È stato pubblicato studio “One year of agentic AI: Six lessons from the people doing the work” a cura di McKinsey & Company, che approfondisce sei strategie che possono consentire alle aziende di cogliere con successo il valore dell’intelligenza artificiale agentica (Agentic AI).
Di seguito condividiamo le principali evidenze emerse dal report.
Buona lettura!
One year of agentic AI: Six lessons from the people doing the work
Una trasformazione aziendale basata sull’Agentic AI promette livelli di produttività senza precedenti; mentre alcune aziende stanno già ottenendo i primi successi grazie a queste iniziative, molte altre faticano a trarre valore concreto dai propri investimenti.
Per comprenderne appieno il potenziale, McKinsey ha analizzato oltre 50 progetti di intelligenza artificiale agentica guidati da McKinsey, insieme a decine di altri casi presenti sul mercato.
Da questa analisi sono state sintetizzate sei strategie chiave che possono consentire alle aziende di cogliere con successo il valore dell’Agentic AI.
1. Focus sul flusso di lavoro
Per ottenere valore concreto dall’Agentic AI, è necessario ripensare i flussi di lavoro. Spesso le organizzazioni si concentrano maggiormente sull’agente o sullo strumento agentico in sé, e questo porta inevitabilmente a sviluppare agenti dall’aspetto sofisticato, che però non contribuiscono a migliorare il processo complessivo, generando un valore inferiore alle aspettative.
Per generare valore reale è importante indagare come gli agenti possano contribuire in ciascuno dei passaggi che compongono i flussi di lavoro. I professionisti continueranno a ricoprire un ruolo centrale nello svolgimento delle attività, ma saranno supportati da nuovi agenti, strumenti e automazioni.
Un punto di partenza fondamentale nella riprogettazione dei flussi di lavoro è la mappatura dei processi, al fine di favorire una collaborazione efficace tra agenti e persone, consentendo di raggiungere gli obiettivi aziendali in modo più efficiente. Tale collaborazione può avvenire ad esempio attraverso cicli di apprendimento e meccanismi di feedback.
2. Non sempre l’agentic AI rappresenta la soluzione più efficace
Gli agenti di intelligenza artificiale possono fare molto, ma non necessariamente devono essere utilizzati per qualsiasi attività.
Per evitare investimenti poco incisivi o una complessità eccessiva, i leader aziendali possono valutare attentamente le esigenze specifiche dell’attività per definire quali parti del lavoro siano più adatte a essere svolte da un agente.
Molte sfide aziendali possono infatti essere affrontate con approcci di automazione differenti e più semplici, come sistemi basati su regole, analisi predittiva o l’uso mirato di modelli linguistici di grandi dimensioni (LLM), che in molti casi risultano più efficaci – specialmente nelle fasi iniziali – rispetto agli agenti.
3. Fermare la “AI slop”: investire nella valutazione e costruire fiducia con gli utenti
Uno degli errori più frequenti quando si implementano sistemi di Agentic AI è creare soluzioni che appaiono straordinarie nelle demo, ma che nell’utilizzo non sono efficaci. In questi casi, diminuisce la fiducia degli utenti, che riscontrano risultati imprecisi o di bassa qualità (la cosiddetta AI slop).
Le aziende dovranno quindi investire nello sviluppo degli agenti, per dare loro ruoli chiari, un percorso di inserimento ben definito e un feedback costante, così da consentire un miglioramento progressivo.
4. Agevolare il monitoraggio e la verifica di ogni fase
Quando si lavora con pochi agenti di intelligenza artificiale, controllarne il lavoro e individuare gli errori è relativamente semplice. Ma quando le aziende iniziano a utilizzarne centinaia o migliaia, il compito diventa più complesso. Per facilitare, molte organizzazioni si concentrano solo sui risultati finali; tuttavia, questo approccio – man mano che gli agenti vengono scalati – non consente di individuare e risolvere l’origine del problema sorto.
Le prestazioni degli agenti dovrebbero invece essere verificate in ogni fase del flusso di lavoro. Integrare strumenti di monitoraggio e valutazione nel processo consente ai team di individuare in anticipo gli errori, perfezionare il sistema e migliorare continuamente le prestazioni, anche dopo l’implementazione degli agenti.
5. Il miglior caso d’uso è il riuso
Nella corsa verso l’adozione dell’Agentic AI, molte aziende tendono a creare un agente specifico per ogni singolo compito individuato. Questo approccio, però, può generare ridondanze e sprechi significativi, perché spesso lo stesso agente può svolgere attività diverse che condividono molte azioni di base — come acquisire, estrarre, cercare o analizzare informazioni.
È quindi importante per le aziende identificare le attività ricorrenti, con l’obiettivo di sviluppare agenti applicabili in diversi flussi di lavoro, semplificando l’accesso da parte degli sviluppatori.
6. I professionisti resteranno essenziali
Gli agenti hanno il potenziale di contribuire notevolmente ai flussi di lavoro, ma le persone rimarranno una componente imprescindibile dell’equazione lavorativa. I professionisti saranno necessari per supervisionare l’accuratezza dei modelli, garantire la conformità alle norme, esercitare giudizio e gestire i casi limite. Inoltre, come evidenziato dallo studio di McKinsey, gli agenti non rappresentano sempre la soluzione migliore: sono infatti necessari professionisti che lavorano con altri strumenti, come modelli di machine learning o sistemi analitici tradizionali. In questo contesto, le aziende saranno chiamate a ripensare l’organizzazione del lavoro, affinché persone e agenti possano collaborare in modo efficace.
