Think Magazine Blog

L'Agentic AI rappresenta la nuova frontiera dell'automazione avanzata, caratterizzata da sistemi autonomi in grado di perseguire obiettivi specifici, più o meno complessi, senza la costante supervisione umana.

Data una richiesta, non è più l’utente a dover programmare il percorso da seguire per completare l’attività; bensì, è l’agente stesso che in autonomia è in grado di definire gli step da eseguire per raggiungere l’obiettivo. Si passa da sistemi reattivi e statici, come nel caso dei classici assistenti virtuali basati su architettura RAG, a sistemi proattivi e dinamici. Questa flessibilità ha come conseguenza il fatto che l’Agentic AI abilita la risoluzione di compiti più complessi, eterogenei e in un tempo minore.

Da un punto di vista tecnologico, un Agente AI si configura in uno stack tecnologico in cui selezione del Framework e del modello di Intelligenza Artificiale giocano un ruolo cruciale. I framework forniscono strumenti e architetture predefinite per semplificare sviluppo, integrazione e gestione degli Agenti, accelerandone l’adozione nei diversi contesti di business. Per quanto riguarda invece la scelta del modello, nel caso degli agenti, l’LLM da scegliere deve avere una buona capacità di ragionamento, per pianificare una sequenza logica di step, verificare e correggere errori, capire come interagire con l’ambiente esterno e soprattutto, capire quando e come richiamare i tool.

Un tool è una funzione o una chiamata API che l'agente può invocare per eseguire operazioni specifiche e che estendono le capacità e funzionalità che il modello aveva nativamente, è quindi anche un modo per comunicare con l’ambiente esterno, con le diverse applicazioni di business,  accedere a dati sempre aggiornati o eseguire calcoli complessi.

Ma come si traducono queste tecnologie in applicazioni concrete? Ecco tre esempi pratici sviluppati interamente con watsonx.ai, che dimostrano il potenziale di questi strumenti all'interno di un ufficio acquisti.​

Pricing Agent: l’analisi dei prezzi in tempo reale

Uno degli aspetti più critici per un ufficio acquisti è la negoziazione dei prezzi con i fornitori. In alcuni settori, come quello dell’energia, individuare il momento più adatto per rinegoziare i termini di fornitura può essere cruciale, dal momento che il mercato è caratterizzato da continue oscillazioni di prezzo. In questo contesto, un AI Agent può essere un valido supporto.

Il Pricing Agent è in grado di raccogliere informazioni da fonti esterne, come il valore del prezzo unico nazionale (PUN) dell’energia, ed effettuare un’analisi delle variazioni rispetto alla media dello scorso anno, così da monitorare l’andamento del mercato e individuare il momento ottimale per effettuare hedging sul prezzo.

Questa attività viene svolta in autonomia dall’agente in tre step sequenziali, che prevedono l’utilizzo di altrettanti tool. Il primo step consiste nella ricerca dei dati aggiornati tramite web scraping. Una volta raccolte le informazioni necessarie, queste vengono date in input a un secondo tool, responsabile del calcolo della differenza percentuale rispetto al valore medio dell’anno precedente. Infine, l’elaborazione della risposta finale è affidata al modello generativo.

Grazie alla sua capacità di suddividere il compito in sotto-task e di scegliere autonomamente il percorso migliore per raggiungere l’obiettivo, il Pricing Agent semplifica e velocizza la fase di negoziazione, fornendo analisi e monitoraggi essenziali per individuare il momento migliore in cui effettuare hedging sul prezzo.

Regulatory Compliance Agent: come tenere sotto controllo la conformità normativa

Il rinnovo di un contratto comporta spesso la necessità di verificare la conformità alle normative vigenti. In alcuni settori, come quello energetico, questo processo è particolarmente delicato, poiché richiede tempo, competenze specifiche e un costante aggiornamento rispetto alle nuove regolamentazioni.

Il Regulatory Compliance Agent è in grado di analizzare i riferimenti legislativi all’interno di un contratto e confrontarli con le normative aggiornate, individuando eventuali discrepanze. Continuando con l’esempio del settore energetico, l’Agente potrebbe individuare all’interno di un documento la presenza di una normativa europea rispetto ai costi di trasporto dell’energia (step 1); verificare all’interno dei sistemi ufficiali dell’Unione Europea se la normativa è ancora valida o se esiste una versione più aggiornata (step 2); e in ultimo, restituire all’utente quanto verificato fornendo chiare indicazioni chiare sulle eventuali azioni correttive da intraprendere.(step 3).

Il Regulatory Compliance Agent semplifica e accelera il processo di verifica normativa, migliorando la conformità aziendale e riducendo il rischio di errori e omissioni.

Assistente Virtuale: l’importanza della prevedibilità

Accanto agli AI Agent, i tradizionali Virtual Assistants, basati su schemi deterministici e statici, restano strumenti validi per gestire specifiche richieste di business.

Sebbene gli AI Agent operino in autonomia, introducono un elemento probabilistico nei processi aziendali, poiché il flusso esecutivo degli step non è interamente predefinito da un utente, ma viene determinato dinamicamente da un modello di Intelligenza Artificiale.

Di conseguenza, sebbene gli agenti AI garantiscano maggiore flessibilità e autonomia, in alcuni scenari l’approccio deterministico dei Virtual Assistants rappresenta ancora la scelta più adatta. Questo principio riflette la filosofia di IBM: la tecnologia deve essere selezionata in base alle esigenze di business, e non il contrario. Gli agenti AI sono ideali per compiti complessi e decisionali, mentre gli assistenti virtuali risultano più efficaci in contesti che richiedono rigidità e prevedibilità.

In ogni caso, l’implementazione di nuove soluzioni introduce una maggiore complessità nella gestione delle tecnologie aziendali. Nel portfolio IBM, risponde a questa sfida watsonx.orchestrate, piattaforma in cui non solo è possibile sviluppare Agenti, ma può fungere da unico punto di accesso per le applicazioni di business, attivando dinamicamente i vari servizi in base alle richieste degli utenti.

Inoltre, la governance dell’AI gioca un ruolo cruciale: monitorare, tracciare e rendere trasparente l’uso delle soluzioni di Intelligenza Artificiale è fondamentale per garantirne affidabilità e sicurezza e questo rimane valido anche nel contesto degli AI Agents.

Elena Granata
Data&AI Technical Specialist, IBM Italia