Trasformazione dell'IA: agenti più intelligenti, non modelli più grandi, rappresentano la prossima fase.

Per le organizzazioni che cercano di ottenere un vantaggio competitivo adottando strumenti di intelligenza artificiale , il dibattito e la decisione si sono concentrati principalmente sui modelli linguistici di grandi dimensioni.

Ogni nuova versione promette migliori capacità di ragionamento, maggiore precisione e funzionalità che superano quelle della versione precedente.

Ma man mano che i modelli di base diventeranno più potenti e ampiamente disponibili, il vero fattore determinante per le organizzazioni non sarà quale modello sceglieranno, ma con quanta efficacia utilizzeranno l'IA proxy per risolvere problemi aziendali reali.

Jay Florence

Ingegnere di soluzioni presso Digital Modus.

Al recente Gartner Data & Analytics Summit 2026, il messaggio degli analisti è stato chiaro: i modelli di IA autonomi stanno diventando obsoleti e gli agenti di IA interconnessi e indipendenti rappresentano il futuro. Tuttavia, per trarre davvero vantaggio dall'IA basata su agenti, i responsabili IT devono dare priorità a "casi d'uso ripetitivi e a bassa complessità, implementare controlli preventivi e migliorare le competenze del personale".

Vorrei aggiungere a questa affermazione che la prossima fase dell'IA aziendale non consiste nel raggiungere il modello più grande, ma nel costruire agenti migliori.

Ciò significa superare la visione dell'intelligenza artificiale come un semplice chatbot e considerarla invece una capacità operativa in grado di supportare i dipendenti, automatizzare le attività ripetitive e migliorare l'efficienza in tutta l'organizzazione.

La più grande opportunità per l'intelligenza artificiale non risiede nella conversazione.

Per molti, l'intelligenza artificiale significa ancora porre una domanda su ChatGPT e ricevere una risposta. Questa è certamente un'applicazione, e le interfacce conversazionali hanno svolto un ruolo significativo nel rendere l'IA accessibile. Ma è solo una piccola parte di ciò che è possibile.

Alcune delle applicazioni più preziose degli agenti di intelligenza artificiale si concentrano sui processi operativi piuttosto che sulla conversazione. Ad esempio, nell'istruzione superiore, gli agenti di intelligenza artificiale aiutano gli studenti a orientarsi tra i servizi di supporto rispondendo a domande di routine su iscrizioni, strutture del campus o procedure amministrative, liberando il personale per gestire questioni più complesse.

Nel settore dei trasporti, gli agenti possono integrare informazioni sugli orari, opzioni di viaggio successive e assistenza clienti in un'unica interazione, evitando agli utenti di dover cercare tra diversi servizi.

In altri ambiti, le organizzazioni utilizzano agenti basati sull'intelligenza artificiale per qualificare le richieste di vendita, riassumere documenti complessi ed estrarre informazioni dai contratti: attività che in precedenza richiedevano ore di lavoro manuale.

Il denominatore comune non è solo che questi agenti possono rispondere alle domande, ma anche che eliminano gli oneri amministrativi e consentono alle persone di concentrarsi su lavori che richiedono giudizio, competenza e interazione umana.

I migliori agenti partono da problemi migliori.

Uno dei maggiori fraintendimenti sull'IA proxy è che le organizzazioni credano di dover innanzitutto identificare dove intendono implementare un proxy basato sull'IA.

In realtà, per le organizzazioni che desiderano sviluppare le proprie offerte di intelligenza artificiale, la prima domanda non dovrebbe essere: "Dove possiamo implementare l'IA?" ma piuttosto: "Quale problema aziendale stiamo cercando di risolvere?"

Partire dalla tecnologia spesso porta le organizzazioni a creare agenti che offrono scarso valore perché automatizzano il processo sbagliato. Le organizzazioni che ottengono i migliori risultati sono quelle che individuano prima le debolezze operative, ovvero le aree in cui i dipendenti impiegano troppo tempo in attività amministrative ripetitive, nella ricerca di informazioni o nel trasferimento manuale di dati tra i sistemi.

Quando queste sfide vengono comprese appieno, l'IA proxy diventa uno strumento operativo efficace, anziché una semplice tecnologia in cerca di un caso d'uso.

L'importanza dell'implementazione supera l'importanza del modello.

Oggi i modelli di intelligenza artificiale più avanzati si stanno evolvendo a un ritmo eccezionale. Stanno diventando sempre più performanti, veloci ed economici, il che significa che il vantaggio competitivo si sta spostando.

È improbabile che le organizzazioni riescano a superare i propri concorrenti semplicemente scegliendo un modello di base piuttosto che un altro. Il successo dipenderà invece sempre più da tutto ciò che circonda il modello.

La qualità dei dati è uno dei principali fattori di differenziazione. Un agente di intelligenza artificiale è valido solo quanto le informazioni su cui si basa. Documentazione contraddittoria, politiche incoerenti o una gestione inadeguata della conoscenza riducono inevitabilmente la qualità del suo output.

La gestione dei sinistri è un'altra competenza spesso sottovalutata. Progettare un agente non significa semplicemente dargli istruzioni e aspettarsi risultati costanti. Una gestione dei sinistri ben progettata definisce confini chiari, stabilisce le responsabilità dell'agente e garantisce che rimanga concentrato sul suo obiettivo.

Lo stesso principio si applica alla governance. Un buon agente non dovrebbe rispondere a ogni domanda che gli viene posta. Dovrebbe invece comprendere il proprio ruolo, sapere quando rifiutare le richieste che esulano dalle sue competenze e agire solo con le informazioni e le autorizzazioni di cui ha realmente bisogno. Applicare il principio del "minimo privilegio" non è solo una buona pratica di sicurezza, ma migliora anche l'efficienza riducendo al minimo le elaborazioni non necessarie e mantenendo i costi sotto controllo.

In definitiva, la qualità dell'esecuzione è di gran lunga più importante delle dimensioni del modello di base.

La fiducia si costruisce con la ripetizione, non con l'ambizione.

Un altro equivoco comune è quello di presumere che l'IA proxy debba essere implementata in programmi di trasformazione su larga scala. In realtà, di solito è vero il contrario.

Le organizzazioni che ottengono risultati significativi tendono a partire da un caso d'uso chiaramente definito che offra un valore misurabile. Questo favorisce la fiducia tra i dipendenti, dimostra il ritorno sull'investimento e consente una migliore governance prima di espandersi in flussi di lavoro più complessi.

L'IA agente dovrebbe essere considerata un prodotto che si evolve nel tempo, non un progetto che si conclude il giorno del lancio. Tuttavia, questo cambia anche il modo in cui le organizzazioni affrontano i test.

Il software tradizionale è progettato per fornire sempre lo stesso risultato. Gli agenti di intelligenza artificiale, invece, sono per loro natura probabilistici, il che significa che la coerenza diventa importante quanto la funzionalità. Pertanto, test, monitoraggio e ottimizzazione continui diventano parte integrante di una distribuzione di successo.

Altrettanto importante è che i dipendenti siano parte integrante di questo percorso. Costruire la fiducia non significa presentare un agente di intelligenza artificiale una volta completato; significa coinvolgere i team durante tutto il processo di sviluppo, aiutandoli a comprendere come vengono prese le decisioni, dove sono implementate le misure di sicurezza e come la tecnologia è pensata per potenziare, e non sostituire, le loro competenze.

Agenti più performanti definiranno la prossima fase dell'intelligenza artificiale.

È inevitabile che l'industria dell'IA continui a produrre modelli di base più veloci, economici e performanti. Ciò che non è inevitabile, tuttavia, è che le organizzazioni saranno in grado di tradurre queste capacità in un valore commerciale significativo.

La prossima corsa all'intelligenza artificiale non sarà vinta da chi avrà il modello più grande, bensì da chi saprà costruire agenti affidabili e ben gestiti, capaci di risolvere problemi operativi reali.