Una confezione da dodici pezzi
Immaginiamo un ufficio acquisti che debba confrontare due offerte. Il primo fornitore propone una confezione da dodici pezzi a 48 euro; il secondo vende lo stesso componente a 4,30 euro al pezzo. Trascurando per questo esempio trasporto, imposte e altre condizioni, il primo prezzo equivale a 4 euro al pezzo.
Un agente AI che confrontasse soltanto i numeri scritti nei preventivi potrebbe preferire l'offerta sbagliata. Una persona corregge il confronto e la pratica prosegue. A quel punto l'azienda può ottenere qualcosa che sarà utile anche domani: un metodo che riconosce l'unità di vendita, controlla il contenuto della confezione e rende comparabili i prezzi prima di proporre una scelta.
La differenza si vede alla richiesta successiva. Arriva un'offerta da 39 euro a confezione, senza indicazione del numero di pezzi. Il sistema recupera il criterio e chiede il dato mancante, oppure ricomincia a confrontare numeri incompatibili? Questa seconda pratica permette di capire se la correzione ha cambiato davvero il lavoro.
È un caso ipotetico, ma rende concreta una domanda aziendale: quale capacità rimane disponibile dopo che l'agente ha concluso un'attività?
Che cosa stiamo delegando
Un agente AI può usare strumenti e informazioni per perseguire un obiettivo: cercare documenti, confrontare offerte, preparare una risposta, aggiornare un sistema collegato. Le sue possibilità dipendono dai mezzi disponibili, dal contesto che riesce a raggiungere e dai permessi effettivi.
Il lavoro da affidargli va descritto attraverso un risultato riconoscibile. Per gli acquisti potrebbe essere un confronto motivato, con le fonti e le condizioni ancora da chiarire. Preparare quel confronto e inviare un ordine sono attività diverse, con conseguenze e autorizzazioni diverse. Si può delegare la prima e mantenere l'approvazione sulla seconda.
La scelta si può articolare anche dentro la stessa attività. I casi ordinari possono seguire criteri già concordati; un'anomalia o un'informazione mancante può richiedere una persona. Questi assetti vanno composti secondo il lavoro, senza presumere che ogni processo debba arrivare alla piena autonomia.
Il contesto italiano aiuta a collocare la discussione. Secondo Istat, nel 2025 il 16,4% delle imprese con almeno dieci addetti utilizzava almeno una tecnologia AI, contro l'8,2% del 2024. È un dato sull'adozione dell'AI: non misura l'uso di agenti autonomi e non descrive tutte le microimprese.
Riprendere un lavoro conservandone le ragioni
Una pratica raramente vive in una sola sessione. Un collega attende una risposta, un fornitore aggiorna l'offerta, una persona subentra a un'altra. Per continuare servono l'obiettivo, le fonti pertinenti, le decisioni già prese e i motivi che le sostengono.
Nel nostro esempio, «preferire il fornitore A» sarebbe una memoria fragile. È più utile conservare che, a quella data e per quella quantità, il suo prezzo unitario risultava inferiore, mentre la consegna richiedeva ancora conferma. Una nuova offerta o una diversa urgenza possono cambiare la scelta.
Questa continuità richiede conoscenza mantenuta nel luogo in cui il lavoro può recuperarla, con responsabilità di aggiornamento e accessi adeguati. Salvare ogni conversazione può aumentare il materiale disponibile senza rendere più chiaro ciò che conta. Una buona ripresa permette di capire quali ragioni sono ancora valide e quali vanno riconsiderate.
Quando una correzione diventa una competenza
Per competenza riutilizzabile intendiamo qui un insieme raggiungibile di conoscenze, fonti e criteri che cambia il modo di affrontare una situazione. La correzione sul prezzo per confezione può entrare nel metodo di confronto delle offerte, insieme alla sua motivazione e alle condizioni d'impiego.
Questo miglioramento può avvenire aggiornando conoscenza, istruzioni e strumenti, anche mantenendo lo stesso modello AI. La documentazione tecnica descrive meccanismi di memoria fra sessioni e di risorse specialistiche riutilizzabili. Il fatto che questi meccanismi esistano non dimostra che una specifica applicazione li usi bene.
La prova utile resta un nuovo caso: il criterio viene recuperato quando serve? Viene applicato entro il suo campo di validità? Il sistema riconosce un dato mancante? Occorre verificare anche che la correzione non renda rigido un metodo che deve considerare qualità, disponibilità e tempi di consegna.
La manutenzione di questo sapere fa parte del lavoro. Una procedura superata o una fonte non più valida possono rendere dannosa una correzione che in precedenza era utile.
Le competenze possono cambiare anche la domanda
Un confronto di acquisto può coinvolgere prezzo, qualità, disponibilità e vincoli tecnici. Mettendo in relazione queste competenze, può emergere che il componente più economico comporta una diversa manutenzione, oppure che la sostituzione proposta non è adatta all'impianto.
La domanda iniziale può così cambiare: quali alternative garantiscono il risultato operativo necessario? Un singolo agente o più agenti possono contribuire a questa comprensione. La forma tecnica va scelta in base all'utilità del contributo e al costo del coordinamento.
Anche l'assistenza clienti offre una possibilità più ampia. Se molte richieste riguardano lo stesso passaggio d'installazione, rispondere meglio alle singole domande è un primo risultato. Un'analisi delle cause potrebbe suggerire una guida preventiva, una modifica del percorso iniziale o un servizio di accompagnamento. Sono possibilità da valutare attraverso le fonti e il contesto dell'azienda; l'osservazione delle richieste non dimostra da sola quale soluzione funzionerà.
Una sperimentazione che faccia vedere la differenza
Si può iniziare da un'attività circoscritta, con un responsabile, fonti disponibili e un risultato confrontabile. Un gruppo di pratiche già note permette di osservare errori e lavoro residuo; casi differenti aiutano a capire se il metodo regge oltre gli esempi usati per correggerlo.
Conviene misurare il tempo complessivo per arrivare a un risultato corretto, includendo controllo umano, chiarimenti e rilavorazione. Contano anche la ricomparsa di errori già corretti, il tempo necessario a riprendere una pratica e la capacità di segnalare un'eccezione. Due risposte concordi possono dipendere dalla stessa fonte sbagliata: per le decisioni rilevanti servono riscontri capaci di smentirle.
Gli accessi devono corrispondere al mandato. Se il compito è confrontare offerte, il permesso di inviare ordini può essere superfluo. Le autorizzazioni applicate nei sistemi collegati restano decisive anche quando l'agente ha ricevuto istruzioni corrette; è una relazione richiamata anche da OWASP nel rischio di eccessiva capacità d'azione. Se un'operazione si interrompe, prima di ripeterla occorre verificare che cosa sia già accaduto.
La persona che controlla deve disporre di tempo, fonti e possibilità di intervenire. Una conferma formale su centinaia di proposte non basta a rendere efficace la supervisione. Il NIST AI Risk Management Framework offre un riferimento per collegare responsabilità, valutazione e monitoraggio nel tempo.
Che cosa resta in azienda
Al termine della prova possiamo guardare insieme il risultato e la capacità che ha prodotto. La pratica è stata completata correttamente? Il lavoro residuo è sostenibile? Le ragioni sono recuperabili? Una correzione utile cambia un caso successivo? Sono emerse possibilità che meritano un esperimento diverso?
Il tempo liberato rappresenta capacità disponibile: il suo valore dipende da come l'organizzazione riesce a impiegarlo. Nel conto vanno inclusi integrazione, controlli e manutenzione del sapere. Il report allegato sviluppa questi aspetti con tre casi aziendali, uno scenario economico dichiaratamente illustrativo e una scheda per scegliere la prima attività.
Un passo concreto è scegliere una pratica già conosciuta e chiedersi quale risultato affidare all'AI, quali decisioni restano alle persone e quale conoscenza dovrà essere disponibile alla prossima occasione. Da lì si può osservare se il lavoro produce un risultato utile e rende l'azienda più capace di continuare.
Report e riferimenti
Scarica il report in italiano: Agenti AI nelle aziende italiane, R2, 10 pagine.
Gli esempi aziendali sono ipotetici. Le possibilità descritte sono criteri di progettazione e sperimentazione; non costituiscono risultati osservati in un'impresa.
Le fonti primarie sono collegate nei passaggi pertinenti. Un ulteriore riferimento sul tema della delega e della supervisione è la presentazione di Evan Kormos, How to Know When an AI Agent Can Work Unsupervised, pubblicata da AI Engineer. L'articolo sviluppa un ragionamento autonomo sul lavoro aziendale.