Guida agli Agenti AI
Home / / Cap. 15

15. Casi d'uso e workflow reali

In questo capitolo niente teoria nuova. Solo dove gli agenti stanno cambiando lavoro reale, con pattern che puoi adottare. Pensalo come un menù da cui scegliere il prossimo progetto da provare.

15.1 Coding e sviluppo software

Pair programming intensivo

Strumenti: Claude Code, Cursor, Aider, Windsurf.

Cosa cambia: la velocità di scrittura del codice "boilerplate" (CRUD, integrazioni, refactor meccanici) crolla. Il dev si concentra su architettura, edge case, code review.

Pattern tipico:
1. Scrivi spec (il "cosa" e il "perché").
2. L'agente propone piano + diff.
3. Tu rivedi, correggi, iteri.
4. Test eseguiti automaticamente.
5. Commit.

Risultato realistico: 2-4x produttività su task standard, marginale su problemi davvero nuovi.

Code review automatica

Agente che gira su ogni PR e commenta:
- Bug potenziali.
- Pattern inconsistenti col resto del codebase.
- Test mancanti.
- Security issue (SQL injection, secret hardcoded).

Esempi: GitHub Copilot Code Review, Anthropic /ultrareview, CodeRabbit.

Debug e incident response

Agente che, dato un log o uno stack trace:
- Identifica la causa probabile.
- Cerca il codice rilevante.
- Propone una fix.

In on-call, riduce il "time to first hypothesis" da 30 minuti a 1.

Migrazione e refactor

Esempi reali: migrazione Python 2 → 3, AngularJS → React, monolite → microservizi.

Approccio:
1. L'agente analizza il codebase, mappa i pattern.
2. Propone strategia di migrazione.
3. Esegue passi piccoli, con test a ogni passo.
4. L'umano rivede, approva.

Per progetti grossi, agenti come Devin, Coursive, o framework dedicati possono lavorare in autonomia per giorni.

15.2 Customer support

Tier-1 automatico

Agente che gestisce ~70% delle domande standard:
- FAQ.
- Status ordine.
- Reset password.
- Cambio dati.

Quando non sa, escala a un umano con il contesto già preparato.

Pattern:
- RAG sulla knowledge base aziendale.
- Tool per CRM, sistema ordini, billing.
- Conversation memory per continuità.
- Confidence threshold: sotto X, escala.

Smistamento e classificazione

Agente che legge i ticket in arrivo e:
- Classifica (billing, tech support, sales).
- Assegna priorità.
- Routing al team giusto.
- Suggerisce la prima risposta al human agent.

Riduce il tempo di triage del 80-90%.

Sintesi conversazioni

Dopo una conversazione lunga, l'agente produce:
- Riassunto.
- Action items.
- Sentiment del cliente.
- Suggerimenti per il follow-up.

15.3 Ricerca e analisi

Deep research

Strumenti come ChatGPT Deep Research, Perplexity Pro, Gemini con Workspace.

Pattern:
1. Domanda complessa ("analizza il mercato X negli ultimi 5 anni").
2. Agente naviga il web, legge decine di fonti, fa cross-check.
3. Produce report strutturato con citazioni.

Il lavoro che richiedeva 1-2 giornate di un junior analyst si fa in 30 minuti, con qualità sufficiente per la prima draft.

Analisi di dati

ChatGPT Code Interpreter, Claude con tool code_execution, Hex Magic, Julius AI.

Pattern:
1. Carichi un CSV/Excel.
2. Spieghi cosa vuoi capire.
3. L'agente scrive Python, esegue, produce grafici.
4. Continui la conversazione: "ora segmenta per regione", "fai test statistico", "esporta Excel".

Per analisi esplorativa è una rivoluzione.

Document review

Per legali, finance, due diligence:
- Carichi un set di contratti / documenti.
- L'agente estrae clausole specifiche, segnala anomalie, confronta con template.
- Produce checklist da revisionare.

Strumenti: Harvey, Hebbia, Legora (legal); Hebbia, Anvilogic (finance/security).

15.4 Scrittura e contenuti

Long-form writing

Pattern che funziona:
1. Brief chiaro: argomento, audience, tono, lunghezza.
2. Outline prima del testo.
3. Iterazioni sull'outline.
4. Espansione sezione per sezione.
5. Editing finale (umano o assistito).

Per blog post, articoli, guide: una mezza giornata di lavoro umano si riduce a un'ora di review.

Newsletter e brief periodici

Agente che ogni mattina:
- Legge le fonti che segui.
- Sintetizza in 5 bullet.
- Manda via email.

Setup di base: 100 righe + cron + LLM.

Localizzazione

Traduzione + adattamento culturale di contenuti web, manuali, e-commerce. Agenti specializzati con glossari aziendali raggiungono qualità da editing finale, non più da rifusione.

15.5 Operations e automazione

Email management

Agente always-on (Cap. 4) che:
- Classifica le email in arrivo.
- Risponde alle ripetitive (automatica o con bozza).
- Estrae action items in un task manager.
- Segnala le urgenti.

Strumenti: Superhuman AI, Shortwave, agenti custom su Gmail API.

Calendar e scheduling

Agente che, dato un obiettivo ("riunione con Marco e Giulia entro venerdì"), cerca slot, manda inviti, gestisce conflitti, riprogramma.

Strumenti consumer: Reclaim, Motion. Per aziende: agenti custom su Outlook/Google Calendar.

Process automation

Workflow business-as-usual con agenti che orchestrano step heterogenei:
- Onboarding cliente: leggere docs, validarli, creare account, inviare benvenuto.
- Procurement: richiesta → preventivi → confronto → ordine.
- Reporting: raccogliere dati da N fonti, formattare, inviare.

Pattern: orchestratore + tool specifici per ogni sistema.

15.6 Vendite e marketing

Lead enrichment

Agente che, dato un lead grezzo (email, azienda):
- Cerca info pubbliche.
- Profila l'azienda (settore, dimensione, segnali di buy).
- Suggerisce angle di outreach.

Strumenti: Clay, Apollo, Crystal.

Outreach personalizzato

Generazione di messaggi 1:1 sulla base di:
- Profilo del prospect.
- Tuo prodotto.
- Caso d'uso applicabile.

Attenzione: senza tocco umano, scade in spam. Best practice: AI fa la draft, umano rifinisce.

Content velocity

Da uno spunto, l'agente produce: post LinkedIn, thread X, blog post, newsletter. Ogni canale con tono adattato.

15.7 Educazione e formazione

Tutor personalizzati

Khanmigo (Khan Academy), Duolingo Max, GPT-tutors aziendali.

Pattern:
- Studente chiede.
- L'agente non dà la risposta, fa domande socratiche.
- Adatta difficoltà al livello.
- Tiene memoria del progresso.

Onboarding aziendale

Nuovi assunti chattano con un agente che ha accesso a tutta la documentazione interna. Domande tipiche ("come si fa X?") risposte 24/7 senza disturbare i colleghi.

Training simulato

Agenti che impersonano clienti difficili, candidati in colloquio, situazioni di crisis. I trainee si esercitano in sicurezza.

15.8 Healthcare (con cautela)

Casi che funzionano oggi:
- Documentazione clinica: ascolto consulto, generazione note SOAP, codifica ICD. Strumenti: Abridge, Suki, Nuance DAX.
- Triage primario: chatbot che indirizza a specialista o pronto soccorso. Sotto supervisione clinica.
- Ricerca paper: sintesi della letteratura medica per il clinico.

Casi che NON funzionano oggi:
- Diagnosi autonoma: rischi enormi, regulatory complessa.
- Decisioni terapeutiche: l'AI assiste, il medico decide.

Norme: in EU l'AI Act classifica molte applicazioni mediche come "high risk" → richiede certificazioni specifiche.

Casi che funzionano:
- Contract review: estrazione clausole, confronto con template, flag anomalie.
- E-discovery: analisi grandi volumi di documenti per litigation.
- Legal research: ricerca giurisprudenza, riassunti di sentenze.
- Drafting di clausole standard: l'avvocato rifinisce.

Caveat: l'AI può inventare giurisprudenza. Verifica obbligatoria. Casi famosi di avvocati sanzionati per aver presentato sentenze inesistenti generate da ChatGPT.

15.10 Casi un po' più "agentici"

Esempi di prodotti che spingono il livello di autonomia:

  • Devin (Cognition): agente coder che lavora in autonomia per ore, completa task complessi.
  • OpenAI Operator / Anthropic Computer Use: agenti che usano browser/desktop come un umano (vedono lo schermo, cliccano, digitano).
  • Replit Agent: build app full-stack da prompt.
  • AutoGPT, BabyAGI (early): primi tentativi di agenti generalisti, con risultati più dimostrativi che produttivi.
  • Aria (Opera), Arc Search: browser nativi-AI.

Sono spesso ancora demo impressive che in produzione tradiscono fragilità. La direzione è chiara, la velocità di maturazione no.

15.11 Pattern trasversali

Indipendentemente dal dominio, i workflow vincenti condividono:

  1. Human-in-the-loop su decisioni costose. L'AI fa la maggior parte, l'umano valida il critico.
  2. Brief strutturati invece di prompt liberi.
  3. Tool concreti per parlare con i sistemi reali (CRM, DB, API).
  4. RAG per far sì che l'agente parli con autorevolezza sui dati specifici.
  5. Memoria di contesto per non ripetere il setup ogni volta.
  6. Misurazione di output e outcome.
  7. Disclosure che è AI-generated quando rilevante.

15.12 Quando NON aggiungere agenti

Vale la pena ricordarlo:

  • Se il workflow è semplice e codificato, automation tradizionale è meglio.
  • Se l'errore è inaccettabile e non c'è verifica umana, attento.
  • Se i dati sono troppo sensibili e non hai infra dedicata, aspetta.
  • Se i costi non si giustificano, non scalare.

L'AI è un moltiplicatore, non un sostituto del giudizio.

15.13 Da scegliere come prossimo progetto

Se sei agli inizi e vuoi un progetto da fare per imparare, ecco una lista in ordine di facilità:

  1. Bot Q&A su un PDF tuo (RAG + chat). 1-2 ore. Cap. 7, 10.
  2. Riassunto automatico delle tue email del giorno. 2-3 ore. Tool email + LLM.
  3. Agente di analisi CSV. 3-4 ore. Code interpreter pattern.
  4. Customer support su FAQ aziendali. 1-2 giorni. RAG + sviluppo deploy.
  5. Coding agent specializzato per il tuo stack. 1-2 settimane. Claude Agent SDK + tool su misura.

Iniziare a fare > leggere altre 100 pagine.

15.14 Da ricordare

  • Coding, support, ricerca, scrittura, ops, vendite, education: gli agenti stanno cambiando tutto.
  • Pattern trasversali: brief strutturato, tool, RAG, human-in-the-loop, misurazione.
  • High-stakes domains (sanità, legge, finanza): assistenza sì, autonomia no.
  • Demo impressive ≠ produzione robusta. Verifica sempre.
  • Inizia da un progetto piccolo e tuo. Vivere un agente end-to-end è più formativo di 10 corsi.

15.15 Errori tipici

  • "L'AI risolverà X." Senza pattern e workflow concreti, non lo fa.
  • Costruire l'agente più ambizioso al primo tentativo. Frustrazione assicurata.
  • Trascurare l'integrazione. La qualità dell'agente dipende dalla qualità dei tool e dati che gli dai.
  • Lanciare senza misurare l'impatto reale. "L'utente è felice" senza dati.
  • Non capitalizzare sui workflow già esistenti. L'AI brilla quando si infila nei processi che già fai, non quando devi reinventarli.

Ultimo capitolo: il glossario per ricordare i termini, e una lista di risorse per andare oltre la guida.