L’impresa delegabile

Perché l’AI agentica cambia il lavoro prima ancora della tecnologia

Dal coding ai processi aziendali, il vantaggio non nasce dal modello più potente, ma da un sistema di delega verificabile, supervisionato e vicino ai dati.

di Andrea Viliotti   |   3 agosto 2026

Per anni abbiamo raccontato l’intelligenza artificiale come un assistente: una macchina alla quale fare domande, chiedere una bozza, affidare una ricerca preliminare. Quel racconto non è più sufficiente. La frontiera che si sta aprendo è diversa. Non riguarda soltanto sistemi che rispondono meglio, ma sistemi che possono prendere in carico un obiettivo, utilizzare strumenti, modificare artefatti, controllare l’esito e tornare dall’essere umano quando incontrano un limite.

Il passaggio decisivo non è quindi da un modello meno potente a uno più potente. È da domanda-risposta a obiettivo-delega-esecuzione-verifica. Ed è qui che l’AI agentica smette di essere un tema esclusivamente tecnologico e diventa un tema di organizzazione aziendale.

La tesi che propongo è semplice: il vantaggio competitivo non si misurerà dal numero di agenti installati, ma dalla quantità di lavoro che un’impresa riuscirà a delegare senza perdere qualità, controllo, responsabilità e capacità di apprendere.

Un recente studio sull’uso di Codex offre un segnale concreto della direzione di marcia. Nel primo semestre del 2026 gli utenti attivi sono cresciuti di oltre cinque volte; più del 10% degli utenti ha gestito almeno tre agenti concorrenti in una settimana e il 26,6% ha utilizzato “skill”, cioè istruzioni riusabili per workflow complessi. Lo studio, però, contiene anche l’avvertenza più importante: uso, token prodotti e intensità di attività non sono misure causali di produttività, e OpenAI è un ambiente particolarmente favorevole, non l’impresa media. ¹

Questi dati non dicono che l’autonomia sia già risolta. Dicono che il modo di lavorare sta cambiando. La domanda manageriale, allora, non è più «quale chatbot adottiamo?». È: «quali porzioni del nostro lavoro possono diventare delegabili, a quali condizioni e sotto la responsabilità di chi?».

Il vantaggio non è il modello più potente. È il processo che l’impresa sa delegare senza perdere controllo.

AI agentica in azienda

IL NUOVO CONTRATTO OPERATIVO

L’AI conversazionale ha un contratto intuitivo: l’essere umano formula la richiesta, il sistema produce una risposta, l’essere umano decide che cosa farne. Nell’AI agentica il contratto si allunga. L’organizzazione assegna un obiettivo; definisce un mandato; concede dati e strumenti; il sistema esegue; verifica o viene verificato; segnala eccezioni; un responsabile approva o arresta.

AI CONVERSAZIONALE	DOMANDA  →  RISPOSTA
AI AGENTICA	OBIETTIVO  →  MANDATO  →  ESECUZIONEVERIFICA  →  ESCALATION  →  APPROVAZIONE

Figura 1 — Il contratto operativo cambia: dalla produzione di una risposta alla presa in carico verificabile di un obiettivo. Schema concettuale dell’autore.

Ogni passaggio è un problema di progettazione organizzativa. Che cosa può osservare l’agente? Quali applicazioni può usare? Quali azioni può compiere senza autorizzazione? Che cosa rende il risultato accettabile? Quando deve interrompersi? Chi risponde di una decisione sbagliata?

Per questo il prompt, da solo, non è il nuovo patrimonio aziendale. È soltanto la superficie visibile. Il vero asset è il workflow codificato: il modo in cui obiettivi, contesto, strumenti, permessi, controlli, eccezioni e responsabilità vengono composti in una routine ripetibile.

Una buona routine agentica non si limita a dire che cosa fare. Specifica anche che cosa non fare, quali fonti utilizzare, quali standard rispettare, quali prove produrre e quando chiedere aiuto. In altre parole, trasforma il sapere operativo, spesso implicito e disperso fra persone, in una struttura delegabile.

PERCHÉ IL SOFTWARE ARRIVA PRIMA

Il software è il laboratorio più avanzato dell’AI agentica, ma non perché gli sviluppatori siano destinati a scomparire. Arriva prima perché offre un habitat particolarmente favorevole alla delega.

Il lavoro è già digitale. Molti compiti possono essere scomposti. Gli artefatti sono visibili. Il codice può essere testato, confrontato, versionato e, spesso, ripristinato. Un agente può leggere un repository, proporre un piano, modificare più file, eseguire test, osservare gli errori e correggersi. Questo rende più facile capire se l’azione ha prodotto l’esito atteso.

Una sintesi recente sull’Agentic Software Development Lifecycle descrive sei livelli: modello; ragionamento e memoria; interazione con il computer; strumenti; orchestrazione; governance. L’ultimo livello è anche il più fragile. Il sistema può essere tecnicamente capace di intervenire su un repository, ma l’impresa deve ancora decidere chi definisce l’intento, chi rivede il risultato e chi autorizza il rilascio. ²

La lezione per gli altri settori non è «applicate il coding agent ovunque». È più esigente: ricostruite le condizioni che rendono il software delegabile.

In amministrazione, vendite, legale, risorse umane o operations, un processo diventa un buon candidato quando ha confini riconoscibili, input disponibili, output osservabili, criteri di accettazione, errori intercettabili e un percorso di rollback. Al contrario, la delega diventa pericolosa quando il lavoro è ambiguo, l’errore emerge tardi, l’azione è irreversibile o la responsabilità normativa non è stata assegnata.

Il software, dunque, non è necessariamente il punto di arrivo. È il banco di prova nel quale impariamo una regola generale: l’autonomia cresce solo dove cresce anche la verificabilità.

IL NUOVO COLLO DI BOTTIGLIA È L’ATTENZIONE UMANA

Quando produrre una prima versione diventa economico, il costo non scompare: si sposta. Dalla produzione alla valutazione. Dalla scrittura alla revisione. Dall’esecuzione alla gestione delle eccezioni.

Un report industriale sul coding agentico definisce bene questo paradosso. Gli sviluppatori dichiarano di usare l’AI in circa il 60% del proprio lavoro, ma di poter delegare integralmente soltanto dallo 0 al 20% dei compiti. Non è una contraddizione. Significa che l’AI è già una presenza continua, ma la qualità dipende ancora dalla preparazione del compito, dalla supervisione, dalla validazione e dal giudizio umano. Il report è prodotto da un vendor e formula previsioni, non certezze; resta però un segnale utile sulla forma della collaborazione che si sta consolidando. ³

Il rischio per i dirigenti è misurare il volume generato e ignorare il carico di review. Se un agente produce dieci alternative in pochi minuti, qualcuno deve capire quali meritano attenzione. Se modifica cento file, qualcuno deve verificare che il sistema non abbia introdotto incoerenze. Se automatizza una decisione di servizio, qualcuno deve presidiare i casi anomali.

La competenza scarsa diventa allora la capacità di distinguere ciò che è ordinario da ciò che richiede giudizio. Il disegno migliore non è «human out of the loop», ma «human attention where it matters»: controlli automatici sul lavoro di routine, escalation umana sui casi nuovi, ambigui o ad alto impatto.

Questo cambia anche il mestiere dei manager. Guidare un team agentico significa progettare soglie di attenzione: che cosa può passare automaticamente; che cosa richiede un campione; che cosa deve essere sempre approvato; quali segnali fanno scattare uno stop; quale errore impone una revisione del workflow.

L’AGENTE NON È UN DIPENDENTE DIGITALE

La metafora del «collega digitale» è seducente, ma può creare un pericoloso equivoco. Un sistema non diventa un agente organizzativo affidabile solo perché sa utilizzare strumenti o completare una sequenza di azioni.

Virginia e Frank Dignum ricordano che l’autonomia comportamentale deve essere completata da strutture esplicite di ragionamento, coordinamento e governance. Servono obiettivi, intenzioni, ruoli, protocolli di comunicazione, norme, fiducia, reputazione e accountability. Senza questi elementi, l’autonomia può produrre risultati efficaci in condizioni ordinarie ma diventare opaca proprio quando qualcosa devia dal previsto. ⁴

Per un’impresa, questo si traduce in una «carta di mandato» dell’agente. Prima del deployment dovrebbero essere almeno definiti:

• il compito e il risultato atteso;

• il perimetro dei dati;

• gli strumenti e i permessi;

• le azioni che richiedono approvazione;

• gli obblighi di registrazione e disclosure;

• le condizioni di stop ed escalation;

• il responsabile umano del processo.

L’AI Agent Index 2025 mostra quanto questa disciplina sia ancora incompleta. Analizzando trenta sistemi agentici, gli autori rilevano una forte variabilità nella trasparenza e informazioni pubbliche spesso limitate su valutazioni, sicurezza e impatti sociali. Il punto più rilevante per i dirigenti è che valutare il modello non equivale a valutare il deployment.

Orchestrazione, strumenti, accessi, dati, trigger e configurazioni aziendali cambiano il profilo di rischio. ⁵

Unità di governance = agente + configurazione + strumenti + dati + ambiente operativo + autorità umana

È questa combinazione che agisce nel mondo. Ed è questa combinazione che deve essere testata, autorizzata e controllata.

DOVE DEVE VIVERE L’INTELLIGENZA

La scelta fra cloud, infrastruttura on-premises ed edge viene spesso trattata come un dettaglio architetturale. In realtà è una decisione sulla forma della delega.

Una review peer-reviewed sul passaggio da TinyML a Edge GenAI ha selezionato 66 lavori pubblicati fra il 2022 e il 2024. Il quadro è chiaro: l’esecuzione locale può ridurre la latenza, funzionare senza connettività continua e mantenere dati sensibili più vicini alla fonte. Allo stesso tempo, memoria, potenza di calcolo, energia, aggiornamento e manutenzione restano vincoli sostanziali. Edge GenAI, inoltre, non equivale automaticamente a un agente aziendale generalista. ⁶

Un secondo contributo, non ancora peer-reviewed, raccoglie la prospettiva di una comunità industriale sull’AI generativa all’edge e on-premises. Fra le barriere emergono definizione del caso d’uso, ritorno economico, investimento, efficienza energetica, disponibilità hardware ed ecosistema. Sono indicazioni orientative, non una misura rappresentativa del mercato, ma aiutano a porre le domande corrette. ⁷

• Cloud. Offre scala, accesso ai modelli più avanzati e aggiornamenti rapidi, ma aumenta la dipendenza dalla connettività e richiede una politica rigorosa sui dati.

• On-premises. Offre maggiore controllo e personalizzazione, ma trasferisce sull’impresa costi e responsabilità operative.

• Edge. Offre latenza, resilienza e prossimità al dato, ma impone vincoli severi di memoria, energia, hardware e manutenzione.

Non esiste una risposta ideologica. Esiste una collocazione adeguata al processo. Le variabili da considerare sono sensibilità dei dati, latenza tollerabile, continuità operativa, auditabilità, frequenza di aggiornamento e costo totale di gestione.

In altre parole, «dove gira il modello?» è una domanda incompleta. La domanda piena è: «dove può agire questo sistema senza portarci fuori dal perimetro di controllo che abbiamo deciso?».

DALLE ORE RISPARMIATE AL VALORE

Molte iniziative di AI vengono celebrate attraverso metriche di attività: utenti attivi, token generati, agenti installati, task assistiti, ore dichiarate come risparmiate. Sono indicatori utili per capire l’adozione. Non dimostrano, da soli, valore economico.

Un’ora «risparmiata» crea valore solo quando viene convertita. Può ridurre un costo reale, aumentare il throughput, abbreviare il time-to-market, migliorare la qualità, evitare un rischio o liberare capacità per un’attività più preziosa. Se resta dispersa in più review, più alternative, più rework o più lavoro non prioritario, non è ancora valore.

Per questo ogni pilot dovrebbe partire da una baseline, non da una demo. Le metriche minime sono:

• tempo di ciclo;

• accettazione al primo passaggio;

• numero e gravità degli errori;

• rework;

• minuti di review per output accettato;

• override ed escalation;

• costo completo, inclusi integrazione e controllo;

• capacità effettivamente riallocata;

• risultato economico o operativo.

È essenziale misurare l’intero ciclo. Un agente può ridurre il tempo della prima consegna e aumentare quello della correzione. Può produrre più output e accrescere il debito tecnico. Può ampliare la capacità di un team e, contemporaneamente, creare una nuova dipendenza da poche persone capaci di verificare ciò che genera.

Il ROI, in questo contesto, non è una proprietà del modello. È una proprietà del sistema di lavoro nel quale il modello viene inserito.

LA DELEGA È FORTE QUANTO IL SUO ANELLO PIÙ DEBOLE

Per decidere che cosa delegare, propongo una regola pratica: non fate la media fra punti forti e punti deboli. Un processo è delegabile solo quanto la sua dimensione meno matura.

Le dimensioni decisive sono sei: scomponibilità, osservabilità, verificabilità, reversibilità, accesso controllato e autorità umana. Un task molto semplice ma non verificabile non è un buon candidato. Un task ben verificabile ma irreversibile richiede un gate più severo. Un workflow tecnicamente impeccabile ma senza un responsabile umano è incompleto.

Questo principio evita un errore frequente: partire dal tool e cercare un problema da affidargli. Il percorso dovrebbe essere opposto. Si parte dal processo, si individuano le unità delegabili, si definiscono i gate e solo dopo si sceglie la tecnologia.

Le prime deleghe dovrebbero essere frequenti, circoscritte, osservabili e reversibili. Le deleghe successive possono aumentare l’autonomia, ma soltanto quando gli errori raccolti hanno migliorato il workflow, le soglie di escalation e i criteri di accettazione.

COSTRUITE UN PORTAFOGLIO DI DELEGHE, NON DI TOOL

Molte aziende stanno creando un portafoglio di licenze. Dovrebbero creare un portafoglio di deleghe.

Nel primo rientrano modelli, piattaforme, agent builder e automazioni. Nel secondo rientrano porzioni di lavoro con un owner, un valore atteso, un livello di autonomia, un insieme di dati e strumenti, un metodo di verifica e una condizione di arresto.

Il portafoglio di deleghe consente di confrontare casi d’uso diversi con la stessa grammatica. Un agente che prepara una bozza commerciale e un agente che aggiorna una configurazione di produzione non hanno lo stesso rischio, anche se utilizzano lo stesso modello. Un agente che opera su dati pubblici e uno che legge informazioni personali non appartengono allo stesso perimetro. Un’attività reversibile e una decisione che produce effetti sul cliente non richiedono lo stesso gate.

Questo approccio rende anche più chiaro dove investire. A volte il limite è il modello. Più spesso è la qualità dei dati, l’assenza di API, la scarsa standardizzazione del processo, l’indisponibilità di log, l’incertezza sui permessi o la mancanza di un owner.

La maturità agentica di un’impresa non coincide quindi con il numero di automazioni. Coincide con la capacità di rendere esplicite le proprie regole operative.

UN PIANO DI 90 GIORNI

0-30 GIORNI	31-60 GIORNI	61-90 GIORNI
DISEGNARE Scegliere un processo, dividerlo in unità di lavoro e congelare baseline, owner, dati, permessi, rischi e criteri di accettazione.	PILOTARE Eseguire una sola unità limitata, reversibile e verificabile, con accessi minimi, log, stop ed escalation.	MISURARE E SCALARE Confrontare il ciclo completo con la baseline. Scalare solo se qualità, review, errori e valore economico reggono.

Tabella 1 — Una sequenza minima per passare dalla selezione del processo a una decisione di scala.

Nei primi trenta giorni, scegliete un solo processo e dividetelo in unità di lavoro. Congelate la baseline: tempi, errori, costi, carico di review e risultato attuale. Per ogni unità definite input, output, owner, dati, strumenti, autorizzazioni, criteri di accettazione, errori ad alto impatto e regole di escalation. Il deliverable non è una lista di prodotti, ma una mappa delle deleghe ammissibili.

Tra il trentunesimo e il sessantesimo giorno, pilotate una sola unità limitata, reversibile e verificabile. Concedete soltanto gli accessi necessari. Conservate i log delle azioni. Prevedete stop ed escalation. Mantenete l’approvazione umana sui passaggi con impatto economico, legale, reputazionale o sul cliente.

Tra il sessantunesimo e il novantesimo giorno, confrontate la modalità assistita con la baseline o, quando possibile, con un controllo comparabile. Misurate il ciclo completo, non la velocità della prima bozza. Scalate soltanto se la qualità regge, il carico di review non annulla il beneficio, gli errori sono osservabili e il valore liberato viene effettivamente convertito.

Alla fine dei novanta giorni, la domanda non dovrebbe essere «quanto è bravo l’agente?». Dovrebbe essere «quanto è diventato migliore il nostro sistema di lavoro?».

LA VERA CORSA NON È ALL’AUTONOMIA

L’AI agentica viene spesso descritta come una corsa verso sistemi sempre più autonomi. È una lettura incompleta. Per l’impresa, la vera corsa è verso una delega sempre più governabile.

Vinceranno non le organizzazioni con il maggior numero di agenti, ma quelle che sapranno decidere che cosa affidare, che cosa trattenere, come verificare, quando fermare e chi risponde del risultato.

Un agente può agire rapidamente. Può eseguire molte attività in parallelo. Può trasformare un obiettivo in una sequenza di azioni. Ma soltanto l’organizzazione può stabilire se quell’azione è coerente con la strategia, con le regole e con il valore che intende creare.

È qui che si gioca il passaggio dall’adozione alla trasformazione. Non nell’installare un altro strumento, ma nel costruire un’impresa delegabile.

NOTA METODOLOGICA E FONTI

Questo articolo è una sintesi manageriale dei sette contributi allegati, non una meta-analisi. Le fonti hanno statuti diversi: studio osservazionale, indice sistematico, position paper, preprint di sintesi, report vendor, review peer-reviewed e preprint industriale. I dati quantitativi sono riportati entro il perimetro dichiarato dalle rispettive fonti; dove l’evidenza è previsionale, contestuale o non sottoposta a peer review, il testo lo segnala.

1. Drew Johnston, David Holtz, Alex Martin Richmond, Christopher Ong, Prasanna Tambe e Aaron Chatterji, The Shift to Agentic AI: Evidence from Codex (2026), in particolare pp. 1-3, 6 e 21-24. Lo studio analizza dati d’uso di Codex e distingue esplicitamente attività osservata da produttività causale.

2. Happy Bhati, Agentic AI in the Software Development Lifecycle: Architecture, Empirical Evidence, and the Reshaping of Software Engineering, arXiv:2604.26275v1 (2026), pp. 3-6.

3. Anthropic, 2026 Agentic Coding Trends Report: How coding agents are reshaping software development (2026), pp. 3, 10, 13-16. Report vendor e previsionale, basato anche su osservazioni di clienti e ricerca interna.

4. Virginia Dignum e Frank Dignum, Agentifying Agentic AI, arXiv:2511.17332v2; WMAC 2026 - AAAI 2026 Bridge Program, pp. 1-3 e 7-8.

5. Leon Staufer et al., The 2025 AI Agent Index: Documenting Technical and Safety Features of Deployed Agentic AI Systems, arXiv:2602.17753v2 (2026), pp. 1-13.

6. Gloria Giorgetti e Danilo Pietro Pau, Transitioning from TinyML to Edge GenAI: A Review, Big Data and Cognitive Computing, 9(3), 61 (2025), pp. 1-4 e 20-23.

7. Roberto Morabito, Riccardo Adorante, Hajar Mousannif e Danilo Pietro Pau, Expanding the Horizons of Generative Edge AI: Mission, Vision, and Insights From Industries, TechRxiv, 26 luglio 2025, preprint non peer-reviewed, pp. 1-2 e 17-19.