Con il World Tour di Salesforce Agentforce, l’IA si concretizza per rivoluzionare il nucleo delle imprese.

L’adozione dell’intelligenza artificiale (AI) agentica nei contesti aziendali sta generando un dibattito significativo riguardo la sua integrazione con i processi operativi e la gestione dei dati esistenti. La transizione da una fase sperimentale a una piena implementazione dell’AI nei flussi di lavoro aziendali rappresenta una sfida complessa, che richiede architetture specifiche per consentire agli agenti AI di interagire efficacemente con i sistemi informativi attuali. Un tema centrale in questo contesto è come gli agenti AI possano accedere e utilizzare l’infrastruttura di dati, processi e regole già consolidata all’interno delle organizzazioni.

Architetture per l’accesso agentico ai sistemi aziendali

La necessità di integrare l’AI agentica con le piattaforme aziendali esistenti è affrontata attraverso soluzioni che espongono le funzionalità dei sistemi come servizi accessibili agli agenti. Un esempio di questa metodologia è “Headless 360”, una piattaforma progettata per fornire agli agenti AI l’accesso all’ecosistema di un sistema CRM. Questa soluzione opera esponendo le funzionalità della piattaforma, inclusa la configurazione, come un servizio basato su un protocollo specifico (MCP – Model Context Protocol di Anthropic).

Tale approccio permette la personalizzazione della piattaforma in modalità agentica, utilizzando strumenti come Claude Code, Windsurf o Cursor per la codifica. Questo facilita la configurazione e l’interazione con dati, processi e regole già presenti nel sistema, senza richiedere una ricostruzione da zero dell’infrastruttura. L’implicazione per il settore CAD/CAE/PLM risiede nella possibilità di sviluppare agenti AI capaci di interrogare, configurare o aggiornare dati relativi a clienti, ordini o requisiti di progetto gestiti in un CRM, influenzando così le fasi di progettazione e sviluppo prodotto. Ad esempio, un agente AI potrebbe analizzare automaticamente il feedback dei clienti o le specifiche di vendita per suggerire modifiche a un modello CAD o configurare una distinta base. La capacità di basarsi su infrastrutture operative esistenti riduce la complessità di adozione, consentendo agli ingegneri di concentrarsi sull’applicazione dell’AI per risolvere problemi specifici piuttosto che sulla creazione di nuove basi dati.

Casi d’uso e implicazioni per la governance dei dati

L’implementazione dell’AI agentica presenta specificità diverse a seconda del contesto settoriale. Nel settore bancario, ad esempio, UniCredit ha dimostrato l’adozione di agenti AI per la gestione delle relazioni con i clienti, operando in un ambiente caratterizzato da stringenti normative sulla governance dei dati e sulla conformità legale. Questo evidenzia come l’integrazione di agenti AI in processi sensibili richieda non solo l’accesso ai dati, ma anche meccanismi robusti per assicurare la sicurezza, la privacy e la conformità normativa. Per i professionisti CAD/CAE, ciò significa considerare le implicazioni degli agenti AI sulla gestione dei dati di progetto (PLM), che spesso contengono informazioni proprietarie o regolamentate. La capacità di un agente AI di operare in modo conforme in un ambiente regolamentato è un requisito fondamentale per la sua applicazione nel ciclo di vita del prodotto.

Un altro esempio proviene da Trenitalia, che utilizza agenti AI a supporto delle funzioni di vendita e servizio clienti, anche tramite canali conversazionali come WhatsApp. In questo scenario, l’AI agentica supporta le operazioni umane senza sostituirle, fornendo assistenza e migliorando l’efficacia dell’interazione con i passeggeri. Per il settore dell’ingegneria, questo si traduce nella possibilità di integrare gli agenti AI per automatizzare la raccolta di requisiti tecnici dai clienti, gestire richieste di supporto relative a prodotti in servizio, o persino pre-elaborare informazioni utili per la progettazione e l’ottimizzazione di nuovi prodotti, basandosi sui dati derivanti dall’esperienza utente. La prospettiva è di potenziare l’efficienza dei team di ingegneria attraverso l’automazione di compiti ripetitivi e l’accesso più rapido a informazioni pertinenti.

Reskilling e competenze nell’era dell’AI agentica

L’evoluzione verso l’adozione dell’AI agentica comporta anche la necessità di aggiornare le competenze professionali. Il progetto “Now to Next”, realizzato in collaborazione con Randstad e Samsung, ha fornito percorsi formativi di tre settimane sulle tecnologie emergenti a un gruppo di oltre 25 atleti ed ex atleti, facilitando il loro ingresso nel mondo del lavoro. Questa iniziativa sottolinea l’importanza del reskilling per affrontare i cambiamenti nel panorama lavorativo indotti dalle nuove tecnologie.

Per il settore CAD/CAE/PLM, questo si traduce nella crescente rilevanza di competenze legate all’interazione con sistemi AI, alla gestione dei dati per l’addestramento di modelli predittivi e alla comprensione delle logiche di funzionamento degli agenti autonomi. Gli ingegneri e i progettisti potrebbero dover acquisire familiarità con linguaggi di scripting per la personalizzazione degli agenti, con i principi della data governance applicati all’AI e con metodologie per la validazione delle decisioni prese da un agente AI in contesti tecnici critici. L’aggiornamento professionale non riguarda solo l’uso degli strumenti, ma anche la capacità di supervisionare e interagire con sistemi autonomi.

Validazione e scalabilità delle soluzioni agentiche

L’area “Agentic Enterprise in Action” ha offerto l’opportunità di esaminare da vicino l’applicazione pratica degli agenti AI in diversi contesti aziendali, con dimostrazioni live di aziende come Leapmotor, Boggi Milano, Safilo, Euronics e Trenitalia. Questa esposizione di casi d’uso concreti evidenzia la necessità di una validazione sul campo delle soluzioni AI prima della loro implementazione su larga scala. La capacità di dimostrare l’efficacia degli agenti in ambienti operativi reali è fondamentale per l’adozione.

L’ecosistema di partner, inclusi Arsenalia, Atlantic Technologies, Deloitte e Accenture, svolge un ruolo nella scalabilità di queste implementazioni. La scalabilità non riguarda solo l’espansione tecnologica, ma anche la gestione delle complessità di integrazione, la formazione del personale e l’adattamento dei processi aziendali. Si osserva un “divario agentico” in Italia, con alcune aziende che rimangono nella fase pilota a causa di dati incompleti o di una governance inadeguata, mentre altre procedono con progetti di trasformazione guidati dall’AI. Superare questo divario richiede una chiara strategia per la gestione dei dati e una struttura di governance che supporti l’integrazione degli agenti AI nei processi di business. Questo è particolarmente rilevante nel settore CAD/CAE, dove la frammentazione dei dati e la complessità dei flussi di lavoro possono ostacolare l’efficace adozione dell’automazione basata su AI.

L’integrazione dell’AI agentica offre ai professionisti CAD/CAE/PLM la prospettiva di ottimizzare i flussi di lavoro, automatizzare attività ripetitive e migliorare l’accesso alle informazioni. La capacità di agenti AI di interagire con i sistemi aziendali esistenti, come descritto con “Headless 360”, può facilitare un approccio più data-driven alla progettazione e all’ingegneria, consentendo agli specialisti di concentrarsi su attività a valore aggiunto. Tuttavia, l’adozione su larga scala richiederà un’attenta considerazione delle implicazioni relative alla governance dei dati, alla conformità normativa e all’aggiornamento delle competenze professionali, elementi critici per garantire che questi sistemi supportino efficacemente l’intero ciclo di vita del prodotto.