Cosa sono gli agenti AI: guida pratica per le PMI

Un agente AI è un software che riceve un obiettivo, decide quali azioni eseguire e usa strumenti reali per completarlo. Non è un chatbot più sofisticato. È un programma che invia email, aggiorna il CRM, legge documenti e prende decisioni intermedie senza che tu debba scrivere ogni singolo passaggio.

In questa guida vediamo cosa sono gli agenti AI in pratica, come si differenziano dalle automazioni che già usi (Zapier, Make, n8n), quando ha senso adottarli in una PMI da 10 a 200 dipendenti e quali errori evitare nei primi sei mesi.

Cosa sono davvero gli agenti AI (e cosa non sono)

Un agente AI è composto da tre cose: un modello linguistico (un LLM agent come Claude, GPT o Gemini), una lista di strumenti che può chiamare (API, query SQL, invio email, lettura file) e un ciclo che gli permette di ragionare, agire, osservare il risultato e decidere il passo successivo.

La parola chiave è “decidere”. Un agente non esegue uno script fisso. Riceve un obiettivo come “qualifica questo lead e prenota una call se è in target”, poi sceglie da solo quali azioni servono: cercare l’azienda su LinkedIn, leggere il sito, controllare il CRM, scrivere un’email, aggiornare il deal in pipeline.

Cosa non è un agente AI:

Non è un chatbot che risponde a FAQ con risposte preimpostate.
Non è una macro Excel con sopra un prompt.
Non è una catena lineare di passi predefiniti su Zapier.

Se il flusso è “se A allora B, sennò C”, parliamo di automazione classica. Se il flusso è “ecco l’obiettivo, capisci tu come arrivarci con questi strumenti”, parliamo di un AI agent vero.

Come funziona un agente AI sotto il cofano

Il meccanismo si chiama tool calling (alcuni lo chiamano function calling). Funziona così:

1. Definisci una lista di strumenti come funzioni con descrizione e parametri. Esempi: `cerca_azienda(nome)`, `invia_email(destinatario, oggetto, corpo)`, `aggiorna_crm(deal_id, stato)`.
2. Il modello riceve l’obiettivo dell’utente più la lista degli strumenti.
3. Il modello decide se rispondere direttamente o chiamare uno o più strumenti. Se sceglie uno strumento, restituisce nome e parametri in formato strutturato.
4. Il tuo codice (o il framework) esegue lo strumento e restituisce il risultato al modello.
5. Il modello legge il risultato e decide il passo successivo.
6. Il loop continua finché l’obiettivo è raggiunto o si raggiunge un limite di passi.

Framework come il Claude Agent SDK, OpenAI Assistants API, LangGraph e CrewAI forniscono già il loop, la gestione della memoria di breve termine e la registrazione delle azioni. Non devi scriverlo da zero.

La parte interessante è la memoria. Un agente serio ha tre livelli: il contesto della singola sessione (cosa ha fatto finora), una memoria di lavoro che si aggiorna durante il task e a volte una memoria di lungo termine (vector database con quello che ha imparato sui clienti). Senza questi tre livelli, gli agenti dimenticano cosa stavano facendo dopo dieci passi.

Quando un agente AI ha senso per una PMI italiana

Quando lavoriamo con un cliente nuovo, la prima domanda non è “quale agente vuoi”. È “quale processo ti consuma più ore senza generare margine”. Da lì capiamo se serve un agente o basta un’automazione classica.

Casi dove un agente AI funziona bene in una PMI:

Qualificazione lead inbound. Arriva un form, l’agente cerca info pubbliche sull’azienda, le incrocia con il tuo ICP, scrive una nota di sintesi nel CRM e decide se mandare l’email di follow-up o passare al commerciale umano. Tempo medio risparmiato osservato sul nostro flusso interno: 8-12 minuti per lead.
Supporto clienti livello 1. L’agente legge la knowledge base, risponde a domande ricorrenti, apre un ticket se serve un umano. Funziona se hai già documentazione decente.
Ricerca commerciale prima di una call. Prima di una demo, l’agente prepara una scheda con dati su azienda, fatturato dichiarato, news recenti, persone chiave.
Processi documentali. Estrarre dati da fatture, contratti e ordini d’acquisto, poi inserirli nel gestionale.

Casi dove conviene restare su Zapier o Make: trigger semplici, flussi sempre uguali, integrazioni standard tra SaaS. Un agente in quei casi è solo più costoso e meno affidabile.

Differenze tra agente AI, chatbot e automazione tradizionale

Il punto pratico: un agente AI non sostituisce le automazioni esistenti. Le completa nei punti dove un flusso fisso si rompe perché l’input è troppo variabile.

Strumenti concreti per costruire o adottare un agente AI

Tre approcci, tre profili di costo e complessità.

Soluzioni no-code e low-code. n8n con i nodi AI, Make con i moduli OpenAI, Zapier Agents. Setup rapido, controllo limitato, ottimo per prototipi e processi semplici. Budget tipico: 50-300 euro al mese di tooling, più poche giornate di setup interno.

Piattaforme verticali con agenti integrati. HubSpot e Salesforce (con Agentforce), Clay per arricchimento lead, Intercom Fin per il customer support. Funzionano bene se il caso d’uso è esattamente quello che la piattaforma copre. Se devi piegarle, conviene un’altra strada.

Sviluppo custom. Claude Agent SDK, OpenAI Assistants, LangGraph in Python. Massimo controllo, integrazione su misura, memoria persistente seria. Necessario quando l’agente deve toccare il tuo gestionale interno o processi proprietari che nessuna piattaforma copre. Budget tipico per un MVP serio in produzione: 8.000-25.000 euro di sviluppo, più costi operativi mensili.

La scelta dipende da due variabili: quanto è critico il processo per il fatturato e quanto è specifico per la tua azienda. Più è critico e specifico, più ha senso il custom.

Errori da evitare nei primi progetti

In un caso recente abbiamo ereditato un progetto dove un’azienda aveva provato a costruire un agente che “gestisse tutto il customer service”. Sei mesi di lavoro, zero in produzione. Il problema non era tecnico. Era di scope.

Errori che vediamo spesso:

Voler automatizzare l’intero ruolo, non un singolo task. Un agente che fa una cosa specifica bene è dieci volte più utile di un agente generalista che fa tutto male.
Niente human-in-the-loop nei punti critici. Nelle prime settimane l’agente scrive l’email, ma un umano la approva prima dell’invio. Quando hai dati sulle performance, alleggerisci.
Niente eval set. Senza un set di 30-50 casi di test su cui misurare l’agente prima di metterlo in produzione, voli alla cieca.
Niente logging delle decisioni. Quando l’agente sbaglia, devi poter rileggere ogni tool call e capire perché. Salva tutto.
Sottovalutare il costo dei token. Un agente con loop lunghi su modelli premium può costare 30-50 centesimi per esecuzione. Moltiplica per 1.000 lead al mese e fai i conti prima.

Conclusione

Gli agenti AI non sono magia e non sono la risposta a ogni processo aziendale. Sono uno strumento che ha senso quando hai un task ripetitivo con input variabili, dove le automazioni classiche si rompono. Per una PMI italiana il primo progetto dovrebbe coprire un singolo processo, con metriche chiare e un umano che valida le prime settimane.

Se vuoi capire se un agente AI ha senso per il tuo flusso commerciale o di supporto, prenota un audit gratuito di 30 minuti con il team Polara. Guardiamo insieme i tuoi processi e ti diciamo, senza vendite forzate, dove l’AI serve davvero e dove no.

Domande frequenti

Quanto costa implementare un agente AI in azienda?

Dipende dall’approccio. Una soluzione no-code su n8n o Zapier costa 50-300 euro al mese di tooling, più il tempo interno di setup. Un agente custom su Claude Agent SDK o OpenAI Assistants parte da 8.000-15.000 euro per un MVP funzionante in produzione. I costi operativi mensili vanno da 100 a 2.000 euro a seconda del volume di esecuzioni.

Un agente AI può sostituire un dipendente?

Nella maggior parte dei casi no, e non è l’obiettivo giusto. Un agente AI gestisce bene task ripetitivi e ben definiti. Un dipendente porta giudizio, contesto sui clienti e capacità di gestire eccezioni. La combinazione vincente è agente che fa il lavoro a basso valore e libera persone per attività ad alto margine.

Servono competenze tecniche interne per usare un agente AI?

Per le soluzioni no-code basta una persona che sappia disegnare processi e usare strumenti come n8n o Make. Per agenti custom serve uno sviluppatore con esperienza Python e LLM agent, oppure un’agenzia esterna che gestisca sviluppo e monitoring iniziale.

Quali dati può vedere un agente AI?

Solo quelli a cui gli dai accesso esplicitamente tramite gli strumenti. Se gli colleghi il CRM, vede i dati del CRM. Se non gli colleghi la fatturazione, non la vede. La regola pratica: tratta l’agente come un consulente esterno con NDA, dagli accesso minimo per fare il task e monitora i log.