Riprogettare le organizzazioni nell’era dell’AI agentica

L’adozione di AI agenti a livello enterprise cresce, ma tra ambizione ed esecuzione c’è un divario. L’85% delle organizzazioni dichiara di voler diventare “agentica” entro tre anni, ma il 76% ammette che le proprie operazioni e infrastrutture attuali non possono supportare questo cambiamento. Il motivo, dicono, è la mancanza di preparazione su persone, processi e flussi di lavoro.

Prasun Shah, global CTO per workforce consulting e chief AI officer di PwC UK Consulting, spiega che molte aziende stanno “aggiungendo AI agenti alle operazioni esistenti”, senza ripensare il modello operativo e come il lavoro debba essere riconfigurato. “Stanno inserendo impiegati AI in un modello operativo umano”, dice Shah, usando “cerotti su parti di un modello che si sta rompendo”. Questo approccio impedisce di cogliere il pieno valore dell’AI agentica, che risiede nella capacità degli agenti di eseguire interi flussi di lavoro con input umano limitato: coordinare compiti complessi, prendere decisioni indipendenti, adattarsi a condizioni mutevoli e iterare le prestazioni.

Nei primi banchi di prova in customer service, HR e vendite, si stima che gli AI agenti possano accelerare i processi aziendali dal 30% al 50% e ridurre il tempo dedicato a lavoro a basso valore dal 25% al 40%, se distribuiti su larga scala. Ma con questa capacità arriva una maggiore complessità e la necessità di un cambiamento a livello aziendale.

Il nuovo vocabolario: agentic business transformation

La piattaforma enterprise Ema, in partnership con HFS Research, ha coniato il termine “agentic business transformation” (ABT) per colmare quella che vede come una lacuna nel lessico esistente. “Nessun termine attuale cattura la portata del cambiamento”, spiega Surojit Chatterjee, CEO e fondatore di Ema. “La trasformazione digitale era il passaggio dalla carta al software. La trasformazione AI era aggiungere AI ai processi esistenti. I co-pilot riguardano l’assistenza AI nei compiti umani. L’ABT è qualcosa di categoricamente diverso: l’integrazione degli AI agenti nel tessuto dell’organizzazione”.

Per Shah, il termine dedicato “aiuta a guidare la necessità di riprogettare un’organizzazione nella sua interezza: modello operativo, flussi di lavoro, diritti decisionali e sistemi di performance management”. Secondo Ema, l’ABT si basa su tre pilastri fondamentali: stack tecnologico, forza lavoro e metriche di successo.

Pilastro 1: lo stack tecnologico come tessuto connettivo

“Il vostro stack tecnologico attuale è stato progettato per flussi di lavoro incentrati sulle applicazioni e gestiti da umani”, dice Chatterjee. “Va ripensato quando l’attore è un AI agente che opera a velocità macchina attraverso più sistemi simultaneamente”.

Shah spiega che il valore degli AI agenti non sta nell’essere un altro livello nello stack, ma nel diventare un “tessuto connettivo” che si muove tra i livelli per coordinare compiti di alto livello o recuperare e interpretare dati da applicazioni discrete multiple. “Le organizzazioni che fanno questo cambiamento architetturale diventano genuinamente più adattive”, aggiunge Chatterjee. “Quando emerge un nuovo requisito di business, non si aspetta sei mesi che un fornitore di software sviluppi una funzione. Si configura un impiegato AI usando linguaggio naturale e lo si connette ai sistemi necessari. Il tempo dal business al workflow di produzione passa da mesi a giorni”.

Pilastro 2: la forza lavoro ridisegnata

Man mano che gli AI agenti vengono distribuiti per più casi d’uso, i leader devono considerare cosa significhi per le dinamiche della forza lavoro. Le strutture attuali si discostano poco dal modello gerarchico dei primi giorni dell’industrializzazione. Ma con AI agenti che possono eseguire, coordinare e ottimizzare compiti, spesso senza coordinamento manageriale, i confini della gerarchia si sfumano.

In una forza lavoro mista, i manager saranno liberati da molti compiti esecutivi, ma dovranno assumere nuove responsabilità legate alla gestione di team ibridi. Shah sottolinea che “dovranno essere in grado di gestire problemi di fiducia, spiegabilità, sicurezza psicologica e persino dinamiche di status”. McKinsey prevede che entro il 2030 tre quarti dei lavori attuali richiederanno riprogettazione, upskilling o ricollocazione.

Pilastro 3: metriche basate su outcome, non output

Con gli AI agenti che assumono una maggiore proprietà dei processi core, le metriche tradizionali focalizzate sull’attività (come chiamate gestite o report compilati) non hanno più senso. “Un impiegato AI può gestire mille interazioni con i clienti nel tempo in cui un umano ne gestisce dieci”, dice Chatterjee. “Se misurate il successo dalle interazioni gestite, concluderete che l’AI funziona alla grande, mentre vi sfugge se quelle interazioni hanno effettivamente aumentato la soddisfazione, la fidelizzazione o il fatturato”.

Un grande cliente enterprise di Ema, dopo aver sostituito metriche come costo per query e accuratezza dell’AI con outcome come la percentuale di contratti revisionati senza escalation umana, ha triplicato il ROI dall’AI agentica in due trimestri. Integrare nuove metriche richiederà anche una riconfigurazione dei processi di ricompensa, talent management e accountability. In team umano-AI, la responsabilità etica e fiduciaria rimarrà probabilmente agli umani, ma l’accountability operativa diventerà più diffusa, sollevando nuove domande per i vertici aziendali su chi sia responsabile quando un agente AI commette un errore.