AI: da singolo tool a sistema agentico integrato per avere impatto sul business
Nell’incontro “L’intelligenza artificiale generativa per il miglioramento della produttività individuale”, organizzato da MADE4.0 in collaborazione con i partner NTT Data e Axiante, sono stati presentati strumenti e modalità per passare da un uso spontaneo dell’Intelligenza artificiale generativa in ufficio a un impiego strutturato, dotato di governance conforme all’AI Act, alla protezione dei dati e alla privacy, sfruttando anche tecnologie di Intelligent Process Automation (IPA) e Agentic Process Automation (APA).
L’Intelligenza artificiale generativa ormai opera in ufficio, alla scrivania, come assistente alle attività individuali dei lavoratori, con risparmio di tempo nella ricerca di informazioni, nella sintesi di una riunione, nell’elaborazione di un documento o nella risposta a una email. Ma questa diffusione informale dal basso, senza controllo (la cosiddetta “Shadow AI”), presenta evidenti criticità.
I rischi della Shadow AI
Il rischio principale di un impiego autonomo e spontaneo dei sistemi di GenAI, che fanno ricerche, sintesi ed elaborano contenuti al posto nostro partendo da materiali dati, riguarda proprio la protezione dei dati aziendali, che vengono dati in pasto a sistemi pubblici in rete senza tener conto dell’aspetto critico della condivisione dei dati.
La seconda criticità è quella di un utilizzo disomogeneo degli strumenti e di una competenza difforme da lavoratore a lavoratore nel fare le domande (i cosiddetti “prompt”) e nel gestire gli output, con il rischio per esempio di non riconoscere possibili risposte allucinatorie. La terza criticità, infine, è che l’impiego non sia conforme alle normative vigenti perché non c’è monitoraggio né tracciabilità del suo impiego e non si riescono a calcolare le soglie di rischio.
I limiti della GenAI non strutturata in azienda
Il grande limite di un utilizzo “fai da te” dell’AI in ufficio è che, a parte un po’ efficientamento nelle attività individuali, alla fine non genera impatto sul business. I dati disponibili concordano su questa mancanza di risultati nelle organizzazioni: il 65% delle imprese dichiara di usare la GenAI, ma l’89% non vede aumento di produttività (dati OECD). Quanto alle PMI, è presente in quasi una su tre (31%), ma di queste solo il 29% la utilizza in attività core e non solo per compiti marginali, come elaborazioni testi, mail, ricerca di informazioni. Nel 60% dei casi infatti l’AI migliora le performance dei singoli, nel 39% colma lo skill gap, ma non trasforma il business nel suo complesso.
Tre fasi per guidare un’adozione strutturata dell’AI
Per un’adozione strutturata, compliant con le normative e con risultati misurabili sul business, viene suggerito di seguire un processo articolato di adoption, governance, roadmap. Per integrare l’AI nella routine lavorativa bisogna partire dalla consapevolezza: condividere rischi, benefici e modalità d’uso dell’AI; valutare la maturità dell’organizzazione e predisporre percorsi formativi dedicati e modulati.
Quindi, è necessario progettare il modello di governance AI (operativo e di compliance) che si adotterà per integrare la tecnologia nei processi e operazioni, stabilendo ruoli e responsabilità, controlli, gestione dei rischi e misurabilità dell’impatto. Infine, si traccerà una roadmap di azioni di trasformazione, valutando fattibilità tecnica, rischi e impatto sul business e quindi pianificare via via le azioni.
MADE4.0 ha appena lanciato due servizi per accompagnare le aziende in questo processo di cambiamento. Draive4GEN è un percorso guidato per mappare il livello di adozione e di sicurezza in azienda, valutare le opportunità di applicazione a processi e attività. SkillAI invece interviene sulle competenze: misura il livello di readiness delle aziende e propone azioni per colmare il gap. Il servizio utilizzerà anche un chatbot conversazionale adattativo per le interviste alla popolazione aziendale.
I vantaggi dell’Intelligenza artificiale generativa (GenAI)
Il grande vantaggio della GenAI è di riuscire a riconoscere, collegare, integrare e generare informazioni strutturate da formati, fonti e sistemi diversi, in pratica da dati destrutturati presenti in email, fatture e codici prodotto, che prima richiedevano l’inserimento manuale in un sistema, con rischio di errori e dispendio di risorse a basso valore aggiunto. La GenAI supera questo scoglio, velocizza le operazioni, libera risorse e, se gestita nel perimetro aziendale, garantisce la protezione dei dati e la compliance normativa. L’altro grande vantaggio, ovviamente, è l’utilizzo del linguaggio naturale grazie ai LLM (Large Language Model) e a interfacce intuitive che rendono facile e immediato l’accesso al sistema.
Tre livelli per generare valore: individuale, estesa e con automazione di processo agentica
NTT Data ha descritto tre livelli di adozione della GenAI da parte di una impresa, con benefici sempre maggiori in termini di velocità, efficienza, compliance e centralizzazione del know-how aziendale, non più soggetto al sapere di pochi esperti di dominio.
Il primo livello è quello prettamente individuale, con utilizzo di sistemi come ChatGpt o Microsoft Copilot, dentro il perimetro documentale aziendale.
Il secondo livello, più esteso, è quello della costruzione di chatbot basati su database documentali interni (come manuali macchine e cataloghi prodotto). Sono di supporto al lavoro dei diversi team nella ricerca di informazioni e soluzioni, per esempio per la gestione di ticket IT interni o del Customer Service. A fronte di una solida “knowledge base”, i chatbot garantiscono un grande risparmio di tempo agli operatori nel reperimento delle informazioni.
Il terzo livello è quello dell’Intelligent Process Automation (automazione di processo intelligente), che è entrata in uso nelle grandi imprese negli ultimi anni e svolge compiti in modo flessibile e adattativo: apprende dai dati, legge formati diversi, prende micro-decisioni e gestisce le eccezioni, grazie a un sottostante modello di machine learning che si interfaccia con il linguaggio naturale. I vantaggi sono una riduzione delle attività manuali e degli errori di inserimento, maggiore velocità e standardizzazione di processo, centralizzando un know-how aziendale spesso affidato all’esperienza dei singoli. L’intervento umano è richiesto solo in casi eccezionali e si ottiene maggiore tracciabilità, controllo e scalabilità operativa dei sistemi.
Si tratta di una importante evoluzione rispetto alla Robotic Process Automation (automazione di processo robotica) che, sul mercato da oltre vent’anni, era una forma di automazione deterministica, con una esecuzione rigida di istruzioni in base a regole date e con formati standard.
Il caso Colorgraf
Colorgraf è una PMI chimica con 110 dipendenti e 40 milioni di fatturato, produttrice di inchiostri a stampa per numerosi settori con 17.000 codici prodotto, 2.300 nuovi all’anno e 1.300 clienti con 129 ordini al giorno con packaging personalizzati. Con il supporto di MADE 4.0 e NTT Data, decide di implementare una soluzione AI per accompagnare la crescita internazionale.
L’obiettivo strategico è di arrivare a 50 milioni di euro entro il 2030, aumentando l’export (oggi al 20%) e facendo leva su personalizzazione e orientamento al cliente, che sono i punti di forza dell’azienda lombarda alla terza generazione.
Poiché il numero di ordini evasi è subordinato alla velocità di inserimento nel sistema, si è deciso di supportare l’Ufficio Vendite con un sistema di Intelligent Process Automation (IPA), in particolare Microsoft Power Automate e Microsoft Copilot, per inserire in modo automatico gli ordini che richiedevano molta attività manuale, sottraendo risorse ad attività commerciali a valore aggiunto. Il sistema intelligente consente di acquisire ordini ricevuti in formati diversi, come PDF, Excel, email e di comprendere testi non chiari, che magari fanno riferimento a un prodotto abituale senza specificarlo, grazie alla possibilità di attingere al listino prodotto e allo storico di ordini del cliente.
Quindi, il sistema normalizza i dati principali e ne verifica coerenza e correttezza, sulla base della documentazione e delle policy aziendali. Gestisce le eventuali anomalie su un portale dedicato, con validazione finale del commerciale secondo la logica “Human in the loop” e carica i dati in automatico sul gestionale aziendale. I vantaggi sono nel risparmio di tempo con più risorse per attività commerciali a valore aggiunto e maggiore centralizzazione del know-how aziendale.
Colorgraf ha inoltre organizzato la knowledge base (dinamica e aggiornabile nel tempo) per lo sviluppo di Chatbot intelligenti in area HR e in area tecnico-produttivo, con le tecnologie Microsoft Copilot Studio e Microsoft teams. L’obiettivo è quello di facilitare il reperimento di informazioni con un linguaggio naturale, di accorciare i tempi, uniformare l’accesso ai contenuti, liberare risorse e, al tempo stesso, rendere il know-how aziendale indipendente dal sapere dei singoli esperti. Il 2026 è dedicato al consolidamento di questi sistemi.
Agentic Process Automation (APA), nuova frontiera dell’automazione
L’ulteriore evoluzione dell’Intelligent Process Automation, disponibile da un anno e che inizia a essere adottata nelle grandi aziende, è l’Agentic Process Automation (automazione di processo agentica), che consente di gestire interi processi, organizzando in autonomia sequenze di operazioni in base all’obiettivo richiesto. In questo caso, un agente orchestratore che interagisce con il linguaggio naturale, comprende la richiesta, la smista ad agenti specializzati in singoli task verticali, li coordina e gestisce i risultati.
Per esempio, in un processo di acquisto c’è l’agente che controlla l’ordine, chi il documento di trasporto, chi la fattura e un altro che ne verifica la corrispondenza, rileva le eventuali discrepanze e verifica se riesce a risolverle in autonomia o se deve chiedere l’intervento umano.
Forza lavoro sempre più ibrida
Il trend futuro sarà quello di una forza lavoro ibrida con una integrazione spinta tra agenti, orchestratori agentici e operatori umani. I vantaggi di questi sistemi è che possono raggiungere obiettivi specifici con una supervisione umana limitata, quindi dotati di autonomia, proattività, specializzazione, adattabilità e intuitività. Sono infatti costruiti a partire da modelli di machine learning che simulano il processo decisionale umano per risolvere problemi complessi in tempo reale.
Casi d’uso possono essere la ricerca rapida e validazione di documenti, come nel processo di acquisto o la gestione di un ticket di primo livello, con raccolta dei materiali e decisione se risolvere in autonomia la richiesta, o chiedere l’intervento umano. In questo caso l’operatore avrà sottomano già tutta la documentazione disponibile, riducendo le attività manuali di ricerca e i tempi di risposta agli utenti.
Scalare l’AI con tool integrati nell’intero flusso di processo
Se tutti questi strumenti vengono limitati a singoli progetti pilota o a singole attività, senza coinvolgere l’intero flusso di lavoro, è molto probabile che l’AI generativa non produca l’impatto atteso sul business. Come ha evidenziato Axiante, infatti, il vero cambiamento, che rende scalabili i vantaggi dei sistemi intelligenti, si ha partendo dall’analisi dei processi e agendo su ogni fase con tool integrati e agentici, compreso un orchestratore di processi che si interfacci con l’utente. In una campagna marketing, per esempio, la GenAI può accelerare la produzione creativa, ma se le fasi di validazione e approvazione sono del tutto manuali è forte il rischio di un rallentamento del processo, vanificando l’iniziale ottimizzazione.
Così pure nella costruzione di un’offerta commerciale si tende a dare in pasto al sistema una bozza per armonizzarla e finalizzarla, ma solo dopo aver raccolto manualmente tutte le informazioni utili. In questo modo si usa solo in minima parte il potenziale dell’AI che, invece, addestrata all’interno del perimetro documentale aziendale, può occuparsi di predisporre un’offerta commerciale fin dal reperimento automatico delle informazioni necessarie e, solo allora, sottoporla alla validazione umana.
Le tre fasi da seguire: integrazione, qualità del dato e governance
L’approccio altamente raccomandato è quello di integrare l’AI nei sistemi già in uso; di predisporre data base aggiornati, puliti, senza duplicazioni e dati obsoleti, costruiti con rigore per evitare allucinazioni e, infine, Rag (Retrieval-Augmented Generation) e governance, ossia ancorare il motore AI a dati e policy aziendali certificati, in modo che le risposte del sistema siano coerenti e aderenti alla specifica realtà.
I principali casi d’uso sono un assistente interno con RAG su manuali, procedure e knowledge base; chatbot FAQ clienti su catalogo e condizioni di vendita; generatore di preventivi e offerte commerciali da listini e template e assistente marketing.
