Cosa sono gli agenti IA e come cambieranno il lavoro

Il modo in cui gli esseri umani interagiscono e collaborano con l’IA sta facendo un salto di qualità con gli agenti IA. Pensate: agenti dotati di intelligenza artificiale in grado di pianificare il vostro prossimo viaggio all’estero e di organizzarlo per intero1; bot simili a esseri umani che agiscono come assistenti virtuali per gli anziani; o specialisti della supply-chain dotati di intelligenza artificiale in grado di ottimizzare le scorte al volo in risposta alle fluttuazioni della domanda in tempo reale. Queste sono solo alcune delle possibilità aperte dalla prossima era dell’IA agentica.

Mentre i precedenti assistenti IA erano basati su regole e avevano una capacità limitata di agire in modo indipendente, l’IA agentica sarà in grado di fare di più per nostro conto. Ma cos’è esattamente l’IA agentica? “Si può definire con una parola: proattività”, ha detto Enver Cetin, esperto di IA presso la società globale di Experience Engineering Ciklum, che ho intervistato. “Si riferisce a sistemi e modelli di IA in grado di agire autonomamente per raggiungere gli obiettivi senza la necessità di una guida umana costante. Il sistema basato su agenti di IA capisce qual è l’obiettivo o la visione dell’utente e il contesto del problema che sta cercando di risolvere”.

Per raggiungere questo livello di autonomia decisionale e di azione, l’IA agentica si basa su un complesso insieme di diverse tecnologie di apprendimento automatico, elaborazione del linguaggio naturale e automazione. Pur sfruttando le capacità creative dei modelli di intelligenza artificiale generativa come ChatGPT, i sistemi di intelligenza artificiale agentica si differenziano per diversi aspetti. In primo luogo, si concentrano sulla presa di decisioni piuttosto che sulla creazione di contenuti. In secondo luogo, non si affidano a suggerimenti umani, ma sono impostati per ottimizzare particolari obiettivi, come la massimizzazione delle vendite, la soddisfazione dei clienti o l’efficienza dei processi della catena di fornitura. In terzo luogo, a differenza delle IA generative, sono in grado di eseguire sequenze complesse di attività, ricercando autonomamente nei database o attivando flussi di lavoro per completare le attività.

I vantaggi di lavorare con l’IA agentica

Grazie alle loro capacità di ragionamento ed esecuzione, i sistemi di intelligenza artificiale agentica promettono di trasformare molti aspetti della collaborazione uomo-macchina, soprattutto in aree di lavoro che in precedenza erano isolate dall’automazione guidata dall’IA, come la gestione proattiva di sistemi informatici complessi per prevenire le interruzioni, la riconfigurazione dinamica delle catene di approvvigionamento in risposta a perturbazioni geopolitiche o meteorologiche o le interazioni realistiche con pazienti o clienti per risolvere i problemi. Tre dei principali vantaggi saranno una maggiore specializzazione della forza lavoro, una maggiore affidabilità delle informazioni e una maggiore innovazione.

Maggiore specializzazione

L’importanza della specializzazione della forza lavoro – la “divisione del lavoro” – è stata compresa fin dalla celebre visita di Adam Smith alla fabbrica di spilli, di cui parla nei paragrafi iniziali de La ricchezza delle nazioni. Smith osservò come un operaio “estrae il filo, un altro lo tende, un terzo lo taglia, un quarto lo punta...” così che “l’importante attività di fabbricazione di uno spillo è, in questo modo, divisa in circa 18 operazioni distinte”. La specializzazione porta maggiore efficienza, apprendimento attraverso il lavoro e innovazione, ma può essere difficile da implementare in quanto le aziende si scontrano con la carenza di forza lavoro e la mancata corrispondenza tra i ruoli e le competenze umane disponibili. Poiché i modelli agentici sono esplicitamente progettati per svolgere compiti fortemente granulari, consentono una maggiore specializzazione dei ruoli rispetto ai precedenti sistemi di automazione ad ampio spettro. Inoltre, è possibile creare rapidamente più ruoli agentici. Nei lavori basati sulla conoscenza, ad esempio, è possibile creare agenti per il reperimento di informazioni, l’analisi, la generazione di flussi di lavoro e l’assistenza ai dipendenti, il tutto lavorando in tandem. Alcuni agenti lavoreranno anche “dietro le quinte”, orchestrando il lavoro di altri agenti, proprio come fanno i manager umani per i loro team.

Innovazione

Grazie alla loro capacità di giudizio e di esecuzione, i sistemi di IA agentici sono ideali per la sperimentazione e l’innovazione. Ad esempio, ChemCrow, un agente chimico dotato di intelligenza artificiale, è stato utilizzato per pianificare e sintetizzare un nuovo repellente per insetti e per creare nuovi composti organici. I modelli di intelligenza artificiale multi-agente possono anche scansionare e analizzare vasti spazi di ricerca, come articoli scientifici e banche dati, in una frazione del tempo necessario a team di scienziati e ricercatori umani. SciAgents – un modello multi-agente sviluppato dai ricercatori del MIT – comprende non solo scienziati robot che sviluppano piani di ricerca, ma anche un agente critico che li esamina e suggerisce miglioramenti. Lavorando insieme, il team di agenti IA è stato in grado di identificare un nuovo bio-materiale che combina seta e pigmenti a base di dente di leone e che presenta migliori proprietà meccaniche e ottiche rispetto a materiali simili, con un apporto energetico ridotto.

Maggiore affidabilità

La maggiore capacità cognitiva nei ragionamenti dei sistemi di IA agentici significa che è meno probabile che soffrano delle cosiddette allucinazioni (o informazioni inventate) comuni ai sistemi di IA generativi. I sistemi di IA agentici hanno anche una capacità significativamente maggiore di vagliare e differenziare le fonti di informazione per qualità e affidabilità, aumentando il grado di fiducia nelle loro decisioni. Ad esempio, mentre le informazioni sui clienti sono spesso sparse in diversi formati nelle varie parti di un’azienda (e-mail, database, fogli di calcolo e simili), un sistema di intelligenza artificiale agentica è in grado di riconoscere rapidamente che le informazioni più affidabili e aggiornate si trovano probabilmente nei sistemi di gestione delle relazioni con i clienti (CRM) dell’azienda. I sistemi agentici sono inoltre progettati per apprendere rapidamente i valori umani e del marchio di un’azienda, assicurando che siano allineati con le decisioni e le azioni.

Casi d’uso potenziali

Sebbene molte applicazioni dell’intelligenza artificiale agentica siano ancora di natura sperimentale o in fase pilota, iniziano già a delinearsi i contorni generali dei potenziali casi d’uso in diversi settori e funzioni. Alcuni esempi sono:

Servizio clienti

A differenza dei tradizionali bot automatizzati per i clienti, pre-programmati con una gamma limitata di risposte e azioni, gli agenti IA del servizio clienti sono in grado di cogliere rapidamente le intenzioni e le emozioni dei clienti e di intraprendere azioni indipendenti per risolvere domande e problemi. Ad esempio, un agente potrebbe valutare in modo predittivo se la consegna di un cliente sarà in ritardo, informare il cliente del ritardo e offrire proattivamente uno sconto per addolcire la delusione. Ema, una start-up di IA con sede in California, offre chatbot di intelligenza artificiale in grado di consultare dinamicamente migliaia di database e applicazioni diverse per risolvere le domande e i reclami dei clienti, imparando da ogni interazione con i clienti e identificando le azioni consigliate per gli agenti umani. Ema verifica anche i propri contenuti ai fini dell’accuratezza e della conformità, fornendo al contempo raccomandazioni per migliorare la base di conoscenze dei clienti.

Produzione

Dal controllo del flusso delle linee di produzione alla personalizzazione dei prodotti, fino ai suggerimenti per migliorarne la progettazione, l’intelligenza artificiale agentica avrà probabilmente molteplici applicazioni nella produzione intelligente. I dati provenienti da sensori collegati a macchine, componenti e altri beni fisici nelle fabbriche e nei trasporti possono essere analizzati da un sistema di intelligenza artificiale agentica per prevedere l’usura e le interruzioni della produzione, evitando tempi di fermo non programmati e i relativi costi per i produttori. La start-up tedesca Juna.ai impiega agenti di intelligenza artificiale per gestire fabbriche virtuali, con l’obiettivo di massimizzare la produttività e la qualità, riducendo al contempo il consumo energetico e le emissioni di carbonio. Offre anche agenti personalizzati per obiettivi specifici, come agenti di produzione e agenti di qualità.

Supporto alle vendite

Per gli agenti di vendita, l’obiettivo critico di trovare e sviluppare lead di vendita può spesso essere sommerso da una massa di e-mail, documenti e altre attività amministrative banali ma necessarie. I sistemi di IA agentici potrebbero liberare drasticamente i team di vendita da molte di queste attività dispendiose in termini di tempo. Il colosso della tecnologia CRM Salesforce, ad esempio, ha recentemente presentato il suo Agent Force Service Development Rep per assistere il lavoro dei team di vendita umani. Grazie a modelli linguistici di grandi dimensioni (LLM), l’agente è in grado di interpretare i messaggi dei clienti, consigliare azioni di follow-up, prenotare incontri, rispondere a domande e generare risposte in sintonia con la voce del marchio dell’azienda. A complemento di queste attività c’è l’Agent Force Sales Coach, che fornisce un feedback personalizzato agli agenti umani e opportunità di apprendimento attraverso sessioni virtuali di gioco di ruolo.

Assistenza sanitaria e sociale

La loro capacità di adattarsi a diversi contesti, di interpretare le emozioni umane e di mostrare empatia rende i sistemi di IA agentici ideali per lavori non routinari e di tipo soft-skill in settori come l’assistenza sanitaria e il caregiving. Hippocratic AI, un’azienda di AI agentica per la sanità con sede in California, ha creato una falange di agenti adatti a diversi settori dell’assistenza sanitaria e sociale. Il team annovera tra le sue fila Sarah, un agente di IA che “irradia calore e comprensione” mentre fornisce aiuto nella vita assistita. Sarah è in grado di chiedere ai pazienti informazioni sulla loro giornata, di organizzare menu e trasporti e di ricordare regolarmente ai pazienti di prendere le medicine. Judy, un altro agente, aiuta i pazienti nelle procedure pre-operatorie, ad esempio ricordando loro l’orario di arrivo e il luogo in cui si trovano, oppure consigliando il digiuno pre-operatorio o l’interruzione dei farmaci.

Le sfide future

Nonostante il notevole potenziale di trasformazione della collaborazione uomo-macchina e di aumento dell’efficienza e della crescita aziendale, i sistemi di IA agentici sono ancora in una fase relativamente iniziale di sviluppo. Inoltre, nonostante i loro maggiori poteri di ragionamento ed esecuzione, non eliminano le sfide tradizionali della gestione della forza lavoro, ma le modificano. Proprio come nei contesti tradizionali di forza lavoro umana i manager devono ancora prestare attenzione alle questioni relative alla composizione del team e alla selezione dei ruoli e devono fissare i giusti obiettivi generali per garantire che i team di IA agentica o ibridi possano avere successo. Devono inoltre calibrare attentamente le condizioni in cui si può fare affidamento sui sistemi di IA agentici per prendere decisioni e le circostanze in cui è necessario l’intervento dei decisori umani.

Imperativi per il successo

Per sfruttare le opportunità dell’IA agentica e mitigare i rischi, i manager dovrebbero considerare i seguenti imperativi:

Stabilire obiettivi SMART

Così come le prestazioni dei team umani possono essere ostacolate da obiettivi mal definiti o mal articolati, anche i sistemi di IA agentici possono andare fuori strada se gli obiettivi non vengono fissati con chiarezza. In effetti, la definizione degli obiettivi diventa ancora più importante per l’IA agentica, poiché i sistemi inizialmente non dispongono delle informazioni contestuali – come il contesto organizzativo e di mercato, i valori aziendali e così via – che spesso sono tacitamente comprese dai lavoratori umani. Cetin di Ciklum sottolinea l’importanza di una definizione completa degli obiettivi: “Affinché l’IA agentica abbia successo, i modelli devono avere obiettivi e sotto-obiettivi SMART (specifici, misurabili, raggiungibili, rilevanti e limitati nel tempo) e sapere come misurarli. Devono avere le giuste informazioni contestuali: perché questi obiettivi sono importanti per l’azienda, in che modo guidano i ricavi, ecc. Infine, come manager, dobbiamo stabilire dei cicli di feedback per adattare i modelli man mano che impariamo a conoscere le loro prestazioni”.

Attenzione alla selezione del team

Rispetto all’IA generativa, che si basa in gran parte sull’interrogazione di modelli di grandi dimensioni con domande singole, l’IA agentica è molto più un lavoro di squadra, che si avvale di più agenti di IA, tutti con ruoli specifici da svolgere per raggiungere un obiettivo più importante, che sia la massimizzazione dell’esperienza del cliente o l’innovazione di un processo aziendale a basso costo. Proprio come nei team umani, è probabile che si presentino problemi di coordinamento, conflitto e gestione delle risorse. I manager che utilizzano i sistemi di intelligenza artificiale agentica dovranno prestare molta attenzione alla selezione dei team, assicurandosi di avere la giusta combinazione di ruoli agentici che svolgano i compiti giusti, in modo efficiente. Inoltre, dovranno considerare attentamente il modo in cui i team agentici interagiscono con i lavoratori umani per ottenere fiducia ed efficienza nelle attività.

Creare uno spazio decisionale

Sebbene i modelli di intelligenza artificiale agentici siano esplicitamente progettati per valutare le scelte decisionali ed eseguire sequenze complesse di azioni, non sono infallibili e possono commettere errori, proprio come gli esseri umani. La scienza dell’apprendimento sottolinea l’importanza dell’“impalcatura” nell’apprendimento, che consente di esporre gli allievi alla pratica del mondo reale con delle salvaguardie (supervisione, limiti ben definiti, ecc.) che vengono progressivamente ritirate man mano che l’esperienza cresce. Questo scaffolding sarà essenziale man mano che i sistemi di IA agentici verranno applicati a diverse attività e aree aziendali, con i responsabili delle decisioni che costruiranno lo scaffolding appropriato per questi modelli in base a fattori quali la criticità della decisione, le conseguenze degli errori, il grado di fiducia nei dati utilizzati per addestrare i modelli, il grado di supervisione umana e il profilo di esperienza degli esseri umani che lavorano al fianco di questi sistemi (per ulteriori informazioni sul ruolo dell’esperienza, vedere il precedente articolo su HBR online dell’autore con Mark Williams: “Come l’IA può aiutare i leader a prendere decisioni migliori sotto pressione”).

Dagli albori degli automi meccanici ai più recenti bot conversazionali, scienziati e ingegneri hanno sognato un futuro in cui i sistemi di IA possano lavorare e agire in modo intelligente e indipendente. I recenti progressi nell’IA agentica portano questo futuro autonomo a un passo dalla realtà. Il premio dell’IA agentica potrebbe essere grande, con la promessa di una maggiore produttività, innovazione e intuizione per la forza lavoro umana. Ma anche i rischi: il potenziale di distorsioni, errori e uso inappropriato. Un’azione tempestiva da parte dei leader aziendali e governativi aiuterà a stabilire la giusta rotta per lo sviluppo dell’IA agentica, in modo che i suoi benefici possano essere raggiunti in modo sicuro ed equo.

Mark Purdy è cofondatore e direttore di Beacon Thought Leadership, una società di consulenza indipendente che si occupa di sviluppo di contenuti e servizi di formazione.