L’adozione dell’intelligenza artificiale nelle imprese italiane sta uscendo dalla fase esplorativa, dai Proof-of-Concept e dalle sperimentazioni a macchia di leopardo, ma non è ancora un fenomeno diffuso in modo omogeneo.
Secondo Istat, nel 2025 usa almeno una tecnologia di AI il 16,4% delle imprese con almeno 10 addetti, contro l’8,2% che lo faceva nel 2024. Tra le grandi imprese la quota sale al 53,1%, mentre tra le PMI si ferma al 15,7%.
In questo contesto, gli agenti AI rappresentano il next step, il passaggio successivo. Non più soltanto sistemi che generano testi o sintesi, ma software capaci di ragionare, pianificare e agire su basi dati, documenti e applicazioni aziendali.
Indice degli argomenti
Il gap tra sperimentazione e adozione su larga scala
La distanza tra sperimentazione e uso industriale, però, resta ampia. Sempre Istat segnala che l’83,6% delle imprese italiane non adotta ancora alcuna tecnologia di AI e che l’uso esclusivo di AI generativa è residuale, pari all’1,7%. Anche per questo la questione non è tanto “se” gli agenti arriveranno nei processi, ma con quali confini operativi, con quale qualità del dato. e sotto quale responsabilità organizzativa.
Questa tabella riassume alcuni numeri che aiutano a capire il punto di partenza del mercato.
Dove gli agenti AI possono creare valore
I casi d’uso più credibili non sono quelli in cui l’agente “fa tutto”, ma quelli in cui prende in carico una sequenza ben delimitata di attività.
Istat rileva che tra le imprese italiane che già usano AI prevalgono l’estrazione di conoscenza da documenti di testo, la GenAI e il riconoscimento vocale. Inoltre, cresce l’automazione dei flussi di lavoro.
Su scala europea, tra le imprese che usano AI i principali impieghi sono marketing e vendite e processi amministrativi e gestionali, mentre nelle grandi imprese pesa di più anche l’uso per la sicurezza ICT. È qui che gli agenti trovano terreno fertile: customer care assistito, supporto alle vendite, gestione documentale, procurement, help desk interno, triage dei ticket, knowledge management e controllo di passaggi ripetitivi del back office.
Agenti AI nelle imprese italiane: gli obiettivi di Poste Italiane, Snam e Intesa Sanpaolo
Alcuni segnali arrivano già da grandi gruppi italiani. Poste Italiane, nella Relazione finanziaria annuale 2025, descrive un framework di Agentic AI orientato al passaggio da modelli passivi ad agenti autonomi capaci di ragionare, pianificare e agire in modo proattivo, insieme a un Corporate Knowledge Digital Twin per valorizzare la conoscenza interna.
Snam, nel Piano strategico 2026-2030 presentato ad aprile 2026, indica la diffusione su larga scala di agenti di AI generativa per aumentare la produttività nelle funzioni corporate.
Intesa Sanpaolo, nel lavoro del suo Look4ward (Osservatorio sull’evoluzione delle competenze), collega invece l’adozione a un modello esplicitamente Human-in-the-Loop e a oltre 150 applicazioni AI e GenAI previste entro il 2025.
La lezione, osservando questi casi, è abbastanza chiara: gli agenti funzionano meglio quando vengono inseriti in processi con regole, dati, eccezioni e metriche già note. È un punto che si ricava anche dai dati Eurostat: le imprese usano l’AI soprattutto dove esistono volumi elevati, attività ripetitive e basi informative strutturate. Quando mancano competenze o chiarezza normativa, l’adozione si ferma. In pratica, il primo criterio di scelta non dovrebbe essere l’effetto dimostrativo, ma la combinazione fra frequenza del task, costo dell’errore e possibilità di supervisione umana.
Governance, sicurezza e limiti operativi
Per le imprese italiane la partita non si gioca solo sul ROI. Dal 2 febbraio 2025 sono applicabili nell’AI Act la definizione di sistema AI, le disposizioni sull’AI literacy e i divieti sulle pratiche proibite. Dal 2 agosto 2025 sono diventate applicabili anche le regole di governance e gli obblighi per i modelli di AI di uso generale.
Per chi introduce agenti nei processi aziendali questo significa almeno tre cose:
- Sapere quali modelli e quali dati entrano in gioco
- Stabilire chi approva i casi d’uso
- Distinguere con precisione tra attività consentite, ad alto rischio o non ammissibili.
Tra le pratiche vietate il Service Desk europeo sull’AI Act richiama anche l’emotion recognition nei luoghi di lavoro.
Gli errori di sicurezza più comuni
Sul fronte della sicurezza, l’errore più comune è trattare l’agente come una semplice interfaccia conversazionale. I materiali pubblicati dall’EDPB (European Data Protection Board) nel 2025 insistono, invece, su una gestione del rischio che copra l’intero ciclo di vita dei sistemi LLM, dai flussi di dati prima della messa in produzione fino a monitoraggio, auditing, sandboxing e test di sicurezza. In parallelo, l’OWASP (Open Worldwide Application Security Project) Top 10 for LLM Applications 2025 segnala tra i rischi centrali da monitorare Prompt Injection, Sensitive Information Disclosure (diffusione di informazioni sensibili) ed Excessive Agency (autonomia eccessiva), la vulnerabilità che consente l’esecuzione di azioni dannose in risposta a output inaspettati o ambigui generati dal modello LLM.
Il nodo della privacy
Anche la privacy resta un punto sensibile. Nel 2025 il caso Replika richiamato dall’EDPB ha riportato al centro principi come base giuridica, trasparenza, accountability e privacy by design e by default. Per un’impresa che collega un agente a CRM, documenti HR, sistemi ticketing o caselle e-mail, questo significa presidiare minimizzazione del dato, segregazione degli accessi, tempi di conservazione, istruzioni ai fornitori e tracciabilità delle operazioni effettuate dal sistema.
I limiti operativi, poi, non sono marginali. Un agente può sbagliare per allucinazione, recuperare documenti errati, interpretare male un’eccezione di processo o propagare un errore a valle se è collegato a più strumenti.
Più aumenta l’autonomia, più diventa importante progettare guardrail, test su casi reali, fallback verso operatori umani e indicatori che misurino non solo la produttività, ma anche errori, escalation e impatti di compliance.
Anche questo passaggio deriva direttamente dall’idea, presente nelle fonti EDPB e OWASP, che la sicurezza dell’AI non coincida con la sicurezza del modello in sé, ma con quella dell’intera applicazione e dei suoi collegamenti.
Processi e competenze: il vero banco di prova
I numeri europei aiutano a leggere bene il problema: tra le imprese che hanno valutato l’AI ma non la usano, il primo ostacolo è la mancanza di competenze rilevanti, seguito dall’incertezza sulle conseguenze legali e dai timori su privacy e protezione dei dati. È un messaggio che vale ancora di più per gli agenti, perché qui la tecnologia smette di assistere e comincia a incidere sull’esecuzione del lavoro. L’adozione, quindi, non è un progetto IT isolato: richiede ownership di processo, competenze di dominio, presidio legale, sicurezza, procurement e formazione degli utenti.
Sul piano organizzativo, il cambiamento è già visibile. Il Work Trend Index 2025 di Microsoft segnala che l’81% dei leader a livello globale si aspetta un’integrazione almeno moderata degli agenti nella strategia AI nei prossimi 12-18 mesi. In Italia, la versione nazionale del report mostra leader più familiari con gli agenti dei dipendenti. Allo stesso tempo, la ricerca Look4ward di Intesa Sanpaolo e Luiss, basata su un campione di oltre 800 imprese, lega il valore dell’AI alla capacità di ripensare processi, ruoli e competenze e registra già un miglioramento dell’efficienza operativa per il 43% delle imprese coinvolte.
Agenti AI e chatbot
Qui emerge un passaggio decisivo per le imprese italiane: con gli agenti non basta formare qualche “super utente” di GenAI. Servono persone capaci di definire obiettivi, verificare output, gestire eccezioni, capire dove finisce l’automazione e dove deve riprendere la responsabilità umana.
L’AI literacy richiesta dall’AI Act va letta anche così, non come un adempimento formale, ma come la soglia minima per evitare che uno strumento pensato per velocizzare i processi finisca per renderli più opachi, più fragili o più difficili da governare.
Il punto, in definitiva, è che gli agenti AI possono portare valore reale alle imprese italiane, ma solo se vengono trattati come una scelta di ridisegno operativo e non come un’estensione del chatbot aziendale.
I dati mostrano un mercato che accelera, ma ancora poco penetrato in cui le fonti regolatorie e tecniche indicano già con chiarezza dove si concentrano i rischi. Chi saprà muoversi meglio sarà chi partirà da processi circoscritti, dati affidabili, responsabilità chiare e supervisione umana continua, invece di inseguire l’autonomia come obiettivo in sé.
