Chi è Sobhan Daliry?
Sobhan Daliry è il Chief Product Officer (CPO) e responsabile della strategia AI di Pipefy dal 2023. Con più di venti anni di esperienza, ha ricoperto ruoli di vertice in startup e imprese consolidate, spaziando dalla gestione di prodotti digitali alle telecomunicazioni. Prima di entrare in Pipefy ha fondato Polen.me, ne è stato CEO, e ha guidato per oltre cinque anni NZN come CEO/CPO, curandone il rilancio e la ridefinizione della product strategy. Tra le esperienze precedenti figurano posizioni di Director of Product Management in PSafe, Product Manager in Peixe Urbano e incarichi tecnici presso Oi/Telemar, Claro, AIRCOM International e Planeta Tecnologia.
Pipefy: una piattaforma AI‑first per l’orchestrazione dei processi
Fondata nel 2015, Pipefy è nata come piattaforma no‑code per l’automazione dei flussi di lavoro e si è trasformata in un ecosistema di orchestrazione centratо sull’intelligenza artificiale. Oggi riunisce agenti AI, flussi, moduli, portali, applicazioni, dati, analytics, messaggistica e integrazioni. La piattaforma consente ai team di creare agenti AI mediante linguaggio naturale e strumenti no‑code, mantenendo governance, sicurezza e visibilità di livello enterprise. Le capacità AI includono:
- Interpretazione di documenti (es. fatture, contratti)
- Esecuzione di attività all’interno di workflow complessi
- Supporto decisionale basato su contesto di business
- Interazione con sistemi esterni (ERP, CRM, API di partner)
- Orchestrazione di processi in finanza, risorse umane, procurement, operazioni client‑facing e compliance
Il percorso professionale: dalla telecomunicazione all’AI aziendale
Le telecomunicazioni hanno insegnato a Daliry l’importanza dell’infrastruttura affidabile: “una chiamata interrotta non è il fallimento di una demo, è la perdita di un cliente”. Questa mentalità di “funziona sempre, a qualsiasi scala” è rimasta perenne. Nei ruoli di prodotto consumer in Peixe Urbano e PSafe ha invece sperimentato la velocità con cui un prodotto può guadagnare o perdere quota in base alla capacità di risolvere problemi percepiti oggi, non domani.
Da CEO/CPO di NZN ha dovuto conciliare entrambe le esigenze: un’idea di prodotto valida non basta se l’esecuzione è scadente, e viceversa. Fondare Polen.me gli ha infine mostrato il vero costo dell’opportunità: capitale e tempo sono limitati, perciò ogni nuova funzione deve essere valutata rispetto al valore reale che aggiunge a un flusso di lavoro esistente.
“Quando arrivo su una nuova funzionalità AI, mi chiedo sempre: regge in produzione, sotto un carico reale, quando nessuno la osserva?” è la domanda che Daliry applica a Pipefy, proprio come un ingegnere chiederebbe se una torre cellulare resiste al vento più forte.
Le ipotesi iniziali sull’AI e il loro cambiamento
All’inizio del 2023 Daliry credeva che il modello di linguaggio fosse il collo di bottiglia più critico. Molti, compreso lui, ottimizzavano la scelta del LLM “più intelligente”. Con il tempo ha scoperto che il vero collo di bottiglia è il contesto**: l’agente deve conoscere il processo, i vincoli e la definizione di “completato” per ogni cliente. I modelli miglioravano secondo una curva prevedibile, ma il contesto rimaneva statico finché nessuno lo strutturava.
Un’altra ipotesi errata riguardava l’autonomia. Si pensava che il mercato volesse agenti completamente indipendenti il più presto possibile. La realtà è che le imprese richiedono autonomia delimitata: decisioni reali entro regole non violabili, con tracciabilità dimostrabile. La piena autonomia senza governance è più un rischio che un vantaggio competitivo.
Quando scegliere un agente AI rispetto a un’automazione deterministica
Daliry propone una regola di oro: “se si può scrivere la regola, bisogna scriverla”. Le automazioni deterministiche sono ideali per processi con albero decisionale noto e immutabile, ad esempio l’invio di una fattura a un responsabile di approvazione se l’importo è inferiore a una soglia stabilita. Un agente AI è giustificato solo quando il caso presenta ambiguità che una regola fissa non può gestire, come discrepanze tra ordine di acquisto e fattura, campi mancanti o richieste del cliente non categorizzabili.
Molte aziende costruiscono agenti per l’80 % dei casi già deterministici perché è più appariscente, ma lasciano a un operatore umano il 20 % più complesso. Invertire questo rapporto porta a soluzioni più efficaci: gli agenti si occupano realmente delle situazioni che richiedono ragionamento.
Orchestrazione agentica vs. semplice integrazione di LLM
L’inserimento di un LLM in un singolo nodo di automazione rende più “intelligente” quel passaggio. L’orchestrazione agentica, invece, fornisce all’AI una visione persistente e strutturata dell’intero processo: conoscenza della posizione corrente nella sequenza, degli eventi precedenti e dei requisiti a valle per considerare l’attività completata.
La differenza sostanziale è la memoria del processo rispetto al semplice prompt. Un copilota risponde a una singola domanda; un agente orchestratore coordina azioni tra sistemi che non comunicano nativamente (ERP, CRM, API partner), ereditando regole, autorizzazioni e tracciamenti di audit già presenti nella piattaforma.
Se è necessario creare uno strato di governance separato attorno a una funzione AI perché la piattaforma di automazione non ne dispone, non si ha vera orchestrazione agentica, ma un semplice chatbot con accesso alle API, con un profilo di rischio molto diverso.
Governance e fiducia: i pilastri dell’AI aziendale
Secondo Daliry, la fiducia è diventata il requisito dominante, superando la mera capacità tecnica. Le imprese chiedono:
- Tracciabilità completa delle decisioni AI
- Rispettare regole di compliance e policy interne
- Possibilità di audit dettagliati
- Controlli di fallback manuali in caso di fallimento dell’agente
Questi requisiti hanno guidato lo sviluppo dei “workflow guardrails” di Pipefy, che permettono di definire limiti di azione, soglie di approvazione e log di ogni interazione AI.
L’impatto della strategia AI di Pipefy dal 2023
Daliry ha guidato la definizione di una roadmap che ha spostato Pipefy da una piattaforma di automazione tradizionale a un ambiente di orchestrazione AI‑first. I risultati più significativi includono:
- Riduzione del tempo medio di chiusura dei ticket del 30 % grazie a agenti che estraggono dati da documenti e avviano azioni successive automaticamente.
- Aumento della produttività dei team di risorse umane del 25 % tramite agenti che gestiscono onboarding, verifica dei documenti e assegnazione di compiti.
- Implementazione di un “AI audit log” che consente alle aziende di ricostruire ogni decisione AI per scopi normativi.
- Scalabilità garantita su più di 10.000 clienti enterprise, con SLA di disponibilità AI del 99,9 %.
Lezioni per i product manager che vogliono integrare l’AI
Daliry riassume le sue quattro regole operative per chi costruisce prodotti AI:
- Contesto prima del modello: strutturare il flusso di lavoro, i vincoli e le metriche di successo prima di scegliere un LLM.
- Autonomia con governance: definire regole di fallback e audit fin dall’inizio.
- Regola prima dell’agente: implementare automazioni deterministiche dove possibile; riservare gli agenti alle aree di ambiguità.
- Validazione in produzione: testare gli agenti con carichi reali, non solo in demo curate.
Queste linee guida permettono di creare soluzioni AI che risolvono problemi operativi concreti, anziché mostrare semplicemente una tecnologia di moda.
Prospettive future
Guardando al futuro, Daliry prevede che l’orchestrazione agentica diventerà sempre più “self‑learning”, ossia capace di aggiornare automaticamente il proprio contesto in base a nuovi dati di processo, ma sempre sotto una supervisione umana rigorosa. Inoltre, l’integrazione di modelli multimodali (testo, immagine, audio) aprirà la porta a agenti che possono gestire richieste più complesse, come la verifica di immagini di ricevute o la trascrizione di chiamate di supporto, mantenendo il principio fondamentale: l’AI deve servire il flusso di lavoro, non il contrario.