Di agenti AI si parla ovunque, ma quasi sempre nel modo sbagliato.
L’hype è altissimo, le applicazioni che si dichiarano “agentiche” si moltiplicano, e distinguere la sostanza dal marketing diventa ogni mese più difficile. Eppure, se si guardano i numeri, le aziende italiane che hanno davvero un agente in produzione sono ancora poche.
Il motivo è la confusione che si è creata attorno al termine. “Agentico” è diventato prima di tutto un’etichetta commerciale, ed è nato il concetto di agent-washing proprio per inquadrare l’abuso terminologico a fini di marketing.
Qual è la soluzione? Dare definizioni chiare è un ottimo inizio.
Cosa sono gli agenti AI davvero
Un agente AI è un sistema che riceve un obiettivo, decide in autonomia come raggiungerlo, usa più strumenti in sequenza e gestisce le eccezioni lungo il percorso.
È questo che lo separa da un chatbot, che si limita a rispondere a quello che gli chiedi.
Questa guida serve a fare chiarezza: cosa sono davvero gli agenti AI, perché tre tecnologie molto diverse vengono vendute con la stessa etichetta, e come si comportano due agenti italiani già operativi, uno nel settore privato e uno nella pubblica amministrazione.
Predittiva, generativa, agentica: dove si colloca l’agente
Per capire cosa distingue un agente conviene prima collocarlo. L’intelligenza artificiale del 2026 lavora su tre tipi di funzioni diverse:
- AI predittiva: analizza dati storici e prevede. È il machine learning che stima la domanda o segnala una transazione anomala.
- AI generativa: produce contenuti. I modelli linguistici che scrivono testo, codice o immagini stanno qui. Producono.
- AI agentica: orchestra strumenti per raggiungere un obiettivo. Decide e agisce, usando anche le prime due funzioni e gli strumenti a cui viene collegata.
È la distinzione tra capability e sistema. Un modello linguistico (LLM) è una capability, un mattone. L’agente è il sistema che quel mattone lo mette al lavoro insieme a strumenti, dati e regole di business.
Confondere i due livelli è ciò che porta a chiamare “agente” qualunque cosa contenga un LLM.
Come riconoscere un agente vero
Un agente AI non è definito dalla tecnologia che ha sotto, ma da come si comporta.
Ci sono tre segnali, e derivano dalla definizione canonica che ne dà Anthropic nel documento Building effective agents:
- Decide il come. Gli dai un obiettivo, senza indicargli la procedura. È l’agente a scegliere i passi per arrivarci.
- Gestisce le eccezioni. Quando qualcosa esce dal caso previsto, non si blocca: rivaluta e adatta la strada.
- Usa più strumenti in sequenza adattiva. Interroga un database, chiama un’API, redige un documento, e decide lui l’ordine in base al contesto.
Sotto questi comportamenti ci sono quattro elementi che caratterizzano un processo agentico:
- autonomia contestuale, cioè la capacità di muoversi senza istruzioni passo-passo;
- selezione dinamica di strumenti e fonti, la scelta di cosa usare in base alla situazione;
- reasoning multi-step, il ragionamento articolato su più passaggi;
- goal-oriented execution, l’orientamento costante all’obiettivo assegnato.
Se un sistema non fa queste cose, può essere utilissimo, ma non è un agente. E qui nasce buona parte della confusione, perché “agentico” è diventato prima di tutto un’etichetta commerciale.
I tre tipi di sistemi chiamati “agentic”
Quando un fornitore dice “agentico”, può intendere tre cose molto diverse. Distinguerle è il modo più rapido per capire cosa si sta davvero comprando.
Copilot e chatbot di assistenza
Rientrano qui strumenti come Microsoft 365 Copilot, ChatGPT o Claude usati in modalità conversazionale. Sono potenti e utili, ma rispondono a una richiesta alla volta: non perseguono un obiettivo in autonomia, non agiscono sui sistemi senza che qualcuno guidi ogni passo. Sono assistenti, non agenti.
Automazione tradizionale e RPA
L’automazione robotica dei processi, come quella di piattaforme tipo UiPath, esegue script fissi in modo affidabile e ripetibile. Ma segue un binario deciso a monte: non sceglie il percorso, non gestisce l’imprevisto che nessuno ha scritto nella procedura. E non è nemmeno AI in senso stretto: nessun modello che apprende, solo regole.
L’AI agent vero
Solo il terzo tipo risponde alla definizione da cui siamo partiti: riceve un obiettivo e sceglie da sé come raggiungerlo. Messi a confronto, i tre sistemi si distinguono per scopo, per processo decisionale e soprattutto per grado di autonomia.
Copilot e RPA sono tecnologie mature e utilissime, ma non chiamarle agenti.
Attenzione all’agentwashing
Dal divario tra quello che si promette e quello che questi sistemi fanno davvero è nato un termine: agentwashing. Descrive la pratica, diffusa nel marketing del settore, di vestire da “agente” tecnologie che agenti non sono.
Secondo l’Osservatorio Intelligent Business Process Automation del Politecnico di Milano, tra le imprese italiane che hanno avviato sperimentazioni di Agentic Automation, solo l’8% riconosce nelle proprie soluzioni le caratteristiche distintive di un sistema agentico. Le altre chiamano agentico qualcos’altro.
Lo si vede anche in cosa le aziende associano al termine: in testa mettono l’interazione conversazionale (21%), la generazione di contenuti (21%) e il supporto tramite raccomandazioni (19%). L’autonomia operativa e l’orientamento all’obiettivo, cioè le due cose che davvero fanno un agente, restano in fondo alla lista.
Per chi deve decidere un budget, non è un dettaglio da poco. Partire da un’idea sbagliata di cosa sia un agente significa orientare investimenti, roadmap e aspettative nella direzione sbagliata, e accorgersene quando il progetto non porta i risultati promessi.
Due esempi di agenti AI italiani già in produzione
La teoria serve fino a un certo punto. È più utile vedere come si comporta un agente vero quando esce dalla sandbox ed entra nella realtà operativa. Ecco due casi italiani, scelti apposta su fronti diversi: uno nel settore privato, uno nella pubblica amministrazione.
uBroker — Ubi, l’agente conversazionale nell’Energy
uBroker, operatore multiutility di luce e gas, ha portato in produzione Ubi, un agente costruito su Salesforce Agentforce con Atlas Reasoning Engine e Trust Layer.
Ciò che lo separa da un chatbot è come lavora: il motore di reasoning interpreta ogni richiesta e decide come gestirla, invece di seguire un albero di risposte prefissato. Ed è collegato via API ai sistemi interni di uBroker — CRM, applicativi legacy, Salesforce Data Cloud — quindi agisce sui dati reali del cliente in tempo reale, non recupera risposte preconfezionate.
Opera 24 ore su 24 su WhatsApp, sito e app, con un approccio Human-First: Ubi dichiara la propria identità e, quando la richiesta esce dal suo perimetro, passa la mano a un operatore.
A regime, per il 2026, gli obiettivi sono un deflection rate del 25% negli orari lavorativi e una copertura continua, 24 ore su 24.
Regione Abruzzo — RA-Copilot, l’agente nella PA con dato sovrano
Nella pubblica amministrazione i vincoli sono molto stringenti: i dati non possono uscire dai confini dell’ente.
Per questo Regione Abruzzo ha adottato RA-Copilot, basato sulla piattaforma agentica di Gunpowder, Giano, installata on-premise, che combina modelli linguistici open-source e commerciali con un sistema RAG costruito sulle knowledge base normative regionali.
Un caso concreto è la gestione di un’istanza per il taglio di alberi: l’agente lavora sulla documentazione, incrocia le regole, prepara il percorso decisionale. Il progetto è in fase di pilot esteso, e il punto interessante è il principio che lo guida: la sovranità del dato trattata come scelta strategica, non come compromesso da subire.
In un ente pubblico, dove tenere modelli e informazioni dentro il proprio perimetro è un requisito, una soluzione on-premise come questa trasforma una limitazione tecnica in un vantaggio strategico.
Dal singolo agente all’agentic enterprise
Un agente in produzione è un ottimo risultato, ma non è il traguardo.
L’azienda davvero agentica non ha un agente isolato acceso sopra i vecchi processi. Ha più agenti orchestrati tra loro, una governance esplicita con autonomia definita entro confini chiari, workflow ridisegnati attorno alle nuove possibilità, persone dedicate che presidiano il sistema (uno sponsor, un knowledge manager, un project manager) e una visione dichiarata sui 18-24 mesi.
L’agente singolo è il primo passo. L’enterprise agentica è la destinazione, ed è un percorso fatto di step sequenziali.
Vuoi la mappa completa per passare all’enterprise agentica?
Questa guida copre cosa sono gli agenti AI, come sceglierli e cosa significa essere una agentic enterprise. Il quadro intero, con la matrice per scegliere l’architettura giusta, i casi italiani in versione estesa e i sei elementi per portare davvero un agente in produzione, è nel White Paper Gunpowder “Dall’agent-washing all’Agentic Enterprise”.
È il documento con cui distinguere, una volta per tutte, l’opportunità reale dal rumore di fondo.
Domande frequenti sugli agenti AI
Qual è la differenza tra un agente AI e un chatbot?
Un chatbot risponde a una richiesta alla volta, seguendo una logica conversazionale. Un agente AI riceve un obiettivo e lo persegue in autonomia: decide i passi da compiere, usa più strumenti in sequenza e gestisce le situazioni impreviste. In sintesi, il chatbot parla, l’agente agisce.
Gli agenti AI sostituiscono i lavoratori?
L’approccio più solido, e quello che adottano i progetti seri, è Human-First: l’agente si occupa dei compiti ripetitivi e ad alto volume, mentre le decisioni delicate restano alle persone. Nei casi ben progettati l’agente dichiara la propria identità e passa la mano a un operatore quando la richiesta esce dal suo perimetro. L’obiettivo è liberare tempo qualificato, non rimpiazzare le persone.
Che differenza c’è tra AI generativa e AI agentica?
L’AI generativa produce contenuti: testo, codice, immagini. L’AI agentica usa questi e altri strumenti per raggiungere un obiettivo, prendendo decisioni e compiendo azioni. La generativa è un mattone, un modello che produce output; l’agentica è il sistema che quel mattone lo mette al lavoro insieme a dati, regole e altri strumenti.
Le PMI italiane possono usare gli agenti AI?
Sì, ma la dimensione non è la variabile decisiva: lo sono la chiarezza dell’obiettivo, la qualità della knowledge base e la presenza di qualcuno che presidi il sistema. Un agente su un perimetro definito, con dati curati alle spalle, è alla portata di un’azienda strutturata anche se non enorme. Il rischio, per tutti, è partire senza governance.
Cosa serve per portare un agente AI in produzione?
Servono una scelta architetturale consapevole, una governance definita prima della tecnologia, una knowledge base curata da una persona dedicata, un presidio interno stabile e una visione a 18-24 mesi. La tecnologia è la parte più matura; a mancare, di solito, sono il metodo e le persone. È il salto dal pilot alla realtà operativa a fare la differenza.
Che cos’è l’agentwashing?
È la pratica di presentare come “agentici” sistemi che non lo sono, per cavalcare l’hype del momento. In concreto significa chiamare agente un chatbot o un’automazione a script. Riconoscerlo è semplice: se il sistema non decide in autonomia il come, non gestisce le eccezioni e non orchestra più strumenti, non è un agente, per quanto sofisticato possa essere.