Come creare un agente AI per la tua azienda: otto passi, dal processo al lancio

Collegare un modello linguistico a un paio di strumenti oggi richiede poco. Far sì che l'agente lavori bene sul tuo processo, con i tuoi dati e i tuoi casi strani, è un altro mestiere. Questa guida è per chi deve decidere come farlo, anche senza essere uno sviluppatore. Se prima vuoi chiarire cos'è un agente e in cosa differisce da un'automazione, parti da agenti AI: cosa sono.

Da dove si parte per creare un agente AI?

Si parte dal compito e dal criterio di successo, non dalla tecnologia. La documentazione di Anthropic lo mette in apertura: un'applicazione basata su un modello linguistico funziona se prima definisci i criteri di successo e poi progetti le valutazioni per misurarli. In pratica, scrivi su una pagina chi usa l'agente, cosa riceve, cosa deve produrre, quali azioni può fare da solo e come capisci che sta lavorando bene. Se la pagina resta vuota, il problema non è ancora pronto per un agente.

Un esempio: le richieste di preventivo

Una PMI riceve ogni giorno richieste di preventivo via email, scritte nei modi più diversi. L'agente legge l'email, estrae prodotto, quantità e scadenza, controlla disponibilità e listino nel gestionale, prepara la bozza e la mette in coda per l'approvazione del commerciale. Se manca un dato, scrive al cliente per chiederlo. Criteri di successo: tempo tra richiesta e preventivo inviato, quota di bozze approvate senza modifiche.

Quali strumenti servono: no-code, framework o codice?

Dipende da chi manterrà l'agente, da quante integrazioni servono e dai volumi. Le strade principali sono tre e si possono combinare: spesso un prototipo nasce su una piattaforma low-code e passa al codice quando cresce.

Anthropic suggerisce di iniziare usando direttamente le API dei modelli, perché molti schemi si scrivono in poche righe, e di capire bene il codice sottostante se si sceglie un framework. Per collegare gli strumenti c'è il Model Context Protocol, uno standard aperto supportato da Claude, ChatGPT e molti ambienti di sviluppo: invece di scrivere ogni integrazione da zero, colleghi server già pronti, dopo averne verificato affidabilità e permessi.

Come si scrivono istruzioni e strumenti che funzionano?

Si scrivono come una procedura per un collega nuovo e molto letterale: obiettivo, passi, eccezioni, limiti. Qualche regola pratica:

• Parti dai documenti che hai. Procedure, FAQ, script dell'assistenza: la guida di OpenAI suggerisce di trasformarli in istruzioni per l'agente.
• Un'azione chiara per ogni passo. “Chiedi il numero d'ordine” funziona meglio di “raccogli le informazioni”.
• Scrivi cosa fare nei casi limite. Dati mancanti, richieste fuori ambito, clienti arrabbiati: se non lo scrivi, l'agente improvvisa.
• Descrivi gli strumenti come faresti con un collega. Nome chiaro, a cosa serve, quali parametri vuole, cosa restituisce. Anthropic chiama questa parte interfaccia agente-computer e consiglia di documentarla e testarla con cura.
• Separa i dati dagli ordini. Il testo di un'email o di una pagina web non deve mai poter cambiare le regole dell'agente.

Come si testa un agente AI prima di metterlo in produzione?

Si testa con una batteria di casi reali, le cosiddette eval, ripetuta a ogni modifica. I modelli possono dare risposte diverse alla stessa domanda, quindi i test classici non bastano. OpenAI propone cinque mosse: definire l'obiettivo, raccogliere i dati, scegliere le metriche, confrontare i risultati e valutare in modo continuo, a ogni cambiamento.

Cosa mettere nella batteria di test

• Casi tipici, presi dalle richieste vere degli ultimi mesi.
• Casi difficili: dati mancanti, richieste ambigue, lingue diverse.
• Casi da rifiutare: richieste fuori ambito o tentativi di manipolazione.
• Per ogni caso, la risposta o l'azione che consideri corretta.

La correzione si può automatizzare in buona parte: confronto esatto per i dati estratti, un secondo modello come giudice per le risposte in testo libero, revisione umana a campione. Anthropic consiglia di preferire molti casi corretti in automatico a pochi casi corretti a mano.

Quali controlli servono per un agente in produzione?

Servono limiti su cosa l'agente può fare, su quanto può insistere e su quando deve fermarsi.

• Limite ai tentativi. Se l'agente non capisce la richiesta dopo qualche tentativo, passa la mano. OpenAI indica il superamento delle soglie di errore come uno dei due motivi tipici per l'intervento umano.
• Permessi minimi. Lettura dove basta leggere, scrittura solo sui campi necessari.
• Registro delle azioni. Ogni chiamata agli strumenti salvata con ingresso e uscita: serve a capire gli errori e a rispondere a chi chiede perché è successo qualcosa.
• Tetto di spesa. Un limite di passi e di costo per singola richiesta, con un avviso quando ci si avvicina.

Come si porta in produzione e come si mantiene?

Si lancia per gradi e si tiene d'occhio come qualsiasi software, con in più il controllo della qualità delle risposte. All'inizio l'agente propone e una persona approva; ogni settimana si guardano le metriche fissate al primo passo, gli errori e il costo per richiesta. Quando il fornitore aggiorna o ritira un modello, i test dicono subito se il cambio peggiora qualcosa.

I costi di sviluppo e di esercizio sono un capitolo a parte, con le stime di mercato e i fattori che le muovono: li trovi in quanto costa un agente AI. Se l'agente deve rispondere usando i documenti dell'azienda, spesso la tecnica giusta è la RAG, spiegata in RAG e costi delle API.

Quali regole considerare prima del lancio?

Prima del lancio servono almeno tre verifiche: trasparenza verso chi interagisce con l'agente, base giuridica e informative per i dati personali, contratto con il fornitore del modello. Dal 2 agosto 2026 l'AI Act chiede che chi parla con un sistema AI lo sappia, salvo quando è evidente; il GDPR chiede di sapere quali dati personali passano all'agente e al fornitore, su quale base e per quanto tempo restano. I dettagli sono nelle guide su AI Act per startup e su GDPR e intelligenza artificiale; per il tuo caso concreto serve un professionista.