la notifica arriva tramite webhook, cioè un messaggio automatico che un sistema invia a un altro quando succede qualcosa.

2. Capire e pianificare

Il modello legge il testo e gli allegati, classifica la richiesta e decide che cosa serve: verificare se il cliente esiste nel CRM (Customer Relationship Management, il sistema che gestisce anagrafiche e rapporti con i clienti), controllare listino e disponibilità, individuare le informazioni mancanti.

3. Agire con gli strumenti

L’agente chiama le funzioni che gli sono state concesse: legge l’anagrafica, consulta il listino, prepara una bozza di offerta. Ogni chiamata passa per permessi definiti. Se l’agente può leggere i prezzi ma non modificarli, non li modificherà.

4. Verificare e chiedere

Prima di concludere, l’agente controlla il risultato rispetto alle regole: sconto entro la soglia, dati completi, cliente non bloccato. Se qualcosa non torna, non improvvisa. Passa la pratica a una persona con una nota che spiega il motivo.

5. Registrare

Ogni passaggio viene annotato: che cosa ha letto, che cosa ha deciso, quale strumento ha chiamato, chi ha approvato. Questo registro è ciò che permette di correggere gli errori, rispondere a un audit e migliorare il processo nel tempo.

L’insieme di questi passaggi è una pipeline, cioè una sequenza di fasi in cui l’uscita di una diventa l’ingresso della successiva. La differenza rispetto a un flusso rigido è che l’agente può scegliere il percorso in base al caso concreto. Per approfondire la parte tecnica, la pagina Architettura descrive come si collegano modelli, strumenti e sistemi esistenti.

Dove serve e dove non serve

Gli agenti AI danno il meglio dove si incontrano tre condizioni:

• Input non strutturati: email, PDF, moduli compilati a mano, telefonate trascritte.
• Decisioni ripetute ma non identiche: la regola è chiara, i casi variano.
• Più sistemi da toccare: posta, gestionale, CRM, archivio documentale.

Esempi concreti sono lo smistamento della posta in ingresso, la gestione di primo livello dell’help desk, la raccolta e verifica di documenti per una pratica, la preparazione di risposte standard da far approvare.

Al contrario, un agente è spesso la scelta sbagliata quando:

• il compito è sempre uguale e i dati sono già strutturati: basta un’automazione tradizionale;
• serve solo trovare un’informazione in un archivio: basta un assistente di ricerca;
• l’errore ha conseguenze gravi e non esiste un punto di controllo umano.

Gartner propone la stessa distinzione: agenti per le decisioni da prendere, automazione per i flussi di routine, assistenti per il semplice recupero di informazioni. Nello stesso comunicato, Gartner prevede che entro il 2028 almeno il 15% delle decisioni operative quotidiane sarà preso in autonomia da agenti AI, partendo dallo 0% del 2024, e che il 33% delle applicazioni software enterprise includerà funzioni di agentic AI (Gartner, 2025). Sono previsioni, non certezze. Ma indicano che il tema della governance, cioè chi decide che cosa e con quali controlli, diventerà centrale.

Quanto lasciare decidere all’agente è una scelta di progetto, non tecnica. La trattiamo in Human in the loop: quanta autonomia dare a un agente AI, e quando.

Come riconoscere un vero agente: la checklist

Quando valutate una soluzione, interna o di un fornitore, queste dieci domande aiutano a capire se si tratta davvero di un agente e se è pronto per un uso aziendale.

1. Obiettivo: posso affidargli un risultato da raggiungere, o solo singole domande?
2. Strumenti: quali sistemi può leggere e scrivere? Tramite quali API?
3. Permessi: posso limitare ciò che fa per ruolo, per tipo di dato, per importo?
4. Eccezioni: che cosa succede quando un caso non rientra nelle regole? Si ferma, chiede o inventa?
5. Approvazione umana: posso imporre una conferma prima delle azioni sensibili?
6. Registro: ogni azione è tracciata con data, input, decisione e risultato?
7. Dati personali: quali dati escono dall’azienda e verso quale modello? Sono pseudonimizzati, cioè sostituiti con codici che solo l’azienda può ricondurre alla persona?
8. Modelli: posso scegliere tra modelli in cloud e modelli installati on-premise, cioè sui server dell’azienda?
9. Misura: quale indicatore del processo dovrebbe migliorare, e come lo misuro?
10. Uscita: se domani spengo l’agente, il processo continua a funzionare in modo manuale?

Se a più di tre domande la risposta è vaga, siete probabilmente davanti a un chatbot con un nome nuovo. Non è necessariamente un male, ma va pagato e valutato per quello che è.

Prima di partire, vale la pena leggere anche come evitare che un progetto di agentic AI venga cancellato: le cause più frequenti sono note e in gran parte evitabili. La pagina Metodo descrive invece un percorso in fasi, dal processo all’indicatore.

Da ricordare

• Un agente AI riceve un obiettivo, usa strumenti e rende conto di ciò che fa; un chatbot risponde a domande.
• La differenza non sta nel modello, ma in permessi, integrazioni, gestione delle eccezioni e registro delle operazioni.
• Gli agenti servono dove ci sono input non strutturati, decisioni ripetute ma variabili e più sistemi da coordinare.
• Per compiti fissi su dati strutturati, l’automazione tradizionale resta spesso più semplice ed economica.
• Diffidate dell’“agent washing”: chiedete sempre che cosa il sistema può fare da solo e come lo si controlla.

Domande frequenti

Che cosa fa un agente AI in un’azienda?

Un agente AI in azienda riceve un obiettivo, per esempio registrare una fattura fornitore e segnalare le anomalie, pianifica i passi necessari e li esegue con gli strumenti che gli sono stati concessi: casella email, gestionale, CRM, help desk. Controlla il risultato rispetto alle regole del processo, passa a una persona i casi che non rientrano nelle regole e registra ogni operazione, così che si possa verificare che cosa ha letto, deciso e fatto.

Qual è la differenza tra un chatbot e un agente AI?

Un chatbot risponde a domande all’interno di una conversazione e di solito non accede ai sistemi aziendali, oppure lo fa in sola lettura. Un agente AI riceve un obiettivo, decide i passi entro regole date e agisce sui sistemi tramite API e permessi mirati. Cambia anche la gestione delle eccezioni: il chatbot passa la conversazione a un operatore, mentre l’agente ragiona sul caso, chiede chiarimenti o lo affida a una persona.

Gli agenti AI sostituiscono la RPA?

Non necessariamente. La RPA (Robotic Process Automation) ripete sequenze fisse di clic e inserimenti e, per compiti stabili su dati già strutturati, resta spesso la scelta più economica. Gli agenti AI sono più adatti quando gli input non sono strutturati, come email e PDF, e i casi variano pur seguendo regole chiare. Anche Gartner suggerisce di usare gli agenti per le decisioni e l’automazione tradizionale per i flussi di routine.

Che cos’è l’agent washing?

L’agent washing è la pratica di presentare come agenti AI prodotti esistenti, come chatbot, assistenti AI o strumenti di RPA, che non hanno capacità realmente agentiche. Il termine è usato da Gartner in un comunicato del 25 giugno 2025, in cui la società stima che solo circa 130 delle migliaia di fornitori che si dichiarano agentici lo siano davvero. Per difendersi conviene chiedere che cosa il sistema può fare da solo e come lo si controlla.

In quali processi aziendali conviene usare un agente AI?

Un agente AI è utile dove si incontrano tre condizioni: input non strutturati come email, PDF o moduli compilati a mano; decisioni ripetute ma non identiche, con regole chiare e casi variabili; più sistemi da toccare, come posta, gestionale, CRM e archivio documentale. Esempi tipici sono lo smistamento della posta in ingresso, il primo livello dell’help desk, la verifica dei documenti di una pratica e la preparazione di risposte standard da far approvare.

Un agente AI può agire senza controllo umano?

Può farlo solo entro i confini che l’azienda definisce. Per ogni azione si stabilisce se l’agente la esegue da solo, la propone a una persona che approva oppure non la esegue mai. Le azioni sensibili dovrebbero richiedere una conferma umana e ogni operazione dovrebbe essere registrata con data, input, decisione e risultato. Un agente senza confini è un rischio; un agente con confini chiari si comporta in modo prevedibile.

Quante imprese italiane usano l’intelligenza artificiale?

Secondo la rilevazione ISTAT Imprese e ICT, pubblicata il 15 dicembre 2025, nel 2025 usa almeno una tecnologia di intelligenza artificiale il 16,4% delle imprese italiane con almeno 10 addetti, contro l’8,2% del 2024 e il 5,0% del 2023. Tra le grandi imprese la quota sale al 53,1%. La crescita è rapida ma parte da una base bassa: molte aziende arrivano agli agenti AI senza aver mai portato in produzione un progetto di AI.

Bibliografia e fonti

1. Gartner, Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, comunicato stampa, gartner.com, 25/06/2025. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027, consultato il 10/10/2026.
2. ISTAT, Imprese e ICT – Anno 2025, comunicato stampa, istat.it, 15/12/2025. https://www.istat.it/comunicato-stampa/imprese-e-ict-anno-2025/, consultato il 10/10/2026.
3. Redazione AziendaBanca, Il mercato italiano dell’AI vale 1,8 miliardi: il 71% delle grandi imprese ha progetti in corso (dati dell’Osservatorio Artificial Intelligence del Politecnico di Milano), AziendaBanca, 05/02/2026. https://www.aziendabanca.it/notizie/tecno/mercato-italiano-ai-progetti-in-corso, consultato il 10/10/2026.

Approfondisci

• Gartner prevede che oltre il 40% dei progetti di agentic AI sarà cancellato: come non essere tra quelli: le tre cause di cancellazione e un percorso in sei passi per portare un progetto in produzione.
• RPA o agenti AI? Differenze e quando usare l’una o gli altri: quando basta l’automazione tradizionale e quando serve un agente.
• Human in the loop: quanta autonomia dare a un agente AI, e quando: come decidere che cosa l’agente fa da solo e che cosa fa approvare.
• Le funzionalità della piattaforma Agentic Darts: permessi, controllo umano, registro delle operazioni e integrazioni.
• Il metodo in fasi, dal processo all’indicatore: come si imposta un progetto di agenti AI partendo dalla misura.

Articoli di questo tema

• Quanto rende un agente AI? Un modello di calcolo in cinque voci: come stimare costi, benefici e tempo di rientro di un agente AI prima di avviarlo.
• La casella che si svuota da sola: automazione email aziendale con l’AI: che cosa automatizzare in una casella condivisa e che cosa lasciare alle persone.
• Centralino virtuale con l’AI: cosa sa fare oggi e dove servono ancora le persone: le chiamate che un centralino AI gestisce bene e quelle da passare a un operatore.
• Formazione professionale: iscrizioni, contratti e attestati con gli agenti AI: un caso d’uso completo, dalla richiesta di iscrizione all’attestato.