Che cos'è l'Agentic AI?
L'intelligenza artificiale è ormai diventata indispensabile per il funzionamento delle aziende e chi la implementa con successo sa che è in continua evoluzione. Un'innovazione in particolare sta trasformando il modo in cui le aziende utilizzano l'AI per generare valore: l'Agentic AI.
Scopri di più sull'Agentic AI
L'Agentic AI è il passo successivo nell'evoluzione dell'intelligenza artificiale: un passaggio da sistemi che si limitano ad analizzare, prevedere o generare a sistemi in grado di intraprendere azioni. Mentre le versioni precedenti dell'AI aiutavano a prendere decisioni o a creare contenuti, gli agenti AI possono avviare decisioni, pianificare azioni ed eseguirle in modo autonomo.
Gartner® prevede che entro il 2028 un terzo delle soluzioni software aziendali includerà gli agenti AI, rendendo autonome fino al 15% delle decisioni quotidiane. In diversi settori, gli agenti AI stanno già lasciando il segno: aiutano gli ospedali a gestire ricoveri complessi, supportano piani accademici personalizzati nelle università, ottimizzano la gestione delle scorte per i retailer e molto altro ancora.
In Workday abbiamo sviluppato l'Agentic AI per trasformare i processi e offrire esperienze migliori ai nostri stakeholder interni ed esterni.
Definizione di Agentic AI
L'Agentic AI combina più modelli di AI in modo coordinato e integrato per consentire a un programma di agire autonomamente all'interno di un ambiente più ampio. Utilizza ragionamento, apprendimento e pianificazione iterativa per gestire sfide dinamiche e articolate all'interno dell'azienda.
Ciò che distingue gli agenti AI è la loro capacità di intraprendere azioni con un coinvolgimento umano minimo o nullo. Possono monitorare i sistemi, interpretare le condizioni in tempo reale e avviare attività nelle applicazioni connesse. Ad esempio: un sistema agentico in una piattaforma logistica può rilevare un ritardo nella spedizione, reindirizzare le consegne, avvisare i clienti e aggiornare automaticamente l'inventario, tutto operando in maniera autonomia.
Lo sviluppo dell'Agentic AI è il risultato di decenni di innovazione e scoperte rivoluzionarie nel campo dell'intelligenza artificiale. Dalle origini fino alle sue moderne capacità trasformative, l'AI si è evoluta costantemente nel tempo, e continua a farlo, diventando sempre più adattiva, autonoma ed efficace.
L'evoluzione dell'AI nel corso dei decenni
Gli inizi
Negli anni '50, l'AI era basata su regole, limitata a rigide istruzioni del tipo "se-allora" e all'esecuzione di automazioni di base, senza alcuna capacità di adattamento o apprendimento. Negli anni '60 e '70 si è verificata una svolta importante grazie alle reti neurali ispirate al cervello umano che hanno permesso all'AI di simulare l'apprendimento per la prima volta. Sebbene ancora in fase iniziale, questa evoluzione ha gettato le basi per sistemi AI più dinamici e flessibili.
L'ascesa dei sistemi esperti
Negli anni '80 sono emersi i sistemi esperti, che hanno avvicinato l'AI al processo decisionale umano. Questi sistemi utilizzavano grandi insiemi di regole per replicare il ragionamento degli esperti, ma la loro dipendenza da una logica statica li rendeva rigidi e incapaci di gestire informazioni nuove o mutevoli.
Arriva il machine learning
Gli anni '90 hanno segnato una svolta con il machine learning (ML), facendo evolvere l'intelligenza artificiale da sistemi basati su regole predefinite a tecnologie capaci di apprendere dai dati. In questo decennio sono iniziate anche le prime sperimentazioni con gli agenti intelligenti e l'apprendimento per rinforzo, che hanno consentito all'AI di prendere decisioni attraverso tentativi invece di limitarsi a seguire istruzioni prestabilite.
Big data e cloud computing
Negli anni 2000, il progresso dell'intelligenza artificiale è stato trainato dall'aumento esponenziale della potenza di calcolo e dall'ascesa del cloud computing. I sistemi AI sono quindi diventati capaci di elaborare e accedere a grandi quantità di dati in tempo reale, il che li ha resi più efficienti e capaci di gestire attività sempre più complesse.
La svolta dell'AI generativa
L'AI generativa (Gen AI) ha introdotto la possibilità di creare contenuti originali (testi, immagini, codice, audio e altro) partendo da prompt in linguaggio naturale. Ha aperto le porte a un'AI interattiva e conversazionale che aiuta nella redazione di testi, automatizza il supporto clienti, genera risorse di progettazione e altro ancora.
Sebbene le basi delle ricerche fondamentali nel campo dell'AI generativa, come i modelli transformer e le reti generative avversarie (GAN), siano state gettate nel 2010, l'AI generativa è diventata davvero accessibile e utilizzabile nella pratica solo con l'arrivo di GPT-3, DALL·E e ChatGPT all'inizio del 2020.
Questi sistemi hanno introdotto un nuovo livello di fluidità e comprensione contestuale, ma il loro funzionamento richiedeva ancora input umani. L'AI generativa può suggerire e sintetizzare, ma non è stata concepita per agire o prendere decisioni in modo autonomo.
Agentic AI
Realizzata a partire dal machine learning e dai modelli generativi, la più recente evoluzione dell'intelligenza artificiale è rappresentata dall'Agentic AI. Si tratta di sistemi che oltre a comprendere e generare contenuti, sono capaci di prendere iniziative autonome e agire in ambienti reali.
Questo cambiamento segna una trasformazione fondamentale: dall'AI come strumento che risponde agli esseri umani all'AI come collaboratore in grado di agire autonomamente. Con questa transizione entriamo in una nuova era di sistemi potenziati dall'intelligenza artificiale: tecnologie capaci di ottimizzare i processi lavorativi, gestire decisioni complesse su vasta scala e adattarsi dinamicamente al cambiamento.
Il cammino dell'intelligenza artificiale è stato lungo: dai primi sistemi basati su regole prestabilite fino agli agenti che agiscono autonomamente, tuttavia questa straordinaria evoluzione è solo all'inizio. L'Agentic AI è solo l'ultimo sviluppo e le aziende devono continuare a impegnarsi per far sì che le loro strategie AI siano sempre pertinenti ed efficaci.
L'Agentic AI segna una trasformazione fondamentale: dall'AI come strumento che risponde agli esseri umani all'AI come collaboratore in grado di agire autonomamente.
Gli agenti nel panorama più ampio dell'AI
Con la crescente diffusione dell'Agentic AI, è importante comprendere dove si colloca nel panorama dell'AI in senso più ampio. Anziché esistere come categoria a sé stante, l'Agentic AI si basa sulle capacità di altri sistemi e, per operare con maggiore autonomia, attinge sia alla logica basata su regole sia a modelli probabilistici. Osservando il modo in cui diversi tipi di AI elaborano le informazioni e generano risultati, possiamo comprendere meglio in che modo l'Agentic AI amplia i confini del possibile.
AI deterministica
Segue logica o regole predefinite. A parità di input, gli output sono prevedibili e ripetibili.
Limitazioni
Non riesce a gestire l'incertezza o ad adattarsi a nuovi scenari.
Esempio
Un albero decisionale che approva o nega i prestiti in base a soglie fisse.
AI probabilistica
Utilizza modelli statistici e pattern di dati per generare previsioni o output.
Limitazioni
Richiede grandi set di dati di alta qualità. I risultati possono variare e spesso non sono spiegabili.
Esempio
Un modello generativo come GPT-4 che scrive un testo in base a un prompt.
Agentic AI
Si basa su modelli probabilistici (ad esempio, LLM e RL) e orchestra le azioni tra i sistemi, spesso integrando componenti deterministici per l'esecuzione.
Limitazioni
Tuttora in fase di sviluppo in ambiti come la coordinazione integrata tra più sistemi e la pianificazione strategica a lungo termine.
Esempio
Un agente della supply chain che monitora le condizioni meteorologiche, prevede interruzioni, devia le consegne e aggiorna l'inventario in modo autonomo.
In sintesi, l'Agentic AI non è una categoria a sé stante, ma un'evoluzione che si basa sui punti di forza di altri sistemi AI. Gli approcci deterministici offrono struttura e affidabilità, mentre i modelli probabilistici apportano flessibilità e insight. L'Agentic AI li combina aggiungendo la capacità di intervenire, consentendo alle aziende di essere più scalabili, adattabili e reattive.
I sistemi di Agentic AI si distinguono per la loro capacità di ragionare, pianificare e agire con un elevato grado di autonomia.
Caratteristiche principali dell'Agentic AI
I sistemi di Agentic AI si distinguono per la loro capacità di ragionare, pianificare e agire con un elevato grado di autonomia. A differenza dei precedenti sistemi AI che richiedono logica rigida o flussi di lavoro predefiniti, l'Agentic AI interpreta le intenzioni, valuta le opzioni ed esegue le decisioni in autonomia, spesso in ambienti complessi e imprevedibili.
Queste capacità rendono l'Agentic AI adatta alle sfide aziendali che richiedono sia flessibilità che iniziativa. Ecco come queste caratteristiche si manifestano nella pratica:
Ragionamento autonomo
Un agente può prendere un obiettivo aziendale, ad esempio ridurre i ritardi nelle consegne, e determinare autonomamente come ottenere tale risultato analizzando i vincoli, valutando i compromessi e avviando azioni correttive.
Adattabilità in tempo reale
Invece di seguire uno script statico, un agente adatta il suo comportamento in base a ciò che accade al momento, modificando la logistica quando le condizioni cambiano o riassegnando il personale in risposta a un'impennata imprevista della domanda.
Esecuzione di attività in più fasi
Gli agenti non si limitano a eseguire singole azioni, ma gestiscono interi flussi di lavoro. Un singolo agente può individuare un problema, raccogliere input da altri sistemi o agenti, pervenire a una soluzione e assicurarsi che venga attuata.
Orchestrazione collaborativa
I sistemi agentici sono progettati per operare in sinergia. Un agente può rilevare un problema, mentre altri gestiscono le comunicazioni, gli aggiornamenti dell'inventario o i controlli delle policy e insieme arrivano a un risultato condiviso senza un coordinamento umano diretto.
Gli agenti AI non sono tutti uguali: si va da quelli più semplici che si limitano a seguire le regole ai sistemi completamente autonomi che ragionano, apprendono e collaborano.
Tipi di agenti AI
Gli agenti AI non sono tutti uguali: si va da quelli più semplici che si limitano a seguire le regole ai sistemi completamente autonomi che ragionano, apprendono e collaborano. Man mano che si procede lungo questo continuum, gli agenti acquisiscono maggiore potere decisionale, capacità di adattarsi e indipendenza.
Comprendere le differenze tra queste tipologie è fondamentale per scegliere l'approccio più adatto alle proprie esigenze aziendali. Le categorie seguenti mostrano come si evolvono le capacità degli agenti e come agenti più avanzati gettino le base per sistemi davvero agentici.
Agenti reattivi
Gli agenti reattivi costituiscono il tipo più semplice di intelligenza artificiale. Costruiti su sistemi basati su regole, rispondono ai cambiamenti ambientali utilizzando istruzioni predefinite, ma non sono in grado di apprendere o adattarsi. Ad esempio, un assistente virtuale che recupera risposte preprogrammate a comandi specifici, come spegnere le luci di un sistema intelligente quando richiesto, funziona come un agente reattivo, cioè risponde agli input senza ulteriori ragionamenti o apprendimento.
Agenti basati su modelli
Gli agenti basati su modelli elaborano l'ambiente circostante attraverso un modello interno che consente loro di ragionare sulle proprie azioni e prendere decisioni informate. Esempio: un sistema di irrigazione basato sull'AI che monitora l'umidità del terreno, le previsioni meteorologiche e le esigenze delle colture per ottimizzare le ore di irrigazione.
Agenti basati su obiettivi
Gli agenti basati su obiettivi operano per raggiungere risultati specifici valutando diverse strategie e adattando le proprie azioni per conseguire il risultato desiderato. Ad esempio, un'app di navigazione in grado di programmare il percorso più veloce verso una destinazione in base alle condizioni del traffico in tempo reale è un agente basato su obiettivi.
Agenti basati sull'utilità
Gli agenti basati sull'utilità si concentrano sulla massimizzazione dei risultati all'interno di un dominio specifico, soppesando molteplici fattori per determinare il miglior risultato possibile. Si consideri, ad esempio, un sistema di gestione delle flotte di veicoli che non si limiti a pianificare i percorsi di consegna, ma tenga anche conto dell'efficienza del carburante, delle fasce orarie di consegna e dei programmi di manutenzione dei veicoli per ottimizzare le operazioni.
Agenti di apprendimento
Gli agenti di apprendimento si adattano e migliorano nel tempo elaborando nuovi dati ed esperienze. Questi agenti sono progettati per adattare dinamicamente le proprie azioni e i processi decisionali. Un sistema automatico di gestione patrimoniale che perfeziona continuamente le strategie d'investimento seguendo l'evolversi del mercato rappresenta un esempio concreto di agente di apprendimento.
Agenti collaborativi
I sistemi collaborativi, o multiagente, operano in sinergia per risolvere problemi interconnessi troppo complessi per essere gestiti da un singolo agente. Una rete logistica che coordina droni per le consegne, robot del magazzino e camion autonomi per ottimizzare l'intera supply chain è un esempio di agente collaborativo.
Opportunità di business per l'Agentic AI
Le capacità dinamiche dell'Agentic AI ne fanno uno strumento potente per rispondere in tempo reale a concrete necessità aziendali. Tale strumento si sta rivelando prezioso in diversi settori sotto molti aspetti: ottimizza le operazioni, migliora l'esperienza di dipendenti e clienti e apre nuove opportunità di crescita. Diamo un'occhiata ad alcune delle più importanti applicazioni dell'Agentic AI già in atto in diversi settori.
Esempi concreti: use case dell'AI in base al settore
Istruzione superiore
Nell'ambito dell'istruzione superiore, l'Agentic AI supporta studenti e docenti gestendo in modo autonomo la pianificazione accademica personalizzata. Ad esempio, un agente può rilevare quando uno studente rischia di restare indietro, quindi valuta la disponibilità dei corsi, i requisiti del programma e gli obiettivi a lungo termine dello studente per proporre un calendario alternativo. Può avvisare lo studente e il tutor, consigliare servizi di supporto e adattare il percorso di studi, il tutto senza coordinamento o intervento manuale.
Healthcare
Nel settore healthcare, l'Agentic AI agisce come un collaboratore in tempo reale negli ambienti clinici. Un agente potrebbe rilevare un aumento dei ricoveri al pronto soccorso, valutare le esigenze dei pazienti, controllare la disponibilità delle risorse (ad esempio posti letto o personale in terapia intensiva) e avviare la riassegnazione delle risorse o la richiesta di altro personale. Può anche coordinarsi con altri agenti che supervisionano le dimissioni dei pazienti o la gestione dell'inventario per contribuire a mantenere la continuità delle cure.
Retail
Nel retail, l'Agentic AI consente una gestione dinamica end-to-end sia delle operazioni che della customer experience. Un agente potrebbe notare un picco nella domanda di un prodotto, prevedere le carenze di magazzino e reindirizzare le spedizioni esistenti o predisporre nuovi ordini di acquisto. Allo stesso tempo, può adattare le strategie promozionali, aggiornare i contenuti del sito Web e avvisare i team di supporto in base alle necessità.
Settore manifatturiero
L'Agentic AI migliora la produttività delle industrie rispondendo in tempo reale a interruzioni o inefficienze. Ad esempio, un agente potrebbe rilevare un calo delle prestazioni dei macchinari, avviare la diagnostica tramite un altro agente e pianificare la manutenzione durante una pausa operativa. Può anche adattare i tempi di produzione o riordinare i materiali per evitare ritardi, mantenendo i processi efficienti e proattivi.
Finance
In ambito finanziario, l'Agentic AI supporta la pianificazione autonoma e adattiva e la gestione del rischio. Un agente del Finance potrebbe riconoscere i primi segnali di volatilità del mercato, adattare le strategie del portafoglio o segnalare le aree di esposizione. Può inoltre allineare le proprie azioni agli agenti di compliance per assicurarsi che tutte le attività rispettino i requisiti normativi, riducendo al minimo i rischi senza sacrificare velocità o reattività.
Comunicazioni
Nel settore delle comunicazioni, l'Agentic AI aiuta a gestire l'engagement in tempo reale. Un agente potrebbe rilevare un sentiment negativo in crescita sui social media, lanciare campagne di risposta mirate e modificare di conseguenza la spesa pubblicitaria o la strategia di comunicazione. Può coordinarsi con gli agenti che gestiscono l'assistenza clienti, il CRM o gli strumenti di marketing tramite e-mail per garantire una risposta coerente e tempestiva.
Soluzioni aziendali: esempi Workday
In Workday stiamo sperimentando l'uso degli agenti AI per aiutare a semplificare la gestione delle spese, ottimizzare la pianificazione della successione e trasformare il recruiting.
Il nostro agente preposto alle spese rileva automaticamente le voci delle ricevute e crea note spese. Ad esempio, quando un collaboratore effettua il check-out da un hotel, può scattare una foto della ricevuta con il telefono e il nostro agente estrarrà automaticamente le informazioni rilevanti dalla ricevuta, creerà una nuova voce di spesa e la aggiungerà alla nota spese corretta.
Per la pianificazione della successione, il nostro agente AI ci aiuta a mantenere una solida pipeline di successori in tutte le fasi di carriera analizzando fattori quali le attuali esigenze aziendali, le skill richieste dai team e i tassi di abbandono previsti e suggerendo potenziali successori in tutto il Paese. L'agente può identificare in modo proattivo i dipendenti ad alto potenziale e persino generare piani di crescita personalizzati per aiutarli a prepararsi per ruoli futuri.
Il nostro agente Recruiting integra le funzionalità di HiredScore* per reperire candidati passivi che potrebbero avere espresso interesse in passato. Comprendendo le attuali esigenze dell'azienda e analizzando i profili dei candidati, l'agente può automatizzare il contatto, suggerire i candidati migliori e persino programmare i colloqui.
*HiredScore è una società di Workday.
In Workday, l'Agentic AI sta trasformando settori quali il monitoraggio delle spese, la pianificazione della successione e il recruiting intelligente.
Strategie per l'implementazione dell'Agentic AI
Gli use case e gli esempi trattati nella sezione precedente sono solo alcuni degli innumerevoli modi in cui le aziende utilizzano l'Agentic AI per generare valore e raggiungere gli obiettivi. Per implementare con successo l'Agentic AI, è necessario identificare applicazioni specifiche della tecnologia, definire gli obiettivi, predisporre un solido piano di esecuzione e monitorare i progressi nel tempo.
Esaminiamo passo dopo passo un framework per implementare efficacemente l'Agentic AI nella tua azienda.
1. Individuare e definire il problema
Inizia definendo in modo chiaro la sfida aziendale che vuoi affrontare. Non limitarti a elencare caratteristiche o attività: concentrati sul problema di fondo. Ad esempio, invece di limitarti ad automatizzare l'approvazione delle spese, punta a garantire la compliance riducendo tempi di elaborazione ed errori.
2. Comprendere le esigenze e il contesto dell'utente
Raccogli feedback continui dagli utenti per identificare punti critici e opportunità di miglioramento. Testa i prototipi con gli utenti finali e osserva le loro interazioni con la tecnologia. Prendi nota delle esperienze positive e delle criticità e regolati di conseguenza. Continua a farlo in ogni fase dell'implementazione per garantire che l'AI si allinei ai flussi di lavoro effettivi e crei esperienze semplici e piacevoli.
3. Elaborare una data strategy
L'efficacia dei sistemi di Agentic AI dipende dalla qualità dei dati. Elabora una strategia per la raccolta, la pulizia e l'etichettatura dati che rispetti gli standard di privacy e sicurezza. Una preparazione attenta evita colli di bottiglia futuri nel corso dell'implementazione e dell'addestramento.
4. Scegliere gli strumenti e i modelli giusti
Scegli gli strumenti e le tecnologie che si adattano alle esigenze individuate nel passaggio 1. Considera i diversi tipi di Agentic AI che abbiamo trattato in precedenza e tieni presente che l'Agentic AI potrebbe non essere sempre la risposta giusta; ad esempio, i sistemi basati su regole potrebbero essere più efficaci per iniziative strettamente incentrate sull'automazione.
5. Tutelare privacy e sicurezza
È fondamentale comprendere l'importanza della privacy dei dati nel contesto dei nuovi sistemi di AI. Proteggi i dati sensibili integrando solidi meccanismi di privacy e sicurezza nei tuoi sistemi e assicurando la compliance alle normative pertinenti, quali RGPD o CCPA. Tieni sempre sotto controllo chi può accedere ai dati, proteggi le informazioni riservate con la crittografia e fai in modo che il sistema ti avvisi subito se succede qualcosa di strano. Integra i principi della privacy by design nel processo di sviluppo per proteggere i dati personali e aziendali in ogni fase.
6. Riconoscere, valutare e mitigare i rischi
L'Agentic AI introduce nuovi tipi di rischi insieme alle nuove funzionalità. Valuta regolarmente le performance del modello, la qualità dei dati e le conseguenze indesiderate, non solo durante l'implementazione, ma durante l'intero ciclo di vita dell'AI. Altrettanto importante è sviluppare chiare strategie di mitigazione, come protocolli di escalation, meccanismi di supervisione umana o cicli di feedback, per ridurre i danni e garantire un allineamento agli obiettivi e ai valori dell'azienda.
7. Consentire agli agenti di lavorare su più sistemi
L'Agentic AI trae forza dalla sua capacità di agire su dati presenti in diverse parti dell'azienda. Ogni agente utilizza le fonti a cui ha accesso, siano esse piattaforme interne, strumenti di terze parti o input in tempo reale, per ragionare, prendere decisioni e agire.
Quando gli agenti lavorano insieme, ognuno mette in campo la propria esperienza per raggiungere un risultato condiviso. Mentre un agente analizza i dati sull'employee engagement, un altro potrebbe raccogliere informazioni sulle tendenze di mercato. Lavorando insieme, possono definire una pianificazione del personale che tenga conto sia delle esigenze interne che delle realtà esterne senza richiedere la presenza di sistemi strettamente interconnessi dietro le quinte.
8. Testare e monitorare
Test rigorosi sono essenziali in ogni fase dello sviluppo. Assicurati che il tuo sistema AI fornisca i risultati previsti e apporta le modifiche necessarie. Dopo l'implementazione, monitora costantemente le performance e i feedback degli utenti per identificare le aree da ottimizzare. Aggiornamenti e addestramenti periodici garantiscono che l'AI resti allineata alle nuove esigenze e sfide.
L'Agentic AI rappresenta un balzo in avanti verso sistemi decentralizzati e adattabili che operano insieme agli esseri umani per accelerare il progresso.
Guardare avanti
L'Agentic AI sta diventando una capacità essenziale per le aziende che devono orientarsi tra complessità e trasformazioni continue. Ma la vera rivoluzione deve ancora arrivare: un futuro in cui gli agenti collaborano non solo all'interno dei sistemi, ma anche tra team, aziende e settori.
Permettendo un coordinamento sicuro e orientato agli obiettivi, l'Agentic AI può aiutare le aziende a condividere le conoscenze, rispondere più rapidamente alle interruzioni e risolvere problemi troppo complessi perché un singolo sistema possa gestirli da solo.
Man mano che questi sistemi evolvono, gli agenti potranno ragionare su contesti più ampi, collegare set di dati precedentemente isolati e intraprendere azioni più consapevoli, aprendo nuove possibilità per l'intelligence aziendale.
L'Agentic AI rappresenta un balzo in avanti verso sistemi decentralizzati e adattabili che operano insieme agli esseri umani per accelerare il progresso. Le aziende che accoglieranno questo cambiamento saranno meglio attrezzate per innovare, evolvere con sicurezza e assumere un ruolo guida in un mondo altamente dinamico e interconnesso.
Scopri come Workday può aiutare la tua trasformazione con l'AI.