Che cos'è l'agentic AI?

By Silvio Savarese, Executive Vice President and Chief Scientist, Salesforce AI Research

L'AI agentica rappresenta l'evoluzione dei sistemi intelligenti da modelli passivi di generazione a sistemi attivi di esecuzione. A differenza dell'AI Generativa, che si limita a produrre contenuti (output) basati su un prompt, l'AI Agentica è un'architettura software capace di ragionamento iterativo e azione autonoma (outcome).

Un sistema agentico non si limita a rispondere: utilizza un ciclo continuo di percezione, pianificazione ed esecuzione per raggiungere obiettivi complessi interagendo direttamente con software, API e database esterni, adattando la propria strategia in base ai feedback ricevuti dall'ambiente in tempo reale.

Di cosa parleremo:

• Che cos'è l'agentic AI
• Come funziona l'agentic AI
• Vantaggi dell'agentic AI
• Esempi di Agentic AI: casi d'uso nel mondo reale
• Agentic AI e piattaforme dati: una collaborazione essenziale
• Quali sono le prospettive per l'agentic AI

L'AI agentica è la tecnologia che alimenta gli agenti AI in modo che possano agire in modo autonomo senza la supervisione umana. Fungendo da piattaforma completa, l'agentic AI facilita un'interazione fluida e continua tra gli agenti AI e gli esseri umani, promuovendo un ambiente collaborativo. Con questo framework, le aziende possono personalizzare gli agenti AI per soddisfare le loro specifiche esigenze, siano esse relative all'automazione di attività ripetitive, al miglioramento del servizio clienti o all'attuazione di un processo decisionale strategico.

La flessibilità della piattaforma garantisce che gli agenti AI possano essere adattati a un'ampia gamma di settori e utilizzi. Attraverso l'elaborazione del linguaggio naturale (NLP), i sistemi di AI agentica come Agentforce possono imitare il comportamento umano: ciò li rende ideali per gestire una molteplicità di situazioni complesse e in continua evoluzione.

Sono tre le principali caratteristiche dell'agentic AI:

1. Autonomia: gli agenti sono in grado di eseguire le attività da soli, senza supervisione o indicazioni umane.
2. Adattabilità: possono imparare dalle interazioni, ricevere feedback e cambiare le proprie decisioni in base a ciò che hanno appreso.
3. Orientamento all'obiettivo: possono assumere compiti specifici e ragionare su come svolgerli.

Mentre dobbiamo fare attenzione a non confonderla con:

• Chatbot: i chatbot sono reattivi (aspettano un input); gli agenti sono proattivi: monitorano sistemi e avviano flussi di lavoro complessi autonomamente per raggiungere un obiettivo.
• RPA: l'RPA segue regole rigide. L'IA agentica usa il ragionamento per gestire eccezioni. Se un piano fallisce, si adatta e trova una nuova soluzione.
• AI Generativa: la GenAI è il "cervello" che crea contenuti; l'IA agentica è il sistema operativo che usa quei contenuti come strumenti per compiere azioni concrete.

L'Agentic AI non si limita a elaborare dati, ma opera attraverso un loop core di componenti che permettono a un agente di perseguire un obiettivo dall'inizio alla fine. Il "cervello" del sistema è un Modello di Linguaggio di Grandi Dimensioni (LLM) che funge da motore di ragionamento, pianificazione e decision-making.

Il nucleo operativo dell'AI Agentica si fonda su cinque pilastri fondamentali:

• Pianificazione (Planning): la capacità di scomporre un obiettivo complesso (es. "Risolvi la disputa sulla fatturazione del cliente") in una sequenza di micro-task eseguibili (es. "Cerca nella knowledge base", "Verifica lo storico pagamenti nel CRM").
• Ragionamento (Reasoning): la valutazione costante della situazione per selezionare lo strumento (tool) più adatto e determinare l'azione successiva ottimale (Next Best Action).
• Utilizzo di Strumenti (Tool Use): la capacità dell'agente di connettersi a sistemi esterni (CRM, database, ERP) tramite API. L'AI non scrive solo testo, ma interagisce con l'ecosistema software aziendale.
• Memoria (Memory): il sistema mantiene il contesto attraverso una memoria a breve termine (per il task corrente) e a lungo termine (per apprendere dai risultati passati), garantendo coerenza nei flussi di lavoro multi-step.
• Riflessione (Reflection): il meccanismo di auto-correzione. L'agente osserva il risultato di un'azione, lo confronta con l'obiettivo e corregge il piano se il risultato non è soddisfacente.

Per risolvere problemi complessi, l'agente segue un processo iterativo continuo:

1. Percezione (Perceive): l'agente raccoglie e decodifica informazioni dall'ambiente (prompt dell'utente, dati dai sensori o record di database), identificando lo stato iniziale e l'obiettivo.
2. Ragionamento (Reason): l'LLM elabora il compito, elabora un piano d'azione iniziale e coordina modelli specializzati o strumenti specifici.
3. Azione (Act): l'agente esegue il task connettendosi ai sistemi esterni via API. In questa fase, i guardrail (perimetri di sicurezza) integrati garantiscono conformità e sicurezza operativa.
4. Apprendimento (Observe & Reflect): l'agente osserva l'esito dell'azione. Se l'azione non ha avvicinato il sistema all'obiettivo, l'agente analizza il fallimento e adatta la strategia.
5. Iterazione e Collaborazione: il loop si ripete fino al raggiungimento del risultato. In architetture multi-agente, diversi agenti specializzati collaborano scambiandosi informazioni per risolvere problemi di scala enterprise.

L'Agentic AI rappresenta un salto evolutivo rispetto alle tipologie di AI precedenti: si passa da un'intelligenza puramente predittiva o creativa a una forma di intelligenza realmente autonoma e orientata agli obiettivi.

L'AI agentica rappresenta un balzo in avanti nell'intelligenza artificiale e la distingue dai precedenti sistemi di AI.

Uno dei suoi punti di forza è il miglioramento dell'adattabilità e dell'efficienza delle applicazioni di AI. L'AI agentica può accelerare in modo significativo i processi di sviluppo automatizzando le attività e prendendo decisioni in modo indipendente. Questa autonomia consente di risparmiare tempo e riduce i costi operativi. Inoltre, i complessi algoritmi dell'AI agentica garantiscono l'ottimizzazione delle prestazioni complessive, rendendola una risorsa per qualsiasi settore.

Uno dei vantaggi più evidenti dell'agentic AI è la capacità di interagire in modo maggiormente personalizzato e coinvolgente con gli utenti. Attuando un processo decisionale simile a quello umano, l'AI agentica offre interazioni intuitive e senza interruzioni. Che si tratti del servizio clienti, della sanità o dell'istruzione, fornire un'assistenza clienti personalizzata può incrementare la soddisfazione e la loyalty dell'utente.

Gli agenti AI autonomi elaborano enormi stream di dati in tempo reale, fornendo informazioni utili per decisioni più smart. Rilevando i modelli e prevedendo i risultati, consentono scelte più rapide e basate sui dati in tutta sicurezza.

L'AI agentica automatizza le attività ripetitive e semplifica i flussi di lavoro, permettendo ai team umani di concentrarsi sul lavoro strategico e di alto valore. Grazie al processo decisionale in tempo reale e all'apprendimento continuo, questi agenti eseguono le mansioni più velocemente e con maggiore precisione, aumentando l'efficienza complessiva.

Il vero valore dell'Agentic AI risiede nella sua capacità di eseguire workflow multi-fase end-to-end su sistemi eterogenei, trasformando ogni funzione aziendale da reattiva a autonoma.

A differenza di un chatbot che fornisce solo risposte, un agente AI gestisce il ticket di supporto fino alla risoluzione completa, attingendo a una base di dati unificata.

• Il caso Telepass: Per gestire volumi massivi (2 milioni di chiamate e 900.000 chat l’anno) con un team di operatori fisso, Telepass ha implementato agenti AI capaci di risolvere autonomamente l’87% delle richieste. Grazie all'integrazione con Data 360, l'agente non si limita a rispondere, ma esegue operazioni complesse come il recupero fatture, l'aggiunta di targhe o la modifica dei metodi di pagamento in totale autonomia.
• Altro esempio tecnico: Un cliente segnala un guasto. L'agente percepisce il problema, pianifica la soluzione verificando la garanzia nel CRM e agisce generando autonomamente l'etichetta di reso e aggiornando il magazzino.

• IT Service Management (ITSM) autonomo: non solo reset di password. Se un dipendente segnala un problema di accesso, l'agente verifica l'identità nella directory interna, controlla i permessi nella matrice di sicurezza, approva le autorizzazioni nel sistema di Identity Management e invia la conferma finale.
• Coding e debugging autonomo: l'agente opera come uno sviluppatore junior. Riceve una "user story", crea un piano di sviluppo, scrive il codice, esegue i test di integrazione, corregge i bug rilevati e apre una pull request pronta per la revisione umana.

Un agente di marketing può trasformare un obiettivo di alto livello (es. "Aumenta le vendite della nuova linea nel Nord-Ovest") in un'esecuzione completa:

• Identificazione audience: segmenta il target utilizzando Data 360.
• Generazione asset: utilizza l'AI generativa per creare copy e creatività email personalizzate per ogni segmento.
• Ottimizzazione in tempo reale: monitora le metriche di performance e sposta autonomamente il budget pubblicitario sui canali più performanti per massimizzare il tasso di conversione.

L'agente funge da manager della catena di approvvigionamento end-to-end. Monitora i livelli di scorte in tempo reale, prevede le fluttuazioni della domanda incrociando dati di mercato e vendite storiche, ed effettua autonomamente ordini di rifornimento, negoziando le condizioni migliori con i fornitori in base ai parametri impostati.

L'Agentic AI trasforma l'e-commerce da un catalogo statico a un'esperienza di consulenza proattiva, dove l'agente agisce come un assistente esperto che conosce ogni prodotto e ogni cliente.

• Il caso Euronics Italia: attraverso l'agente "Ronics", Euronics ha replicato l'esperienza del commesso fisico sul web. L'agente attinge in tempo reale a un catalogo di 26.000 SKU su Data Cloud per guidare l'utente nell'acquisto. I risultati del 2025 parlano chiaro: un incremento del 13% nelle vendite online e del 2% nel tasso di conversione, dimostrando come l'AI possa guidare decisioni d'acquisto complesse.

Nel settore dei trasporti, l'AI agentica supera i silos informativi per offrire una gestione dei viaggi fluida, capace di reagire agli imprevisti in tempo reale.

• Il caso Ferrovie dello Stato Italiane : FS ha lanciato una Foundation Agentica (coordinata da FSTechnology) che unifica i dati di tutte le società del Gruppo. La roadmap punta a rendere l'AI protagonista non solo nell'acquisto dei biglietti, ma soprattutto nella "riprotezione automatica": in caso di eventi straordinari (ritardi o cancellazioni), l'agente potrà autonomamente riprogrammare il viaggio del passeggero, garantendo una mobilità integrata e senza attriti.

Nelle Risorse Umane, gli agenti autonomi eliminano il carico burocratico della selezione, permettendo ai recruiter di focalizzarsi sull'aspetto umano e relazionale.

• Il caso The Adecco Group: utilizzando un sistema agent-first, Adecco automatizza lo screening dei CV e il primo contatto. L'agente analizza competenze e posizione geografica in pochi minuti, generando shortlist immediate. Fondamentale è l'aspetto relazionale: l'AI assicura che tutti i candidati, anche quelli non selezionati, ricevano aggiornamenti costanti, riducendo lo stress tipico della ricerca di lavoro.

L'agentic AI trasforma le conoscenze aziendali in automazione del flusso di lavoro, utilizzando un framework di metadati comune che agisce come linguaggio universale tra fonti di dati eterogenee. Il valore non risiede più solo nel possesso dei dati, ma nella capacità della piattaforma di trasformarli in decisioni in tempo reale. Questa integrazione elimina la frammentazione informativa, permettendo al sistema di agire su processi complessi che richiedono una comprensione profonda del contesto aziendale.

Associare l'agentic AI a Data 360, abbinato alla generazione aumentata di recupero (RAG), consente alle aziende di utilizzare sia i dati strutturati che quelli non strutturati per soddisfare maggiormente i clienti. Mentre l'AI tradizionale analizzava i dati in silos, l'architettura agentica lavora all'unisono con con i dati aziendali in un processo decisionale autonomo per ottenere risultati più precisi. Questa collaborazione permette al sistema di adattarsi dinamicamente ad ambienti aziendali in mutamento, facilitando la creazione di applicazioni intelligenti capaci di scalare senza la necessità di programmazione complessa.

Il layer dell'AI agentica apprende ed evolve man mano che elabora nuovi stream di dati. Grazie a un ciclo di apprendimento continuo e all'accesso completo al patrimonio informativo aziendale, i settori finanziario, sanitario e retail possono semplificare le operazioni critiche. L'AI non si limita più a suggerire, ma guida attivamente le attività strategiche nelle vendite, nel marketing e nel customer engagement, rispondendo a condizioni ed esigenze mutevoli con precisione millimetrica.

L'AI agentica offrirà innovazioni che trasformeranno settori come le vendite, l'assistenza, il marketing e l'e-commerce. Non siamo più di fronte a semplici chatbot, ma ad architetture capaci di percepire l’ambiente e agire per obiettivi. Gartner prevede questa transizione: entro il 2028, il 15% delle decisioni lavorative quotidiane sarà autonomo, partendo da una base praticamente nulla nel 2024.

Il vero salto di qualità risiede nell'interoperabilità sicura. Attraverso standard emergenti come il Model Context Protocol (MCP), gli agenti possono finalmente collaborare tra sistemi diversi sotto una governance centralizzata. In questo scenario, piattaforme come Agentforce non rappresentano solo un tool, ma un orchestratore che unisce l'intera infrastruttura aziendale (da Customer 360 a Slack) in un unico ecosistema operativo.