Il contesto italiano dell’intelligenza artificiale agentica
Nel 2025 il mercato italiano dell’intelligenza artificiale ha raggiunto i 1,8 miliardi di euro, registrando una crescita del 50 % rispetto all’anno precedente. L’Osservatorio Artificial Intelligence del Politecnico di Milano segnala che il 71 % delle grandi imprese ha avviato almeno un progetto di AI, mentre tra le piccole e medie aziende la quota si ferma all’8 %. Quei dati riguardano l’intero spettro dell’AI e non distinguono specificamente le architetture agentiche, ma forniscono un’indicazione della diffusione di tecnologie avanzate in Italia.
L’AI agentica si differenzia dai tradizionali chatbot perché, oltre a rispondere a richieste, può organizzare attività successive, interagire con sistemi gestionali, utilizzare strumenti esterni e operare entro vincoli di autorizzazione predefiniti. In pratica, l’agente agisce come un “coordinatore autonomo” che raccoglie informazioni, le elabora e produce output destinati a operatori umani.
Caratteristiche dei processi adatti all’automazione agentica
- Elevata ripetitività e presenza di regole verificabili.
- Documenti e dati digitalizzati, accessibili da sistemi informativi.
- Necessità di combinare più fonti informative (es. perizie, email, contratti).
- Fasi di verifica che richiedono competenze professionali, ma che possono essere supportate da sintesi automatizzate.
Queste caratteristiche sono comuni a settori come assicurazioni, finanziaria, IT e vendite, dove la gestione di grandi volumi di documenti è la norma.
Generali – Claims Buddy per la gestione dei sinistri
Generali, in collaborazione con Data Reply, ha lanciato “Claims Buddy”, una piattaforma basata su agenti AI dedicati all’analisi documentale dei sinistri. Il sistema compie tre funzioni principali:
- Classificazione automatica dei documenti (perizie, certificati medici, comunicazioni).
- Estrazione di dati chiave mediante modelli di linguaggio avanzati.
- Controlli incrociati eseguiti da agenti specializzati per verificare coerenza e completezza.
I risultati, presentati alla Use Case Session 2026 del Politecnico di Milano, mostrano prestazioni superiori al 90 % nei test interni. Tuttavia, la documentazione non specifica la metrica esatta (precisione, recall o F1), il campione di valutazione né le condizioni sperimentali, perciò il dato non può essere interpretato come un tasso di accuratezza generale.
Il valore principale di Claims Buddy è la riduzione delle operazioni di ricerca e confronto manuale, lasciando al liquidatore la decisione finale. La supervisione umana è mantenuta in tutti i casi in cui l’agente segnala incongruenze o richiede verifiche aggiuntive.
Grenke Italia – Orchestrazione dei contratti con Expert.ai
Grenke Italia ha affrontato la complessità della gestione dei documenti contrattuali nel noleggio operativo mediante una soluzione sviluppata con Expert.ai. L’architettura si basa su “Eflow”, un livello di orchestrazione che coordina agenti e regole aziendali secondo un approccio neuro‑simbolico.
Le principali funzionalità includono:
- Analisi di contratti, email e allegati.
- Esecuzione di circa quaranta controlli procedurali (es. scadenze, clausole obbligatorie, coerenza dei dati).
- Segnalazione automatica di pratiche “pronte per la firma” e di quelle che richiedono revisione umana.
Secondo la testimonianza riportata da AI4Business, i tempi di gestione delle pratiche sono diminuiti del 90 % rispetto al processo pre‑AI. È importante notare che il risultato si riferisce al caso di studio specifico e non è generalizzabile a tutti i contratti gestiti da Grenke.
Architettura multi‑agente
L’approccio multi‑agente prevede un agente di estrazione, un agente di verifica delle regole e un agente di presentazione dei risultati. Questa suddivisione consente di inserire checkpoint di controllo, ma introduce anche costi aggiuntivi di integrazione e gestione delle comunicazioni tra agenti.
Unipol – IBM NAMI per l’automazione IT
Unipol ha implementato IBM NAMI, una piattaforma di automazione delle operazioni informatiche che integra componenti agentiche di Watson x. La soluzione combina monitoraggio in tempo reale, analisi degli eventi e orchestrazione di azioni correttive.
Metriche chiave riportate nel case study IBM:
- Tempo medio di risposta agli eventi: da 20 minuti a 90 secondi.
- Tempo di gestione degli incidenti: riduzione del 90 %.
- Copertura del monitoraggio quasi in tempo reale: passata dal 26 % al 100 %.
Nel periodo di due mesi, NAMI ha analizzato più di 800 eventi, inoltrandone 538 a specialisti e gestendo autonomamente il resto. La documentazione non consente di ricavare con precisione il numero totale di incidenti risolti senza intervento umano, ma evidenzia una forte diminuzione del carico di lavoro manuale.
Controlli di sicurezza e supervisione
Per garantire affidabilità, ogni azione automatica è registrata, le autorizzazioni sono limitate a ruoli predefiniti e gli operatori ricevono notifiche in caso di anomalie o decisioni ad alto impatto.
Sada Cavi – Quanture per le richieste di offerta
Sada Cavi ha adottato una soluzione di Quanture per automatizzare la preparazione delle richieste di offerta (RFO). Il sistema sfrutta classificazione semantica, modelli linguistici e ricerca vettoriale per:
- Identificare le comunicazioni commerciali pertinenti.
- Estrarre dati di prodotto, quantità e termini contrattuali.
- Confrontare le richieste con il catalogo prodotti e suggerire le migliori corrispondenze.
Secondo Quanture, il riconoscimento automatico delle richieste raggiunge un tasso di precisione dell’85‑90 %, con falsi positivi inferiori al 5 %. La validazione finale delle proposte rimane a carico degli operatori commerciali, che verificano la correttezza delle offerte generate.
Impatto sui tempi operativi
Il tempo necessario per analizzare e strutturare una RFO è passato da 20‑45 minuti a pochi minuti, grazie alla combinazione di classificazione semantica e ricerca vettoriale. La soluzione riduce il lavoro preparatorio, consentendo ai commerciali di concentrarsi sulla negoziazione e sulla personalizzazione dell’offerta.
Valutazione comparata dei quattro progetti
Pur condividendo la stessa tecnologia di base – agenti AI capaci di orchestrare attività – i quattro casi mostrano risultati eterogenei a causa di differenze nei processi, nei dati disponibili e nei criteri di successo.
- Velocità: Grenke Italia e Sada Cavi riportano riduzioni del tempo di gestione del 90 % e del 80‑90 % rispettivamente, mentre Unipol evidenzia un miglioramento più moderato (da 20 min a 90 s) ma su un volume di eventi molto più ampio.
- Accuratezza: Claims Buddy supera il 90 % nei test interni, ma la mancanza di dettagli metodologici rende difficile la comparazione. Quanture garantisce un 85‑90 % di riconoscimento con falsi positivi <5 %.
- Supervisione umana: In tutti i casi la decisione finale resta in mano all’operatore, soprattutto quando l’agente segnala anomalie o quando la risposta ha impatti economici o legali significativi.
- Costi e complessità: Le architetture multi‑agente (Generali, Grenke) richiedono più integrazioni e monitoraggio rispetto a soluzioni più lineari (Quanture).
Queste differenze sottolineano l’importanza di valutare non solo la velocità, ma anche la robustezza dei dati, la stabilità dei processi e la capacità di introdurre controlli intermedi.
Lezioni apprese e prospettive future
L’esperienza italiana dimostra che l’AI agentica può generare guadagni di efficienza significativi quando i processi sono ben definiti, i dati sono di buona qualità e le attività sono ricorrenti. Tuttavia, l’introduzione di più agenti comporta una maggiore complessità di gestione e la necessità di un’attenta governance: registrazione delle attività, limitazione delle autorizzazioni e intervento umano in caso di anomalie.
Il mercato italiano, con una penetrazione ancora limitata nelle PMI, offre ampie opportunità di crescita per soluzioni agentiche specializzate. Le imprese che sapranno bilanciare autonomia e supervisione, e che investiranno nella pulizia e strutturazione dei dati, potranno trarre i maggiori benefici dalla prossima ondata di automazione intelligente.