L'ambizione degli agenti AI e la realtà operativa

L'integrazione degli agenti AI nelle operazioni aziendali sta diventando una priorità per molte imprese, ma il percorso è tutt'altro che lineare. Nonostante l'85% delle organizzazioni dichiari di voler adottare un approccio "agentico" entro i prossimi tre anni, una quota significativa, il 76%, ammette che le proprie attuali operazioni e infrastrutture non sono pronte a supportare tale cambiamento. Questa discrepanza evidenzia una mancanza di preparazione che attraversa persone, processi e flussi di lavoro, creando un ostacolo tangibile alla piena realizzazione del potenziale dell'intelligenza artificiale.

Il problema principale, come sottolinea Prasun Shah, CTO globale per la consulenza sulla forza lavoro e Chief AI Officer di PwC UK Consulting, risiede nell'approccio adottato. Molte aziende tendono a sovrapporre gli agenti AI alle operazioni esistenti, anziché ripensare il modello operativo e la riorganizzazione del lavoro. Questo equivale a "aggiungere nastro adesivo a parti di un modello operativo che sta cedendo", un approccio che impedisce di cogliere il valore intrinseco degli agenti AI, ovvero la loro capacità di eseguire interi flussi di lavoro con un input umano limitato.

La Trasformazione Aziendale Agentica: un nuovo Framework

Per affrontare questa sfida, la piattaforma di AI agentica Ema, in collaborazione con HFS Research, ha coniato il termine "Agentic Business Transformation" (ABT). Questo nuovo framework mira a colmare una lacuna nel lessico esistente sull'AI, offrendo alle imprese un modello concettuale per guidare l'adozione della tecnicia. Surojit Chatterjee, CEO e fondatore di Ema, spiega che mentre la trasformazione digitale riguardava il passaggio dalla carta al software e l'AI transformation l'aggiunta di intelligenza artificiale ai processi esistenti, l'ABT rappresenta qualcosa di categoricamente diverso: l'integrazione degli agenti AI nel tessuto stesso dell'organizzazione.

L'ABT si fonda su tre pilastri fondamentali: lo stack tecnicico dell'organizzazione, la sua forza lavoro e le metriche utilizzate per misurare il successo. Secondo Shah, un termine dedicato come ABT "aiuta a sottolineare la necessità di ridisegnare un'organizzazione nella sua interezza: il suo modello operativo, i suoi flussi di lavoro, i diritti decisionali e i sistemi di gestione delle prestazioni". L'obiettivo è garantire che gli agenti siano partecipanti attivi nella creazione di valore, non semplici strumenti puntuali o ausili per la produttività.

Ridisegnare lo stack tecnicico e la forza lavoro

Il primo pilastro dell'ABT richiede una profonda revisione dello stack tecnicico. Le architetture esistenti sono state progettate per flussi di lavoro gestiti da esseri umani e incentrati sulle applicazioni. Con gli agenti AI che operano a velocità macchina su più sistemi contemporaneamente, è necessario un ripensamento. Gli agenti AI non devono essere un altro strato in uno stack tecnicico esistente, ma piuttosto un "tessuto connettivo" capace di muoversi tra o attraverso gli strati per coordinare compiti complessi, recuperare e interpretare dati da diverse applicazioni discrete. Questa capacità di contestualizzazione può generare un vantaggio competitivo significativo. Per chi valuta deployment on-premise, ciò implica una rivalutazione delle infrastrutture esistenti, potenzialmente richiedendo investimenti in hardware specifico per l'inference e l'integrazione con sistemi legacy, per garantire la sovranità dei dati e un controllo granulare.

Il secondo pilastro riguarda la forza lavoro. Le strutture gerarchiche tradizionali, retaggio dell'era industriale, si scontrano con la capacità degli agenti AI di eseguire, coordinare e ottimizzare compiti senza una supervisione manageriale costante. I manager dovranno assumere nuove responsabilità, gestendo team ibridi e affrontando questioni di fiducia, spiegabilità e sicurezza psicologica. McKinsey prevede che entro il 2030, tre quarti degli attuali posti di lavoro richiederanno una riprogettazione, un upskilling o un riposizionamento, rendendo urgenti interventi su reclutamento, retention e remunerazione.

Dal focus sull'output a quello sull'outcome

Il terzo e ultimo pilastro dell'ABT è la ridefinizione delle metriche di successo. Con gli agenti AI che assumono una maggiore responsabilità nei processi aziendali, le metriche tradizionali basate sull'attività o sull'output (come il numero di chiamate gestite o di report archiviati) perdono di significato. Chatterjee spiega che un agente AI può gestire migliaia di interazioni con i clienti nel tempo in cui un umano ne gestisce dieci; misurare il successo solo in base alle interazioni potrebbe portare a conclusioni fuorvianti, ignorando l'impatto reale sulla soddisfazione del cliente o sui ricavi.

Le imprese devono quindi sviluppare nuove metriche che si concentrino sui risultati (outcome) piuttosto che sui semplici output. Ad esempio, un cliente di Ema ha triplicato il ROI dall'AI agentica in due trimestri passando da metriche basate sul costo per query a quelle incentrate sulla percentuale di contratti esaminati senza intervento umano. Questa transizione richiede anche una riconfigurazione dei processi di ricompensa e gestione dei talenti, nonché una chiara definizione delle responsabilità. Sebbene le responsabilità etiche e fiduciarie rimarranno probabilmente in capo agli esseri umani, la responsabilità operativa diventerà più diffusa, sollevando nuove domande per i team di leadership riguardo alla gestione degli errori degli agenti AI e alla definizione di salvaguardie per i clienti.