Ripensare l’organizzazione aziendale nell’era dell’AI agentica
L’adozione di AI agenti nelle imprese cresce rapidamente, ma tra ambizione e realtà il divario è enorme. L’85% delle organizzazioni dichiara di voler diventare “agentica” entro tre anni, eppure il 76% dice che le proprie operations e infrastrutture non reggono il cambiamento. Il motivo? Manca preparazione su persone, processi e flussi di lavoro.
Il problema, secondo Prasun Shah (global CTO per il workforce consulting e chief AI officer di PwC UK Consulting), è che molte aziende stanno sovrapponendo AI agenti a operazioni esistenti, senza ripensare il modello operativo. “Stanno incorporando dipendenti AI in quello che è un modello operativo umano”, dice Shah. “È come aggiungere nastro adesivo su parti di un modello che si sta rompendo”. E così rischiano di non vedere mai il valore reale dell’AI agentica, lasciando spazio alla delusione.
Il vero valore, infatti, sta nella capacità degli agenti di eseguire interi flussi di lavoro con input umano limitato: coordinano compiti complessi, prendono decisioni indipendenti, si adattano e iterano le performance. In ambiti come customer service, HR e vendite, si stima che l’AI agentica possa accelerare i processi aziendali del 30-50% e ridurre il tempo speso in attività a basso valore del 25-40%.
Nasce l’ABT: un nuovo vocabolario per il cambiamento
Per colmare il vuoto lessicale, l’enterprise platform Ema (insieme a HFS Research) ha coniato il termine agentic business transformation (ABT). “Nessun termine esistente cattura la portata del cambiamento”, spiega Surojit Chatterjee, CEO e fondatore di Ema. “La trasformazione digitale era il passaggio dalla carta al software. Quella AI era aggiungere intelligenza artificiale a processi esistenti. I copilot sono AI che assistono compiti umani. L’ABT è qualcosa di categoricamente diverso: integrare AI agenti nel tessuto stesso dell’organizzazione”.
Per Shah, avere un termine dedicato “aiuta a guidare la necessità di ridisegnare un’organizzazione nella sua interezza: il modello operativo, i flussi di lavoro, i diritti decisionali e i sistemi di gestione delle performance”. Secondo Ema, l’ABT poggia su tre pilastri: stack tecnologico, forza lavoro e metriche di successo.
Il primo pilastro: AI agenti come tessuto connettivo
Lo stack tecnologico attuale è stato progettato per flussi di lavoro umani e basati su applicazioni. “Deve essere ripensato quando l’attore è un AI agente che opera a velocità macchina attraverso più sistemi contemporaneamente”, dice Chatterjee.
Il punto è che gli AI agenti non vanno visti come un altro strato nello stack, ma come un tessuto connettivo: si muovono tra i vari layer per coordinare attività complesse o recuperare e interpretare dati da applicazioni diverse. “È lì che si gioca il vero vantaggio competitivo”, afferma Shah. Per costruirlo, i leader devono adattare lo stack tecnologico in modo che gli agenti possano accedere a più dataset e applicazioni contemporaneamente. “Le organizzazioni che fanno questo salto architetturale diventano genuinamente più adattive”, aggiunge Chatterjee. “Quando emerge un nuovo requisito, non aspetti sei mesi che un vendor sviluppi una funzione. Configuri un dipendente AI in linguaggio naturale e lo connetti ai sistemi necessari. I tempi passano da mesi a giorni”.
Il secondo pilastro: la forza lavoro ridisegnata
Con l’arrivo di AI agenti in più use case, i leader devono chiedersi cosa cambia nelle dinamiche di team. Le strutture gerarchiche tradizionali (processi standardizzati, divisione netta tra unità di business, promozione basata sull’ottimizzazione dell’output) vengono scardinate dagli agenti che eseguono, coordinano e ottimizzano senza supervisione manageriale.
I manager verranno sollevati da molti compiti esecutivi, ma dovranno occuparsi di “fiducia, spiegabilità, sicurezza psicologica e dinamiche di status” in team ibridi, dice Shah. McKinsey prevede che entro il 2030 tre quarti dei lavori attuali richiederanno riprogettazione, upskilling o ricollocazione. Le aziende dovranno agire in fretta su assunzioni, retention e retribuzioni.
Il terzo pilastro: metriche di risultato, non di attività
Con agenti che gestiscono processi core in ruoli collaborativi, metriche tradizionali come “pratiche gestite” o “report completati” non hanno più senso. “Un dipendente AI gestisce mille interazioni nel tempo in cui un umano ne gestisce dieci”, spiega Chatterjee. “Se misuri il successo in interazioni gestite, concludi che l’AI funziona benissimo, ma perdi di vista se quelle interazioni hanno generato soddisfazione, retention o fatturato”.
Servono metriche focalizzate sull’outcome. Esempio concreto: un grande cliente di Ema ha cambiato le proprie metriche da “costo per query” e “accuratezza AI” a “percentuale di contratti revisionati senza escalation umana”. Il ROI misurato dall’AI agentica è triplicato in due trimestri. “Hanno smesso di costruire soluzioni puntuali su flussi ad alto volume e bassa complessità e hanno iniziato a schierare dipendenti AI dove il valore era più alto”.
Integrare nuove metriche significa anche riconfigurare premi e talent management, oltre ai diritti di accountability. In team umano-AI, la responsabilità etica e fiduciaria resta umana, ma quella operativa si diffonde. I vertici dovranno chiedersi: chi è responsabile quando un dipendente AI commette un errore?
