L’hype intorno all’intelligenza artificiale esiste da anni, ma con gli agenti AI ha assunto una forma nuova. Dalle PMI alle grandi corporate, cresce l’interesse per sistemi capaci di portare a termine attività complesse, interagire con gli strumenti aziendali e operare con un certo grado di autonomia.
La promessa è davvero invitante. Quale organizzazione non vorrebbe ottenere più risultati con meno passaggi manuali?
Ma è diventato anche il contesto ideale per l’agent-washing, o agentic washing: vendor, software e consulenti presentano come agenti AI soluzioni che, alla prova dei fatti, restano chatbot, copilot o workflow automatizzati.
Una demo ben costruita può far sembrare agentico quasi tutto. Un chatbot consulta una knowledge base, un workflow apre una pratica, un copilot prepara una risposta. Il risultato è fluido, ma non dimostra che il sistema sappia scegliere come raggiungere un obiettivo, gestire un’eccezione o agire attraverso più strumenti, caratteristiche imprescindibili dell’AI agentica.
Prima di acquistare agenti AI per aziende servono quindi una definizione operativa e un doppio controllo:
- il prodotto è davvero un agente?
- E l’organizzazione è pronta a governarlo dopo il go-live?
In questo articolo vedremo come rispondere a entrambe le domande prima di firmare un contratto per un software AI o un servizio di consulenza che promette Agenti AI.
Agent-washing: cos’è e perché è uno dei maggiori rischi per le aziende oggi
L’agent-washing (o agentic washing) è la presentazione di chatbot, copilot o automazioni come agenti AI, anche quando non possiedono le capacità che rendono agentico un sistema.
È una forma specifica di AI washing, che attribuisce a una soluzione capacità di decisione e azione che non sono state dimostrate.
Come testimonia la ricerca dell’Osservatorio Intelligent Business Process Automation del Politecnico di Milano, tra le grandi imprese italiane il 62% non conosce l’argomento dell’AI agentica o non ha avviato sperimentazioni.
Tra le aziende che invece manifestano attenzione verso il tema, il 25% ne sta analizzando le potenzialità, mentre solo il 13% ha avviato sperimentazioni o ha introdotto soluzioni riconducibili all’Agentic Automation.
Il dato davvero allarmante però è il seguente: di questo 13%, solo l’8% riconosce nelle soluzioni indicate le caratteristiche distintive dell’automazione agentica, mentre il 5% afferma di avere soluzioni agentiche, ma in realtà ciò che descrive sono semplici AI Workflow.
Ma da cosa scaturisce questa confusione?
Una seconda domanda del report ne chiarisce l’origine. Le caratteristiche associate più spesso dagli intervistati all’Agentic Automation sono (erroneamente) l’interazione conversazionale e la generazione di contenuti, entrambe al 21%, seguite dal supporto tramite raccomandazioni al 19%. Tutte caratteristiche dell’intelligenza artificiale, vero, ma NON di un agente AI.
L’autonomia operativa, che è uno degli elementi davvero distintivi delle soluzioni agentiche, si ferma al 10%, l’orientamento agli obiettivi al 9%. Insomma, l’agent-washing nasce in primis da poca chiarezza su significati e definizioni, e solo successivamente diventa una strategia commerciale di bassa lega.
Il problema più grande, però, riguarda proprio l’offerta.
Gartner stima che solo circa 130 fra migliaia di vendor agentic AI siano “reali”. È una stima, ma segnala quanto sia diffusa la rietichettatura di assistenti, RPA e chatbot con il nome di “agenti AI”.
Nello stesso comunicato, Gartner prevede che oltre il 40% dei progetti agentici sarà cancellato entro la fine del 2027 per costi crescenti, valore poco chiaro o controlli di rischio inadeguati. L’agent-washing non è indicato come unica causa, ma è parte di un contesto in cui aspettative e capacità effettive dell’AI si allontanano.
Qual è il modo per difendersi da tutto questo e assicurarsi che i propri investimenti e le proprie aspettative siano al sicuro?
Semplice: fare chiarezza.
Cosa sono davvero gli agenti AI per aziende?
Chatbot, copilot e RPA non sono sinonimi di agente AI
Un chatbot o un copilot riceve una richiesta e produce una risposta, una sintesi o un suggerimento. Può essere molto utile, ma l’azione successiva resta alla persona. Se ogni passaggio richiede un nuovo input umano, il sistema assiste: non conduce il processo, non è autonomo.
Un sistema RPA (Robotic Process Automation) o un workflow automatizzato, invece, esegue una sequenza definita in anticipo. Funziona bene quando input, regole e percorso sono stabili. Ma se il contesto cambia, tende a fermarsi o a richiedere una gestione esterna, perché non sceglie un binario alternativo.
Un agente AI, al contrario dei primi due, riceve un obiettivo e determina come perseguirlo entro un perimetro stabilito.
Può selezionare strumenti, interrogare fonti, eseguire passaggi diversi in base al caso e decidere quando l’attività è conclusa. Se incontra un limite, deve saperlo riconoscere e passare il caso a una persona con il contesto necessario.
Autonomia non significa libertà senza controllo, si parla sempre di autonomia contestuale: permessi, azioni consentite, soglie ed escalation vengono progettati in anticipo.
Ma questa autonomia è conditio sine qua non per considerare una soluzione “agentica”.
Come distinguere un agente AI vero: i tre segnali
Nel nostro White Paper sull’Agentic Enterprise, abbiamo identificato tre elementi verificabili per distinguere un agente AI reale da un “chatbot/RPA travestito”:
- Decide il come. L’azienda definisce l’obiettivo, ma il percorso non è scritto interamente a monte.
- Gestisce le eccezioni. Davanti a un dato mancante o a un caso imprevisto, modifica l’azione oppure esegue un’escalation informata.
- Usa più strumenti in sequenza adattiva. Sceglie fonti, API, sistemi o modelli in funzione del contesto, invece di percorrere sempre lo stesso flusso.
Questi elementi si traducono in un processo con autonomia circoscritta, selezione dinamica delle risorse, reasoning multi-step ed esecuzione orientata a un obiettivo.
La presenza di un’interfaccia conversazionale, da sola, non dimostra nessuno dei quattro.
Come riconoscere l’agent-washing durante la selezione di un vendor
Se Gartner ha ragione, allora difendersi dalla mancanza di chiarezza di significati e definizioni è solo il primo passo.
Il secondo è saper riconoscere nella pratica una soluzione agentica da una spacciata come tale.
Ecco alcuni consigli per riuscirci, prima di firmare con qualunque vendor, software house o consulente:
1. Portare in demo un caso con un’eccezione da gestire
Una demo lineare prova che il sistema sa gestire il percorso preparato dal vendor. Per capire se è agentico, serve uno scenario vicino al processo reale, ma abbastanza circoscritto da poter essere osservato dall’inizio alla fine.
Durante la prova si può introdurre un documento ambiguo, un dato mancante, un vincolo che cambia o un sistema temporaneamente non disponibile. A quel punto va osservato il comportamento: la soluzione proposta modifica il percorso, cerca una fonte alternativa, chiede l’informazione necessaria oppure trasferisce il caso con una spiegazione utile?
Un arresto secco non dimostra gestione delle eccezioni. Neppure una risposta plausibile ma scollegata dall’azione. Il test deve riguardare ciò che il sistema fa, non soltanto ciò che dice.
2. Verificare azioni, strumenti e confini operativi
Il vendor dovrebbe chiarire quali strumenti l’agente può selezionare, quali dati può consultare e con quali permessi. Occorre anche capire se la sequenza cambia in funzione del caso o se l’interfaccia nasconde un workflow fisso.
Le evidenze utili sono osservabili: fonti consultate, chiamate agli strumenti, azioni eseguite, esiti, errori e passaggi all’operatore. Chiedere di esporre la chain of thought interna non è un buon criterio di acquisto. Un log operativo consente di controllare il comportamento; una ricostruzione testuale del “pensiero” del modello non offre la stessa garanzia.
Va poi definita la bounded autonomy. Quali azioni può completare senza approvazione? Quali richiedono una conferma? Quando deve fermarsi? Chi può modificare regole e permessi?
Se questi confini non sono descritti, la parola “autonomo” rischia di essere una promessa commerciale.
3. Trasformare la demo in criteri verificabili
Prima del contratto, quanto visto in demo va riportato in un perimetro controllabile. Almeno questi elementi devono essere espliciti:
- obiettivo e processi coperti;
- sistemi accessibili e azioni consentite;
- casi vietati e soglie di escalation;
- logging, audit e responsabilità operative;
- KPI e baseline con cui misurare il risultato;
- gestione di knowledge base, tuning, incidenti e aggiornamenti dopo il go-live;
- funzioni disponibili oggi, separate da quelle ancora in roadmap.
La checklist non sostituisce una revisione legale o di sicurezza, ma serve a evitare che il contratto cristallizzi una definizione vaga del prodotto, lasciando al team interno il compito di scoprire in seguito cosa sia stato realmente acquistato.
Un agente in azienda non rende un’azienda agentica
Anche un agente tecnicamente valido ma che resta isolato, privo di governance o appoggiato sopra un processo che nessuno ha ridisegnato, difficilmente potrà realizzare le promesse commerciali gonfiate dall’agent-washing. Per questo la verifica del prodotto è solo il primo livello.
Nel White Paper distinguiamo infatti un’azienda con un agente da un’Agentic Enterprise, e lo facciamo attraverso cinque caratteristiche dell’ultima:
- 1. Agenti orchestrati. Le soluzioni agentiche non operano come silos indipendenti, ma condividono contesto e passaggi dentro un disegno coerente.
- 2. Governance esplicita. Autonomia, responsabilità, controlli ed escalation sono definiti in base al rischio.
- 3. Workflow ridisegnati. L’agente non viene incollato sopra il vecchio processo per produrre un’automazione cosmetica, ma il processo viene ridisegnato intorno all’agente.
- 4. Persone integrate. Servono uno sponsor senior e ruoli che presidino progetto, base di conoscenza, qualità e aggiornamenti.
- 5. Una roadmap di 18-24 mesi. Il go-live apre una fase di osservazione e miglioramento, ma non chiude il progetto. Al massimo ne è l’inizio.
Questi cinque punti sono anche un filtro per la scelta del fornitore. Il partner deve saper discutere integrazione, governance e gestione operativa, non limitarsi alle capacità del modello. E l’azienda cliente deve accettare che knowledge base, processi e responsabilità richiedano un presidio interno.
L’approccio, anche nella massima espressione di azienda agentica, resta comunque Human-First: le persone non confermano ogni micro-passaggio, ma definiscono il perimetro, aggiornano le conoscenze, controllano gli esiti e intervengono dove il rischio o la complessità lo richiedono.
Due esempi italiani di agenti AI in contesti diversi
Regione Abruzzo: autonomia nella pre-istruttoria, decisione finale umana
RA-Copilot, integrato nel portale RASportello della Regione Abruzzo, è un caso in fase di pilot che Gunpowder ha seguito con successo. Non è un chatbot rivolto ai cittadini: si tratta di un agente AI che opera all’interno della PA (senza condividere dati nel Cloud) e supporta i dipendenti regionali nella pre-istruttoria delle pratiche.
Di fronte a un’istanza, il sistema analizza gli allegati, identifica il dominio amministrativo, seleziona la base normativa pertinente, recupera le fonti e costruisce un’analisi preliminare. Il percorso non è una sequenza rigida uguale per ogni pratica: fonti e passaggi dipendono dal contesto documentale e normativo.
Il confine è altrettanto importante. RA-Copilot opera nella pre-istruttoria, mentre approvazione, rigetto e firma restano al funzionario. È bounded autonomy applicata a un processo pubblico: l’agente svolge passaggi articolati, la decisione amministrativa rimane sotto controllo umano.
uBroker: l’agente Ubi dalla produzione alla stabilizzazione
Ubi è l’agente conversazionale di uBroker, costruito su Salesforce Agentforce con Atlas Reasoning Engine e Trust Layer. La base operativa è una knowledge base, con oltre 500 FAQ, che viene curata da un Knowledge Manager dedicato. Questo patrimonio informativo è necessario, ma non basta a rendere Ubi agentico.
La differenza sta nel modo in cui il sistema combina contesto e strumenti. Service Cloud opera come hub, il CRM identifica il cliente durante la conversazione e l’agente gestisce richieste su WhatsApp, sito e area clienti dell’app. Dentro il perimetro assegnato, interpreta l’intento, consulta le conoscenze disponibili, decide come rispondere e passa il caso all’operatore quando serve.
La scelta Human-First è visibile: Ubi dichiara subito la propria identità e offre immediatamente l’accesso a una persona. Dopo mesi di test, al go-live, come è normale sul traffico reale, sono emersi comportamenti non previsti in laboratorio, che hanno richiesto presidio tecnico di Gunpowder e una fase di stabilizzazione.
Dopo quella fase, però, i dati misurati nel 2026 indicano un deflection rate del 25% in orario lavorativo e una copertura di successo H24, sette giorni su sette. Gli operatori continuano a gestire i casi complessi.
Ubi, da solo, non dimostra che uBroker sia già un’Agentic Enterprise: dimostra che un agente circoscritto può essere portato in produzione, misurato e corretto, fino ad avere risultati reali e un grande impatto positivo.
La domanda anti agent-washing da fare prima di comprare un agente AI
Prima della firma, la domanda utile non è “quanto è avanzato il modello?”.
È piuttosto: “il sistema dimostra capacità agentiche entro confini osservabili, e l’organizzazione è pronta a governarle?”
Se manca la prima risposta, si rischia di comprare un chatbot o un workflow con un’etichetta nuova. Se manca la seconda, anche un agente valido può restare un pilot isolato.
Il White Paper “Dall’agent-washing all’Agentic Enterprise” approfondisce tassonomia, governance, scelte di architettura AI e casi italiani. Scaricalo per approfondire la tua conoscenza dell’argomento in modo completo.
Domande frequenti sull’agent-washing e gli agenti AI
Che cos’è l’agent-washing?
L’agent-washing consiste nel presentare come agente AI un sistema che non possiede capacità agentiche sostanziali. Può riguardare chatbot, copilot, RPA o workflow rinominati senza un reale cambiamento nel modo in cui decidono e agiscono. È un caso specifico del più ampio AI washing.
Qual è la differenza tra chatbot e agente AI?
Un chatbot genera risposte sulla base della richiesta ricevuta. Un agente parte da un obiettivo, sceglie un percorso, usa strumenti e può eseguire azioni entro limiti definiti. L’interfaccia conversazionale può essere presente in entrambi, quindi non è il criterio che li distingue.
Un agente AI deve essere completamente autonomo?
No. In azienda l’autonomia deve essere contestuale e delimitata da permessi, regole ed escalation. Riconoscere un limite e trasferire il caso a una persona è un comportamento corretto, se le azioni precedenti hanno dimostrato le caratteristiche dell’agentic automation.
Come verificare un agente AI durante una demo?
Occorre usare un caso realistico che contenga almeno un’eccezione. Bisogna poi osservare percorso, strumenti selezionati, azioni, errori e passaggi all’operatore. Una conversazione fluida o una risposta corretta, da sole, non dimostrano agenticità.
Avere un agente rende l’azienda un’Agentic Enterprise?
No. Un’Agentic Enterprise richiede agenti orchestrati, governance esplicita, workflow ridisegnati, persone di presidio e una roadmap di 18-24 mesi. Un agente isolato può essere utile, ma non prova la maturità dell’intera organizzazione.
Esistono esempi italiani di agenti AI?
Sì. Il White Paper Gunpowder documenta RA-Copilot nella pre-istruttoria della Regione Abruzzo e Ubi nel customer service di uBroker. I due casi vanno distinti: il primo è un pilot con decisione finale al funzionario, il secondo è un agente in produzione passato attraverso una fase di stabilizzazione.