Dall’automazione alla cognizione: l’evoluzione dell’AI agentica

Per decenni, l’automazione aziendale ha seguito una logica familiare: definire il processo, codificare i passaggi e lasciare che il software li esegua in modo coerente. Gli script automatizzavano i comandi, i runbook registravano le procedure, l’orchestrazione collegava le attività tra i sistemi e AIOps ha introdotto il machine learning nel crescente volume di dati operativi. Ogni progresso ha reso l’automazione più capace, ma le persone continuavano a prendere la maggior parte delle decisioni. Loro definivano il processo; il software lo eseguiva.

L’AI agentica cambia quel rapporto. Invece di partire da un insieme fisso di istruzioni, un agente può partire da un obiettivo e capire come perseguirlo entro limiti definiti. Ciò richiede più che generare una risposta. Il sistema deve interpretare lo scopo, raccogliere il contesto rilevante, valutare le evidenze, utilizzare la memoria, scegliere tra strumenti o automazioni e adattarsi al mutare delle condizioni. Anthropic evidenzia una distinzione simile tra flussi di lavoro, in cui modelli e strumenti seguono percorsi di codice predefiniti, e agenti, in cui il modello può dirigere dinamicamente il proprio processo e l’uso degli strumenti.

Da esecuzione deterministica a decisioni adattive

Niente di tutto ciò rende l’automazione tradizionale obsoleta. Anzi, l’automazione deterministica resta la risposta giusta quando il percorso da una condizione nota a un’azione è ben compreso. Se un servizio non supera un controllo di salute, riavvialo. Se una richiesta soddisfa criteri specifici, indirizzala alla coda appropriata. Se un’interfaccia supera una soglia, apri un ticket ed esegui una diagnostica. Questi sono esattamente i tipi di azioni ripetibili che l’automazione gestisce bene.

AIOps ha ampliato quel modello aiutando le organizzazioni a interpretare cosa stava accadendo prima che un’automazione si attivasse: correlando eventi, identificando anomalie, riducendo il rumore e aggiungendo contesto. L’AI agentica compie il passo successivo introducendo un giudizio tra il segnale e l’azione. La domanda non è più solo “Quale flusso di lavoro attiva questa condizione?” ma diventa “Dato l’obiettivo e le evidenze attuali, qual è il prossimo passo migliore?”.

Consideriamo un servizio in degrado. Un agente potrebbe dover esaminare la telemetria, la topologia, le modifiche recenti, i ticket, i dati di configurazione, gli incidenti storici e l’impatto sul business prima di decidere cosa fare. In una situazione, le evidenze possono indicare una rimedio familiare, mentre in un’altra l’agente potrebbe dover raccogliere ulteriori informazioni o eseguire una diagnostica in sola lettura. E quando l’impatto potenziale è elevato o le evidenze sono inconcludenti, la decisione corretta può essere quella di coinvolgere un umano. Questa capacità di adattare il percorso in base a ciò che il sistema scopre è il cambiamento significativo.

Il contesto e la memoria cambiano la qualità della decisione

L’agenzia senza contesto non è molto utile. Lo stesso sintomo può significare qualcosa di completamente diverso a seconda della topologia, dell’attività di manutenzione, delle modifiche recenti, delle dipendenze o dell’impatto sul cliente. Gli operatori esperti comprendono questo istintivamente; raramente prendono decisioni importanti basandosi su un singolo segnale isolato. Assemblano un quadro, separano l’osservazione dall’inferenza e decidono quanta fiducia meritano le evidenze.

La memoria aggiunge un’altra dimensione. Google Cloud identifica la memoria come componente fondamentale delle architetture agentiche perché aiuta gli agenti a mantenere il contesto e a utilizzare le informazioni delle interazioni precedenti. Nelle operazioni, l’opportunità è più ampia del semplice recupero di un vecchio ticket. Una memoria operativa utile può conservare ciò che è accaduto quando sono comparsi condizioni simili, quale ipotesi si è rivelata corretta, quale rimedio è stato tentato, se ha funzionato o è stato annullato, e cosa hanno appreso gli operatori in seguito. Quando tale esperienza è stata validata, può diventare evidenza per la decisione successiva anziché una conoscenza che scompare in un post‑mortem o rimane nella testa di un esperto.

Esiste un interessante parallelo nella scienza cognitiva. La ricerca sul “cognitive offloading” esamina come le persone usino strumenti e azioni esterne per ridurre le richieste mentali di un compito, mentre la ricerca sull’uso degli strumenti ha dimostrato che l’interazione ripetuta con gli strumenti può modificare il modo in cui le persone rappresentano la loro portata pratica e la capacità di agire. L’analogia con l’AI aziendale non deve essere presa alla lettera, ma l’idea di base è utile: gli strumenti fanno più che far risparmiare tempo. Col tempo, possono cambiare il nostro approccio a un problema. La nota ricerca sui tassisti di Londra e l’expertise nella navigazione offrono un altro promemoria che l’esperienza prolungata può modellare la stessa cognizione. Per le imprese, la domanda di design non è quindi semplicemente quanto lavoro un agente possa assumere, ma se il sistema umano‑agente diventi più capace a comprendere e agire sulla complessità.

Gli agenti dovrebbero orchestrare l’automazione, non sostituirla

Questo è anche il motivo per cui non vedo l’AI agentica come un rifiuto dell’automazione. All’inizio della mia carriera, ho trascorso anni a costruire l’automazione operativa, e una lezione è rimasta con me: l’esecuzione da sola non basta. L’automazione deve guadagnarsi la fiducia. Gli operatori hanno bisogno della certezza che l’azione corretta sia utilizzata nella situazione giusta, con l’autorità appropriata e con prove sufficienti per capire il perché.
Un’architettura agentica pratica si basa su quell’investimento. Script, flussi di lavoro, API, piattaforme di orchestrazione e strumenti specifici di dominio esistenti diventano capacità che l’agente può invocare quando opportuno. Se le evidenze supportano una rimedio noto, l’agente può utilizzare l’automazione comprovata anziché improvvisare una nuova azione. Se le evidenze sono incomplete, può approfondire l’indagine. Il valore deriva dalla combinazione di un’esecuzione affidabile con una presa di decisione più adattiva su quando e come tale esecuzione debba avvenire.

Più autonomia rende la governance più importante

Nel momento in cui il software può scegliere tra azioni, la governance non può più essere qualcosa aggiunto a posteriori. Un agente aziendale deve comprendere non solo ciò che è tecnicamente in grado di fare, ma ciò che è autorizzato a fare in un determinato ambiente, a un certo livello di rischio e sotto una specifica identità o ruolo. Il framework di gestione del rischio AI di NIST riflette questa visione più ampia della governance, organizzando la gestione del rischio AI attorno a governare, mappare, misurare e gestire, con la governance operante attraverso le altre funzioni.

In pratica, ciò significa che un agente dovrebbe poter mostrare le evidenze alla base di una raccomandazione, rendere chiaro quali sistemi e dati ha utilizzato, esporre l’incertezza, rispettare i requisiti di approvazione e lasciare una traccia di audit di quanto accaduto. Anche la reversibilità è importante. Una diagnostica in sola lettura e una modifica di configurazione in produzione non dovrebbero avere la stessa soglia di autonomia.

La supervisione umana diventa quindi più precisa anziché semplicemente sparire. Lo stesso agente può raccogliere evidenze in modo autonomo, raccomandare una rimedio, richiedere l’approvazione prima di un’azione ad alto rischio e poi verificare se l’azione approvata ha effettivamente funzionato. L’obiettivo non è dichiarare gli esseri umani universalmente “dentro” o “fuori” dal ciclo — è inserire il giudizio umano nei punti in cui aggiunge più valore.

Il vero vantaggio è ciò che accade dopo l’azione

Forse la differenza più significativa appare dopo che un’azione è stata eseguita. L’automazione tradizionale solitamente chiede se il flusso di lavoro è stato eseguito con successo. Un sistema cognitivo dovrebbe porre una domanda più difficile: l’azione ha prodotto il risultato previsto e cosa dovremmo apprendere da quanto accaduto?

Ciò cambia il valore del ciclo di feedback. Una rimedio riuscito può rafforzare le evidenze per una situazione simile in futuro. Un’ipotesi fallita dovrebbe rendere il sistema meno propenso a ripetere lo stesso ragionamento. Una correzione da parte dell’operatore può migliorare la prossima raccomandazione, mentre un rollback può rivelare che la fiducia ha superato ciò che le evidenze disponibili giustificavano. Col tempo, l’asset importante non è semplicemente una libreria più ampia di automazioni, ma la relazione accumulata tra situazioni, evidenze, decisioni, azioni e risultati.

Vista in questo modo, l’evoluzione dell’automazione aziendale riguarda meno la sostituzione di una generazione di tecnologia con un’altra e più l’aggiunta di nuove capacità attorno a ciò che già funziona. Gli script codificavano azioni, i runbook registravano procedure, l’orchestrazione le collegava e AIOps aiutava a interpretare segnali operativi sempre più complessi. L’AI agentica aggiunge la capacità di perseguire obiettivi, ragionare attraverso contesto ed evidenze, attingere alla memoria, scegliere tra le capacità disponibili, agire entro limiti governati e apprendere dal risultato.

Il risultato non dovrebbe essere un’autonomia illimitata. Dovrebbe essere un’autonomia responsabile: sistemi in grado di riconoscere quando agire, quando indagare, quando chiedere permesso e quando fermarsi. Questa è la transizione dall’automazione alla cognizione — non macchine che sostituiscono le operazioni umane, ma imprese che sviluppano un modo migliore di percepire, decidere, agire e apprendere.