Dal pilota alla produzione: come si portano davvero gli agenti AI dentro l’azienda

Nel 2026 quasi tutte le aziende hanno provato un agente AI. Pochissime ne hanno uno in produzione. Tra la demo che impressiona in una riunione e il sistema che un team usa ogni giorno c’è un salto, e il salto raramente dipende dal modello. Dipende dal metodo: come si parla con chi conosce il lavoro, come si collegano i dati, come si rende la qualità prevedibile. Questo articolo racconta cosa cambia in quel passaggio, e da dove conviene partire.

È il seguito naturale del primo pezzo di questa serie. Lì il messaggio era «parti dal processo, non dallo strumento». Qui andiamo un passo oltre: una volta scelto il processo, come ci si arriva in produzione e come ci si resta.

Indice dei contenuti

• Perché i pilot non arrivano in produzione
• La parte difficile è parlarsi
• Collegare i dati viene prima di tutto
• Rendere la qualità prevedibile
• Il metodo: un deliverable da settimane, fatto in giorni
• Errori da evitare
• Dove si imparano queste competenze
• FAQ

Perché i pilot non arrivano in produzione

Un dato aiuta a inquadrare il problema. Il MIT, nel report State of AI in Business 2025, osserva che il 95% delle organizzazioni non ottiene ritorno dalla GenAI e che solo il 5% dei progetti integrati arriva in produzione. La conclusione è netta: il divario «non sembra determinato dalla qualità del modello, ma dall’approccio». I motivi dei fallimenti sono workflow fragili e disallineamento con il lavoro di tutti i giorni.

Detto in modo semplice: una demo che funziona in trenta minuti è facile. Un processo aziendale vero ha eccezioni, dati disordinati, vincoli di privacy e un costo concreto se la risposta è sbagliata. È lì che si decide chi resta al pilota e chi arriva in produzione.

La parte difficile è parlarsi

L’esperto di dominio è la persona più preziosa del progetto, e quasi sempre quella che fatica di più a cambiare modo di pensare. I suoi standard sono sedimentati in anni di lavoro, e quegli standard sono la sua garanzia di qualità. Ora gli si chiede di trasferire quegli anni in pochi giorni, per iterare in fretta con il team di innovazione.

Da qui il primo errore prevedibile: si chiedono le funzioni che si pensa di volere, e si chiede di automatizzare ciò che già si vede. Il tesoro, invece, è quello che non viene detto, perché è talmente abituale da sembrare immutabile. La domanda che faccio sempre al primo incontro è una sola: «qual è la cosa che ti cambierebbe la vita e che non abbiamo nemmeno nominato, perché la diamo per impossibile?». Lì si trova ciò che la persona ritiene irrealizzabile e di cui ha davvero bisogno. Da lì si comincia.

Tutto questo regge su una condizione: la fiducia. Le paure più comuni sono «perderò il lavoro» e «lavorerò di più». Nascono da un’AI usata male. Un’AI usata bene libera tempo e lo restituisce al giudizio e alla relazione, dove le persone valgono di più.

Collegare i dati viene prima di tutto

Quando la comunicazione regge, il lavoro comincia dai dati. Gli agenti enterprise spesso non funzionano per mancanza di contesto: «revenue» è una definizione di business, non un campo nel database. I dati vivono sparsi, e un modello calato su dati frammentati inventa. La base del lavoro è quindi capire quali dati collegare, come modellarli, dove tenere la fonte unica di verità e come trasformarli per costruire, col tempo, un patrimonio di dati proprietario.

C’è un’occasione che quasi nessuno coglie. Le aziende usano già piattaforme potenti, nel modo «umano» di sempre, e quasi mai si accorgono che quegli stessi fornitori hanno già rilasciato funzioni AI o integrazioni che cambierebbero le carte in tavola. Spesso la funzione AI che serve è già dentro uno strumento che si paga da anni. Collegare bene i sistemi che già si hanno vale più che costruirne uno nuovo nel modo sbagliato.

Rendere la qualità prevedibile

Un modello potente, ben guidato e con i dati giusti, fa quasi tutto. Ciò che distingue una consegna riproducibile da un risultato casuale è la firma di un esperto che sorveglia standard e output, e l’aggiornamento continuo. Il modello sa come si fanno le cose in base al suo addestramento. La «salsa segreta», cioè il nuovo stato dell’arte di un mestiere, la porta solo chi quel mestiere lo fa.

Per questo la qualità va resa prevedibile, non controllata solo alla fine. Lo strumento si chiama eval: insiemi di test che misurano l’affidabilità del sistema su scenari reali, in modo che la qualità resti alta a ogni esecuzione e non dipenda dalla fortuna.

Il metodo: un deliverable da settimane, fatto in giorni

La teoria diventa pratica quando si attacca un compito molto specifico. Si sceglie un deliverable che oggi richiede più persone, settimane di lavoro manuale e di ricerca, e che produce un valore alto. Lo si ricostruisce da zero con gli strumenti AI, come se dovesse farlo una sola persona, e lo si porta a termine in giorni. Poi si misura il prima e il dopo.

Cinque passi concreti:

• Scegli un solo deliverable. Ad alto impatto e già abbastanza standardizzato.
• Trasferisci la competenza. L’esperto risponde a domande mirate, non compila moduli.
• Collega i dati. Fonti giuste, fonte unica di verità, forma adatta al modello.
• Ricostruisci il flusso da zero. Pensa AI-native, non una pezza sul processo vecchio.
• Blindane la qualità. Eval e firma dell’esperto, poi misura i KPI.

Un esempio concreto e già pubblico dal nostro lavoro in Yempik: un agente vocale per un call center del settore energia che richiama un nuovo contatto entro 30 secondi, gestisce 5-8 conversazioni in parallelo, ha gestito oltre 1.000 contatti e ridotto di circa il 70% il lavoro di selezione manuale. Non è magia. È un processo chiaro, ricostruito in modo AI-native e misurato.

Il punto che conta più di tutti: l’AI è un moltiplicatore. Non serve a fare le stesse cose un po’ più in fretta per limare il margine. Se punti solo all’efficienza, è facile che ti mangi il budget. Se punti all’«impossibile prima, facile ora», i ritorni decollano e il collo di bottiglia successivo diventa il go-to-market, non la produzione. Il feedback che mi ha confermato di essere sulla strada giusta lo dice meglio di qualsiasi numero: «con questo nuovo workflow AI-native gestiamo con tranquillità scadenze che prima erano strutturalmente impossibili».

Errori da evitare

• Partire dallo strumento invece che dal deliverable: porta a soluzioni in cerca di un problema.
• Saltare i dati: senza fonti collegate e una verità unica, l’agente inventa con sicurezza.
• Fidarsi senza misurare: senza eval, una risposta sbagliata passa finché non la vede un cliente.
• Vibe-codare un prodotto sulle API tradizionali: quando esistono già integrazioni, MCP e workflow pronti, ricostruire da zero nel modo artigianale fa perdere tempo.
• Trattare l’AI come uno sconto sul margine: si perde la cosa più preziosa, ciò che prima era impossibile.

Dove si imparano queste competenze

Scegliere il deliverable giusto, far emergere la conoscenza dell’esperto, collegare i dati, rendere la qualità prevedibile e riconoscere quando l’AI non è la risposta giusta sono esattamente il cuore del Master in AI per i Processi Aziendali di Uninform. Al Modulo 3 «LLM e Generative AI» i partecipanti non guardano l’AI mentre funziona: la costruiscono, la mettono alla prova e imparano quando fidarsi e quando no.

FAQ

Articolo a cura di Simone Bova, AI Engineer in Intarget e co-founder di Yempik, software house italiana che costruisce agenti AI e automazioni su misura per le aziende, dal prototipo alla produzione. Scrive di come lavora con l’AI su simonebova.com.