IA agentica: definizione, funzionamento, esempi e limiti

L’IA agentica (in inglese agentic AI, in italiano anche intelligenza artificiale agentica) è un’IA a cui dai un obiettivo invece di una domanda: pianifica i passaggi, richiama strumenti come un CRM, una ricerca o un’API, controlla il risultato e agisce, con una supervisione limitata. Si distingue dall’IA generativa, che produce contenuti che poi usi tu, e da un chatbot, che segue un copione. Esempi tipici di agentic AI sono un agente di programmazione che apre una pull request, un agente di assistenza che risponde a un ticket o lo passa a una persona e un agente CRM che prepara la risposta su una trattativa, tutti con un punto in cui una persona approva.

«Agentico» deriva da «agente»: qualcuno che agisce per conto di qualcun altro. AWS spiega che «agentic» indica agency, «la capacità di questi sistemi di agire in modo indipendente, ma orientato a un obiettivo» (AWS). Anche la definizione sintetica di IBM è un buon punto di riferimento: l’IA agentica è «un sistema di intelligenza artificiale in grado di raggiungere un obiettivo specifico con una supervisione limitata» (IBM). Le due parole che reggono il significato sono obiettivo e limitata. Qualcuno stabilisce ancora l’obiettivo e qualcuno decide ancora quanto il sistema può fare senza chiedere.

Trasparenza: questa guida è pubblicata da Customermates, un CRM open source. Risponde alla domanda generale. Come far lavorare gli agenti sui record di un CRM è spiegato nella guida al CRM agentico, gli agenti specifici per le vendite nella guida agli agenti IA per le vendite; una breve sezione più sotto descrive il nostro prodotto.

Che cosa significa IA agentica?

IA agentica significa un’IA che agisce verso un obiettivo invece di limitarsi a rispondere. Il modello è lo stesso tipo di modello linguistico che sta dietro a un chatbot, ma è collegato a degli strumenti e può decidere il passo successivo. Google Cloud la descrive come un’IA che «può fissare obiettivi, pianificare ed eseguire compiti con un intervento umano minimo», a differenza della «IA tradizionale, che risponde soprattutto a comandi o analizza dati».

Le fonti principali definiscono l’IA agentica con parole leggermente diverse, e le differenze mostrano che cosa sta a cuore a ciascuna.

Il nucleo comune è un obiettivo, degli strumenti e un po’ di libertà su come arrivarci. Il disaccordo riguarda quanta libertà. Lo stesso articolo di MIT Sloan osserva che non esiste una definizione condivisa.

Che differenza c’è tra IA generativa e IA agentica?

L’IA generativa produce contenuti: testo, immagini, codice, un riassunto. Lo leggi e decidi tu che cosa farne. L’IA agentica usa un modello linguistico come quello che Google Cloud chiama un «cervello» che compie azioni tramite strumenti. L’esempio di Google: l’IA generativa potrebbe creare materiali di marketing, mentre l’IA agentica potrebbe poi pubblicarli, monitorarne le prestazioni e adeguare la strategia in base ai risultati.

Le ultime due righe sono la differenza pratica. Un’allucinazione in una bozza ti costa una correzione. La stessa allucinazione dentro un agente diventa un record modificato o un’e-mail inviata. Per questo gli agenti hanno bisogno di permessi e regole di approvazione che a un generatore di testo non sono mai serviti.

Che differenza c’è tra chatbot, assistente, workflow e agente?

Queste quattro parole vengono spesso usate per lo stesso prodotto, ma descrivono quantità diverse di controllo. Google Cloud distingue bot, assistenti e agenti: i bot sono i meno autonomi e di solito seguono regole preprogrammate, gli assistenti rispondono alle richieste e «possono suggerire azioni, ma la decisione spetta all’utente», e gli agenti sono i più autonomi, capaci di «operare e prendere decisioni in modo indipendente per raggiungere un obiettivo». Anthropic aggiunge il quarto: un workflow è un sistema in cui LLM e strumenti sono «orchestrati tramite percorsi di codice predefiniti», mentre in un agente il modello dirige il proprio processo.

ChatGPT è un’IA agentica? In una normale chat si comporta da assistente: risponde e agisci tu. Funziona in modo agentico quando può usare strumenti per agire al posto tuo, per esempio nella modalità agente di ChatGPT, oppure quando è collegato a un software aziendale tramite MCP e può leggervi i dati e, a seconda del piano di ChatGPT, modificarli. L’etichetta appartiene alla configurazione, non al nome del prodotto.

Come funziona un sistema di IA agentica?

Un sistema di IA agentica è un modello linguistico con quattro cose intorno: un obiettivo, gli strumenti che può richiamare, i permessi con cui quegli strumenti girano e un ciclo con una regola di arresto. Ogni sistema di questo tipo esegue una versione dello stesso ciclo:

1. Obiettivo. Una persona, una pianificazione o un evento consegna all’agente un obiettivo, come «prepara una risposta a questa e-mail» o «correggi il test che fallisce».
2. Piano. Un modello linguistico scompone l’obiettivo in passaggi e sceglie il primo.
3. Azione. L’agente richiama uno strumento: una ricerca, una query su un database, una chiamata API, la modifica di un file.
4. Osservazione. Legge il risultato e lo confronta con l’obiettivo.
5. Continuare o fermarsi. Fa il passo successivo, chiede a una persona oppure termina quando l’obiettivo è raggiunto o scatta un limite.

IBM descrive lo stesso ciclo in sette fasi: percezione, ragionamento, definizione degli obiettivi, decisione, esecuzione, apprendimento e adattamento, orchestrazione. Ciò che stabilisce la portata di un agente sono i suoi strumenti: un modello senza accesso agli strumenti può descrivere un’azione ma non può compierla. Per questo il Model Context Protocol, nelle parole di chi lo mantiene «uno standard open source per collegare le applicazioni di IA a sistemi esterni», sta al centro di tante configurazioni di agenti. La guida al server MCP spiega come funziona e che cosa controllare prima di collegarne uno.

Quali sono esempi e applicazioni dell’IA agentica?

Il modo utile di leggere gli esempi è per compito, non per marchio: che cosa fa l’agente, di quali strumenti ha bisogno, dove una persona deve approvare e che cosa può andare storto. La tabella qui sotto copre assistenza, operazioni, finanza e sviluppo software; vendite e CRM hanno più sotto una sezione a parte. Le righe sono schemi, non prodotti.

Esempi di agentic AI per funzione aziendale

I fornitori descrivono gli stessi compiti. La spiegazione di Salesforce illustra un agente di assistenza che controlla lo stato della garanzia, cerca nella base di conoscenza, invia un’etichetta di reso e aggiorna il CRM, e un agente che monitora la salute dell’account, manda per e-mail la guida giusta e fissa un’attività di follow-up per l’account manager. AWS elenca ricerca e sviluppo, trasformazione del codice, automazione della risposta agli incidenti e automazione dell’assistenza clienti. Google Cloud aggiunge i servizi finanziari (rilevamento delle frodi, valutazione del rischio) e lo sviluppo software. Anthropic definisce l’assistenza clienti un campo naturale perché l’assistenza «segue naturalmente il flusso di una conversazione, richiedendo però l’accesso a informazioni e azioni esterne».

Leggi le ultime due colonne della tabella prima delle prime. Più l’azione è reversibile, meno approvazione richiede; pagamenti, rimborsi, rollback e qualsiasi cosa venga inviata a un cliente dovrebbero passare sempre da una persona.

Prodotti che i fornitori chiamano agenti

Ogni prodotto qui sotto è chiamato agente dal proprio fornitore, e le colonne centrali seguono la documentazione del fornitore.

La guida a Salesforce Agentforce approfondisce funzioni, prezzi e configurazione di quel prodotto.

Quali sono i tipi di IA agentica?

Chi cerca chiede spesso «i quattro tipi di agentic AI». Le fonti controllate qui non ne definiscono esattamente quattro. La guida agli agenti di Google Cloud ordina gli agenti in due modi: per interazione (partner interattivi che rispondono alla domanda di un utente e agenti in background, che sono «in genere guidati da eventi») e per numero (un singolo agente o un sistema multi-agente). AWS divide ulteriormente i sistemi multi-agente in orizzontali, i cui agenti lavorano fianco a fianco, e verticali, disposti in gerarchia. Incrociando interazione e numero si ottengono quattro combinazioni; quella griglia è una mia lettura, non uno standard.

Un secondo modo di ordinare è chiedersi chi controlla il percorso. La guida tecnica di Anthropic separa i workflow dagli agenti e indica cinque schemi di workflow. Il suo consiglio è netto: trova la soluzione più semplice che funziona, il che «può significare non costruire affatto sistemi agentici». Sono d’accordo. La maggior parte dei compiti aziendali che la gente chiama «agenti» si costruisce meglio come workflow con uno o due passaggi di IA.

IA agentica e agenti IA. Google Cloud definisce gli agenti IA «i mattoni dell’IA agentica»: un agente si concentra su un compito specifico, mentre l’IA agentica coordina più agenti su un workflow complesso. Nell’uso quotidiano i termini sono intercambiabili.

Come si usa l’IA agentica nelle vendite e nel CRM?

Il lavoro nel CRM si presta bene agli agenti: il contesto sta in un solo posto (contatti, trattative, note, storico delle conversazioni), gli stessi compiti si ripetono ogni giorno e la maggior parte delle modifiche si può correggere. La tabella elenca i compiti che vengono per primi. Sono schemi, non prodotti, e ogni riga finisce con una persona.

Dove trovi le risposte alle domande più specifiche

Questa pagina risponde alla domanda generale. Due guide vicine trattano quelle più specifiche, perciò qui non le ripetiamo.

Che cosa fa Customermates qui

Queste sono informazioni del fornitore sul nostro prodotto. Customermates è un CRM open source pensato fin dall’inizio per l’IA. Il suo server MCP permette a un client IA come Claude o ChatGPT di leggere e scrivere record con i permessi dell’utente collegato, su ogni piano e in self-hosting; il server chiede ai client di confermare prima di eliminare o inviare, ma è un’indicazione che un client può ignorare. Customermates Cloud aggiunge Mate, un assistente, e le routine, che fanno lavorare Mate secondo una pianificazione o quando qualcosa cambia. Mate chiede conferma prima di eliminazioni, importazioni, modifiche di accesso e di qualche altra azione, ma non prima di inviare un’e-mail o un messaggio di chat: chiedi quindi una bozza quando vuoi rivedere prima il testo; l’elenco completo è nella documentazione di Mate. Se Mate sia effettivamente attivo dipende dall’ambiente ospitato.

Customermates è la scelta sbagliata se vuoi un agente che cerchi clienti e invii da solo: non ci sono sequenze, invii di massa né lead scoring, e gli agenti di outreach dedicati sono trattati invece nella guida agli agenti IA per le vendite. Un’installazione self-hosted ha MCP, ma né Mate né routine. Per vedere il follow-up sulle tue conversazioni, inizia la prova di 14 giorni: Pro, senza carta di credito. Se stai scegliendo un CRM pronto per l’IA, la guida al CRM con IA elenca che cosa confrontare.

Com’è fatta l’esecuzione di un agente? Un esempio passo per passo

Prendiamo una piccola società di consulenza in cui un cliente scrive: «Possiamo spostare l’avvio a giovedì, e la formazione è compresa nel prezzo?» Un agente configurato per preparare le risposte gestisce l’e-mail in sette passaggi. Il caso è illustrativo, non una storia di un cliente.

L’istruzione dietro l’esecuzione è breve, e ogni riga limita ciò che l’agente può fare:

Obiettivo: preparare una risposta alla nuova e-mail. Non inviarla.
Leggere: il contatto del mittente, la trattativa aperta collegata, la conversazione.
Scrivere: tre righe nelle note della trattativa (che cosa vuole il mittente,
date o importi citati, la domanda aperta) e una bozza di risposta
nella conversazione.
Mai: inviare un messaggio, cambiare fase o valore della trattativa,
toccare altre trattative.
Arresto: se il mittente non ha una trattativa aperta, non fare nulla e dirlo.
Resoconto: che cosa è stato letto, che cosa è stato modificato, che cosa resta incerto.

Tre dettagli fanno il lavoro. Lettura e scrittura sono separate: l’agente può guardare tutto ciò che gli serve e modifica solo note e bozze. La regola di arresto copre il caso a cui nessuno aveva pensato. E il punto di approvazione è il pulsante di invio, che resta a una persona. In Customermates questa esecuzione è una routine; la documentazione delle routine elenca che cosa una routine può fare senza approvazione, e la guida al CRM agentico spiega dove Mate e MCP chiedono conferma e dove no.

Quali sono i limiti e i rischi dell’IA agentica e quali controlli funzionano?

OWASP inserisce l’«Excessive Agency» (eccesso di agency) nella sua Top 10 per le applicazioni LLM (LLM06:2025) e la definisce come la vulnerabilità che consente azioni dannose in risposta a «output inattesi, ambigui o manipolati di un LLM». L’innesco può essere un’allucinazione, una prompt injection nascosta in un contenuto che l’agente legge o uno strumento compromesso. OWASP indica tre cause profonde, e ciascuna ha un controllo diretto:

Il consiglio di OWASP per la terza riga è usare un controllo human-in-the-loop «per richiedere che una persona approvi le azioni ad alto impatto prima che vengano eseguite». Anthropic dice lo stesso per gli agenti di programmazione: i test automatici verificano la funzionalità, ma «la revisione umana resta fondamentale per assicurare che le soluzioni siano in linea con i requisiti più ampi del sistema».

Nella pratica emergono altri tre limiti:

• Gli errori si propagano. Se il primo passaggio interpreta male un’e-mail, ogni passaggio successivo si costruisce sull’errore.
• Il costo cresce a ogni passaggio, motivo per cui esistono limiti per esecuzione.
• Il risultato richiede ancora una revisione. La documentazione GitHub del suo agente cloud Copilot avverte che può «produrre codice errato o non ottimale» e che il risultato va rivisto e testato prima dell’uso in produzione. Lo stesso vale per le bozze e le modifiche ai record di qualsiasi agente.

Un test rapido per qualsiasi prodotto venduto come agente: quali strumenti può richiamare, con i permessi di chi e che cosa fa senza chiedere?

Come assegno il primo compito a un agente?

1. Scegli un compito con una fine chiara

   Un buon primo compito si conclude in una sola esecuzione e ha un «fatto» evidente: una scheda per una riunione, una bozza di risposta, un record ripulito. Evita obiettivi aperti come «far crescere la pipeline».

2. Parti da bozze e da un ruolo ristretto

   Lascia che l’agente prepari e che una persona decida, ed eseguilo come un utente il cui ruolo copre il compito. Consenti azioni dirette solo per i passaggi facili da annullare.

3. Scrivi la regola di arresto

   Di’ che cosa succede quando un caso non rientra: «Se X, non fare nulla». I casi che l’istruzione non aveva previsto sono quelli in cui gli agenti improvvisano.

4. All’inizio leggi ogni esecuzione

   Controlla il registro di ogni esecuzione iniziale. Amplia ciò che l’agente può fare un’azione alla volta.

Scrivi le risposte in una scheda di una pagina. La colonna di destra la compila per l’agente che prepara le risposte dell’esempio qui sopra.

Quando l’IA agentica è lo strumento sbagliato?

Se i passaggi non cambiano mai, una regola fissa costa meno ed è più prevedibile di un agente. «Quando una trattativa passa a Vinta, crea un’attività di onboarding» richiede un webhook e un’automazione di workflow, non un modello linguistico. Gli agenti ripagano il loro costo dove l’input varia: e-mail in testo libero, note disordinate, domande che richiedono più ricerche. Sono la scelta sbagliata dove un’azione errata non si può annullare e nessuno riesce a rivederla in tempo, con i pagamenti come caso più evidente.

IA agentica e protezione dei dati

Gli agenti leggono dati personali: nomi, indirizzi e-mail, il contenuto delle conversazioni. Secondo il GDPR, un fornitore che tratta quei dati per tuo conto è un responsabile del trattamento e ha bisogno di un accordo sul trattamento dei dati, e i provider di IA di cui si serve sono i suoi sub-responsabili. Per Mate in Customermates Cloud, i fornitori dei modelli sono indicati nell’elenco dei sub-responsabili. Se vuoi scegliere tu il provider, collega il tuo client IA tramite MCP oppure installa in self-hosting il nucleo open source, così i dati del CRM restano sui tuoi server.

Domande frequenti

Definizioni, descrizioni di prodotto e citazioni di terzi verificate l’11 novembre 2026 su IBM, AWS, Google Cloud (agentic AI), Google Cloud (agenti IA), MIT Sloan, Salesforce, Anthropic, OWASP, la documentazione MCP, la documentazione di Claude Code e GitHub Docs.