Nonostante il grande potenziale attribuito all’AI Agentica nell’aumento della produttività delle organizzazioni che abbracciano questa trasformazione, molte aziende stanno riscontrando difficoltà nel trarre valore dai loro investimenti, con alcune che sono persino tornate ad assumere personale per mansioni precedentemente affidate agli agenti di AI.

Questi ostacoli riflettono la naturale evoluzione di qualsiasi nuova tecnologia, ma un anno dopo l’inizio della “rivoluzione” degli agenti, un punto è emerso chiaramente: il successo richiede un lavoro impegnativo.

Un recente studio di McKinsey, basato sull’analisi di oltre 50 implementazioni di AI agentica guidate dalla società e dozzine di altre sul mercato, ha identificato sei insegnamenti fondamentali per i dirigenti che desiderano catturare con successo il valore da questa tecnologia.

1. Riprogettare i fluissi di lavoro è prioritario

Il primo take away è che il successo con l’AI agentica non dipende dall’agente stesso, ma dalla riprogettazione dei flussi di lavoro.

Focalizzarsi eccessivamente sullo strumento o sull’agente produce sistemi che, pur performanti nelle presentazioni, non migliorano significativamente il processo complessivo, portando a un valore finale deludente.

Gli sforzi che mirano a re-immaginare l’intero workflow — includendo persone, processi e tecnologia —, hanno maggiori probabilità di successo. I professionisti continueranno a ricoprire un ruolo centrale nello svolgimento delle attività, ma saranno supportati da nuovi agenti, strumenti e automazioni.

Un punto di partenza fondamentale nella riprogettazione dei flussi di lavoro è la mappatura dei processi, al fine di favorire una collaborazione efficace tra agenti e persone, consentendo di raggiungere gli obiettivi aziendali in modo più efficiente.

Tale collaborazione può avvenire ad esempio attraverso cicli di apprendimento e meccanismi di feedback.

2. Non sempre l’agentic AI rappresenta la soluzione più efficace

Un errore comune, spiega l’analisi di McKinsey, consiste nel non analizzare a fondo il lavoro da svolgere e nel presumere che un agente di AI sia sempre la soluzione migliore.

Gli agenti possono fare molto, ma non devono necessariamente essere utilizzati per tutto. Spesso, problemi aziendali possono essere risolti con approcci di automazione più semplici, come l’automazione rules-based, l’analisi predittiva o il semplice prompting di modelli linguistici di grandi dimensioni (LLM), che in alcuni casi possono risultare più affidabili degli agenti stessi.

È fondamentale valutare attentamente le esigenze del compito: i flussi di lavoro altamente standardizzati e prevedibili tendono a seguire una logica rigida. In questi contesti, gli agenti non deterministici basati su LLM possono aggiungere incertezza e complessità, anziché valore.

Al contrario i flussi di lavoro poco standardizzati e caratterizzati da alta variabilità, che richiedono sintesi, aggregazione di informazioni e analisi di conformità, possono trarre enormi benefici dagli agenti.

L’obiettivo non è cadere in una mentalità binaria “agente/non agente,” ma capire quale strumento è più adatto al compito e come questo possa collaborare in modo più efficace con le persone.

3. Investire in valutazione per eliminare l'”AI slop”

Uno degli ostacoli più frequenti nell’adozione degli agenti di AI riguarda il fenomeno chiamato “AI slop“, ovvero la produzione di risultati di bassa qualità da parte di sistemi che si erano mostrati promettenti in fase di test.

Quando gli utenti riscontrano questi problemi, la fiducia negli agenti cala rapidamente e i tassi di adozione rimangono scarsi. Le aziende devono quindi considerare l’onboarding di un agente più simile all’assunzione di un nuovo dipendente che al deployment di un semplice software.

Ciò richiede di investire in modo significativo nello sviluppo degli agenti, fornendo loro descrizioni chiare del lavoro da svolgere, un processo di integrazione strutturato (onboarding) e un feedback continuo per migliorarne l’efficacia nel tempo.

Creare agenti efficaci è un compito che necessita di coinvolgere gli esperti interni per codificare le migliori pratiche con sufficiente granularità e per sviluppare metodologie di valutazione (evals) che fungano sia da manuale di addestramento che da prova di performance per l’agente.

Gli esperti devono inoltre rimanere coinvolti per testare le prestazioni nel tempo.

4. Rendere tracciabile e verificabile ogni passaggio

Quando le aziende implementano centinaia o migliaia di agenti, la verifica del loro lavoro e l’individuazione degli errori diventano rapidamente complesse. Questo problema è aggravato dal fatto che molte organizzazioni tracciano solo i risultati finali, rendendo difficile risalire con precisione alla causa di un errore, quando si verifica.

È indispensabile che la performance dell’agente venga verificata in ogni fase del workflow. Integrare il monitoraggio e la valutazione direttamente nel processo permette ai team di intercettare gli errori precocemente, affinare la logica e migliorare continuamente le prestazioni anche dopo la messa in funzione degli agenti.

5. Il riutilizzo come miglior caso d’uso

La fretta di ottenere risultati con l’AI agentica spesso porta le aziende a creare un agente unico per ogni compito identificato. Questo genera ridondanza e spreco, poiché il medesimo agente potrebbe svolgere diverse attività che condividono azioni comuni (come l’ingestione, l’estrazione, la ricerca e l’analisi dei dati).

Decidere quanto investire nella creazione di agenti riutilizzabili è paragonabile al classico dilemma dell’architettura IT: costruire velocemente senza però precludere le capacità future.

Un buon punto di partenza è l’identificazione di attività ricorrenti. Le aziende possono sviluppare agenti e componenti che siano facilmente riutilizzabili in diversi flussi di lavoro, facilitandone l’accesso per gli sviluppatori.

Questo include la creazione di un set centralizzato di servizi validati (come l’osservabilità degli LLM o prompt pre-approvati) e asset (modelli applicativi e codice riutilizzabile) facili da localizzare e utilizzare.

L’integrazione di queste capacità in un’unica piattaforma è fondamentale e, secondo l’esperienza degli analisti, può virtualmente eliminare dal 30 al 50% del lavoro non essenziale tipicamente richiesto.

6. I professionisti rimangono essenziali

Mentre gli agenti di AI continuano a proliferare, la questione del ruolo che l’uomo ricoprirà ha generato ansia sia per la sicurezza del posto di lavoro sia per le aspettative di aumento della produttività.

È fondamentale chiarire che, nonostante l’enorme capacità degli agenti, i professionisti rimarranno una parte essenziale della forza lavoro, sebbene la natura del loro contributo evolva nel tempo. Le persone dovranno occuparsi della supervisione dell’accuratezza dei modelli, garantire la conformità normativa, esercitare il giudizio e gestire i casi limite (edge cases).

Sebbene il numero di professionisti in un particolare workflow possa ridursi una volta trasformato dagli agenti, i leader aziendali dovranno gestire attentamente queste transizioni, allocando in modo ponderato il lavoro necessario per l’addestramento e la valutazione degli agenti stessi.

Una lezione cruciale è che le aziende devono riprogettare intenzionalmente il lavoro in modo che persone e agenti possano collaborare efficacemente.

Senza questa attenzione, anche i programmi agentici più avanzati rischiano fallimenti silenziosi, errori compositi e un rifiuto da parte degli utenti.