Cos'è un agente AI? Differenze con chatbot e workflow

Cos'è un agente AI? È un software che riceve un obiettivo, sceglie da solo i passi da compiere, usa degli strumenti per eseguirli e controlla il risultato prima di fermarsi. Questa è la definizione completa. Se un sistema si limita a rispondere a un prompt, è un chatbot. Se segue uno script fisso, è un workflow. Se decide il passo successivo e poi lo esegue, è un agente. Ecco come distinguerli in uno stack operativo e quando ciascuno merita il suo posto.

Cos'è un agente AI, in un solo ciclo?

Briefing, 30 secondi. Un agente gira in un ciclo: legge la situazione, decide la prossima azione, chiama uno strumento, legge l'output e ripete finché l'obiettivo non è raggiunto o scatta un limite.

L'explainer di Zapier lo descrive come un software che agisce in autonomia per perseguire un obiettivo. Raccoglie informazioni dall'ambiente, decide cosa fare e agisce. In un agente basato su un modello linguistico di grandi dimensioni (LLM), il modello prende le decisioni e gli strumenti sono le mani: una ricerca web, una ricerca nel CRM (il sistema di gestione dei clienti), la scrittura di un file, un messaggio su Slack.

Tre elementi contano davvero.

• Il modello. Legge il contesto e sceglie il passo successivo.

• Gli strumenti. Ognuno è una capacità stretta, con input e output chiari: "cerca questo account nel CRM", "crea una issue in Linear", "invia la bozza su questo canale".

• La regola di stop. Un controllo sull'obiettivo, un tetto alle iterazioni o un'approvazione umana. Senza regola di stop, niente uso in produzione.

Se ne togli uno, non hai più un agente. Un modello senza strumenti è un chatbot. Strumenti senza un modello che decide sono uno script. Un ciclo senza regola di stop è un incidente che aspetta il lunedì mattina.

Agente, chatbot, workflow: dove passa la linea?

Buona parte della confusione nasce dal fatto che i vendor chiamano agente qualsiasi cosa. La divisione più pulita arriva dal team di ingegneria di Anthropic, in Building effective agents. I workflow sono "sistemi in cui LLM e strumenti sono orchestrati tramite percorsi di codice predefiniti". Gli agenti sono "sistemi in cui gli LLM dirigono dinamicamente i propri processi e l'uso degli strumenti".

Tradotto per un ops lead:

• Chatbot. Decidi tu ogni passo successivo. Errore tipico: una risposta sbagliata o vaga. Va bene per bozze, domande e risposte e riassunti.

• Workflow. Decide il tuo progetto, fissato in anticipo. Errore tipico: si rompe quando cambia la forma dell'input. Va bene per lavori ripetibili con passi noti.

• Agente. Decide il modello a runtime. Errore tipico: un'azione sbagliata su un sistema in produzione. Va bene per lavori aperti in cui non sai quanti passi serviranno.

Gli errori vanno letti due volte. Un chatbot sbagliato ti costa un minuto di rilettura. Un agente sbagliato può inviare la lista contatti sbagliata o sovrascrivere un campo del CRM. L'autonomia sposta il rischio dalla risposta all'azione.

La maggior parte degli "agenti" venduti ai team ops nel 2026 sono workflow con un modello dentro uno o due passaggi. Va bene. Spesso è il prodotto migliore. Solo, va prezzato e testato come workflow, non come un collega autonomo.

Come funzionano davvero gli agenti AI?

Tolto il marketing, il ciclo di un agente ha cinque mosse.

1. Ricevere l'obiettivo. "Prepara il brief del rinnovo per Acme prima della call di giovedì."

2. Pianificare. Il modello scompone l'obiettivo in passi. Gli agenti validi ripianificano quando un passo fallisce.

3. Agire. Il modello chiama uno strumento con argomenti strutturati.

4. Osservare. L'output dello strumento torna nel contesto del modello.

5. Decidere. Obiettivo raggiunto, si continua, oppure ci si ferma e si chiede a un umano.

I passi 3, 4 e 5 si ripetono. Ogni giro costa token e secondi. Le linee guida di Anthropic dicono che i sistemi agentici spesso "scambiano latenza e costo con prestazioni migliori", e conviene tenere questa frase sulla scrivania. Un prompt singolo con il contesto giusto risponde a molte domande ops in due secondi e per una frazione di centesimo. Un agente può impiegare due minuti e venti chiamate a strumenti per arrivare alla stessa risposta.

Una riga sulla memoria. Gli agenti tengono una memoria a breve termine nella finestra di contesto e, in alcuni prodotti, un archivio più lungo di fatti su account o preferenze. La memoria lunga è utile, ma è anche il posto dove finiscono dati vecchi o sbagliati. Controlla cosa ricorda il tuo agente come controlleresti un campo del CRM: qualcuno ne è responsabile, qualcuno lo verifica.

Quali tipi di agenti esistono, e quali contano per le ops?

I manuali elencano agenti a riflesso semplice, basati su modello, orientati all'obiettivo, basati sull'utilità e capaci di apprendere. Queste etichette servono agli esami. Per un team ops, tre categorie pratiche coprono quasi tutto quello che comprerai o costruirai.

Agenti LLM che usano strumenti. Il modello chiama API: CRM, calendario, ticketing, email. È la maggior parte degli agenti ops utili. Affidabili perché le azioni sono strutturate e registrabili.

Agenti computer-use. Il modello opera su uno schermo, clicca e scrive attraverso l'interfaccia come farebbe una persona. Utili quando uno strumento non ha API. Più lenti e fragili, perché un cambio di layout può rompere un'esecuzione. Trattali come ultima risorsa.

Sistemi multi-agente. Un orchestratore assegna sotto-compiti ad agenti specialisti. In demo sembra impressionante. In produzione ogni agente in più moltiplica la superficie di log e di debug. Aspetta finché un singolo agente con buoni strumenti non ha chiaramente toccato un limite.

Cosa fa un agente AI in un team GTM o CS?

Nei team go-to-market (GTM) e di customer success (CS) gli esempi che reggono hanno un profilo comune: obiettivo chiaro, pochi strumenti, e un umano che verifica l'output in meno di un minuto.

• Ricerca sull'account prima di una call. Recupera il record CRM, le email recenti, le notizie pubbliche e i ticket aperti, poi restituisce un brief di una pagina. Lo legge un umano. Non si invia nulla.

• Smistamento dei lead in entrata. Legge un nuovo lead o ticket, lo classifica, aggiunge contesto e lo instrada alla coda giusta. L'agente propone; una regola decide se può agire da solo sulle classi a basso rischio.

• Follow-up delle riunioni. Trasforma una trascrizione in aggiornamenti CRM e in una bozza di recap, messa in coda per approvazione.

• Pulizia dei dati. Segnala account duplicati, campi mancanti e owner non aggiornati, e apre un task per ogni lotto.

Nota cosa manca: niente che invii denaro, cancelli record o scriva ai clienti senza revisione. Non è timidezza. È la differenza tra un agente che tieni e uno che spegni dopo una settimana storta.

Il tempo risparmiato dipende dal tuo volume e dal tuo punto di partenza, quindi misuralo nel tuo contesto. Cronometra dieci esecuzioni manuali del compito, poi dieci esecuzioni assistite dall'agente, revisione inclusa, e confronta. Se la revisione mangia il guadagno, il compito non ha ancora la forma giusta per un agente.

Quando conviene saltare l'agente?

Il consiglio di Anthropic è netto: "trova la soluzione più semplice possibile, e aumenta la complessità solo quando serve". Per molti lavori, "ottimizzare le singole chiamate LLM con retrieval ed esempi nel contesto di solito basta".

Salta l'agente quando:

• I passi sono noti. Se sai scrivere il processo come una lista numerata, costruisci un workflow. Costa meno, è più veloce e più facile da debuggare.

• Il lavoro è una sola trasformazione. Riassumi questo, riscrivi quello, estrai questi campi. Un prompt basta.

• Un'azione sbagliata costa caro. Modifiche di fatturazione, contratti, email di massa. Tieni un umano sul grilletto.

• Non puoi verificare l'output. Se nessuno riesce a controllare il risultato in fretta, hai creato un problema di fiducia, non un risparmio di tempo.

Qui i comandi slash si guadagnano il posto. Un comando come /research più il nome di un account esegue sempre lo stesso prompt, con lo stesso contesto. Una catena di tre comandi, /research, poi /summarize, poi /draft-email, copre gran parte di quello che si chiama lavoro "agentico", con un umano che preme invio tra un passo e l'altro. CommanderGPT è costruito su questo schema: comandi salvati, un Workflow Builder per concatenarli e Team Playbook per condividerli. Il limite è reale però. Una catena di comandi non ripianifica quando il passo due restituisce qualcosa di inatteso. Un agente sì. Scegli in base a quanta variazione hanno i tuoi input.

Quali strumenti danno oggi un comportamento da agente?

I nomi cambiano ogni trimestre, quindi giudica dallo schema, non dal logo. Cerchi un modello capace di chiamare strumenti, un modo per vedere ogni passo che ha fatto e un modo per fermarlo.

Claude è il modello che molti team mettono dietro agenti con chiamate a strumenti, grazie alla buona aderenza alle istruzioni e al contesto lungo. Funziona come interfaccia di chat e come motore di agenti via API.

ChatGPT resta il default per diffusione. I GPT personalizzati e gli strumenti integrati coprono un comportamento da agente leggero per i singoli. La condivisione tra tutto il team dei playbook testati è dove sentirai più attrito.

Lindy è un builder no-code per agenti di compito collegati a email, calendario e CRM. Adatto quando il lavoro è chiaro e vuoi andare in produzione in un pomeriggio. Leggi il log delle azioni prima di affidargli messaggi in uscita.

Raycast mette l'AI dietro una palette di comandi, ed è perfetta per compiti rapidi e singoli sulla tua macchina. È più vicina a un livello di comandi che a un agente autonomo, ed è spesso quello che serve a un contributor individuale.

Cosa controllare prima che un agente tocchi dati reali?

Esegui questa lista prima di dare a un agente il permesso di scrittura. Richiede trenta minuti e previene la maggior parte delle settimane storte.

1. Parti in sola lettura. Lascia che l'agente cerchi e prepari bozze per due settimane prima di scrivere da qualche parte.

2. Limita il ciclo. Imposta un numero massimo di iterazioni e una spesa massima per esecuzione. Anthropic raccomanda condizioni di stop "come un numero massimo di iterazioni".

3. Registra ogni chiamata a strumento. Ti servono input, output e timestamp. Se uno strumento non si può registrare, non darlo a un agente.

4. Blocca ciò che è irreversibile. Invii, cancellazioni, pagamenti e cambi di permessi richiedono il clic di approvazione di un umano.

5. Testa in un sandbox. Usa una copia del CRM o un workspace di prova, con il disordine reale dentro.

6. Traccia due numeri. Con quale frequenza un'esecuzione si completa senza aiuto, e con quale frequenza un umano corregge l'output. Entrambi cambieranno quando cambieranno i dati.

7. Nomina un responsabile. Una persona rivede i log ogni settimana. Un agente senza responsabile va alla deriva.

Il tuo prossimo comando

Scegli un compito che il tuo team ripete almeno dieci volte a settimana e il cui output si controlla in meno di un minuto. La ricerca sull'account è di solito la vincitrice. Scrivila prima come comando salvato. Eseguilo per due settimane. Se gli input variano così tanto che il comando continua a rompersi, quello è il segnale che il lavoro potrebbe avere la forma di un agente. Se gira pulito ogni volta, ti sei appena risparmiato una bolletta da agente e un'abitudine di debug.

Poi decidi con i dati delle tue esecuzioni. Adotta un playbook, cronometra le run, leggi i log. Missione compiuta.