Riprogettare l’organizzazione nell’era dell’AI agentica: non basta un layer
L’adozione di AI agenti a livello enterprise cresce rapidamente, ma tra ambizione e esecuzione c’è un divario. L’85% delle organizzazioni dichiara di voler diventare agentica entro tre anni, eppure il 76% dice che le proprie operazioni e infrastrutture attuali non supportano questo cambiamento. Manca preparazione su persone, processi e flussi di lavoro.
Prasun Shah, global CTO per workforce consulting e chief AI officer di PwC UK Consulting, parla del problema dello “sticky tape”: molte aziende stanno sovrapponendo AI agenti a operazioni esistenti, senza ripensare il modello operativo. “Stanno inserendo AI impiegati in un modello pensato per umani”, dice Shah. “È come aggiungere nastro adesivo a parti di un modello che si sta rompendo.” Così facendo, si rischia di non sbloccare il vero valore dell’AI agentica, e la disillusione arriva in fretta.
Il valore pieno sta nella capacità degli agenti di eseguire interi flussi di lavoro con input umano limitato: coordinare compiti complessi, prendere decisioni indipendenti, adattarsi a condizioni variabili e migliorare le prestazioni in modo iterativo. Già nei primi ambiti di prova (customer service, HR, vendite) si stima che gli AI agenti possano accelerare i processi aziendali del 30-50% e ridurre il tempo speso in attività a basso valore del 25-40%, se distribuiti su larga scala. Ma con questa capacità arriva una complessità maggiore e la necessità di un cambiamento a livello aziendale.
Agentic Business Transformation: un nuovo lessico
Ema, piattaforma enterprise per AI agentici, ha coniato il termine “agentic business transformation” (ABT) insieme a HFS Research per colmare un vuoto lessicale. Secondo Surojit Chatterjee, CEO e fondatore di Ema, “nessun termine esistente cattura la portata del cambiamento. La trasformazione digitale era il passaggio dalla carta al software. La trasformazione AI era aggiungere intelligenza artificiale a processi esistenti. Il copilot è AI che assiste compiti umani. ABT è qualcosa di categoricamente diverso: l’integrazione di AI agenti nel tessuto dell’organizzazione.” Per Shah, il termine ABT “aiuta a guidare la necessità di riprogettare un’organizzazione nella sua interezza: modello operativo, flussi di lavoro, diritti decisionali e sistemi di gestione delle performance.” Ema identifica tre pilastri dell’ABT: stack tecnologico, forza lavoro e metriche di successo.
Gli AI agenti come tessuto connettivo
Il primo pilastro è lo stack tecnologico. “Il vostro stack attuale è progettato per flussi di lavoro umani, incentrati su applicazioni”, dice Chatterjee. “Deve essere riconsiderato quando l’attore è un AI agente che opera a velocità macchina su più sistemi simultaneamente.” Il valore degli AI agenti non sta nell’essere un altro layer, ma un tessuto connettivo che si muove tra i layer per coordinare compiti di alto livello o recuperare e interpretare dati da più applicazioni. Secondo Shah, “le organizzazioni che fanno questo cambiamento architetturale diventano genuinamente più adattive. Quando emerge un nuovo requisito aziendale, non aspetti sei mesi che un vendor sviluppi una funzione. Configuri un AI impiegato usando linguaggio naturale e lo connetti ai sistemi necessari. Il tempo dal business alla produzione scende da mesi a giorni.”
La forza lavoro ridisegnata
Il secondo pilastro è la forza lavoro. Le strutture gerarchiche attuali, ereditate dall’industrializzazione, vengono scosse quando gli AI agenti possono eseguire, coordinare e ottimizzare compiti senza coordinamento manageriale. I manager saranno liberati da molte attività esecutive, ma dovranno gestire team ibridi umani-AI, affrontando nuove tensioni legate a fiducia, spiegabilità, sicurezza psicologica e dinamiche di status. McKinsey prevede che entro il 2030, tre quarti dei lavori attuali richiederanno riprogettazione, riqualificazione o ricollocazione. Le organizzazioni dovranno agire rapidamente su assunzione, retention e retribuzione.
Dal output all’outcome
Il terzo pilastro sono le metriche di successo. Quando gli AI agenti assumono ruoli collaborativi, metriche tradizionali basate sull’attività (es. chiamate gestite) diventano fuorvianti. “Un AI impiegato può gestire mille interazioni cliente nel tempo in cui un umano ne gestisce dieci”, dice Chatterjee. “Se misuri il successo con le interazioni gestite, concludi che l’AI funziona alla grande, mentre ignori se quelle interazioni hanno generato soddisfazione, retention o ricavi.” Serve un nuovo set di metriche focalizzate sull’outcome. Un grande cliente enterprise di Ema, passando da metriche come costo per query a outcome come percentuale di contratti revisionati senza escalation umana, ha triplicato il ROI dall’AI agentica in due trimestri. Integrare nuove metriche significa anche riconfigurare reward, talent management e accountability. In team umani-AI, la responsabilità etica e fiduciaria resterà probabilmente agli umani, ma l’accountability operativa diventerà più diffusa, sollevando nuove domande per i vertici aziendali.
