Cos'è l'agentic automation?

Sebbene ci troviamo ancora nelle primissime fasi dell'agentic automation e le metodologie siano in rapida evoluzione, è un campo che può essere considerato come il culmine dell'automazione in senso più ampio e un enorme passo avanti verso la realizzazione del sogno dell'umanità di un'automazione che potenzi l'uomo e persino di sistemi completamente automatizzati.

L'arte di far svolgere alle macchine compiti che altrimenti sarebbero svolti dagli esseri umani ha una lunga storia che risale all'antichità. Le tappe più recenti includono la rivoluzione industriale, l'elettrificazione e i computer, che rappresentano i progressi compiuti in questo settore nel corso dell'ultimo secolo.

L'avvento dell'intelligenza artificiale rappresenta il prossimo salto quantico per le tecnologie di automazione per una serie di motivi. Prima dell'AI, le soluzioni di automazione prevedevano in genere un costo iniziale molto elevato in quanto i sistemi basati su regole non possiedono la capacità di ragionamento dinamico degli umani e richiedono una progettazione meticolosa. I sistemi non-agentic, come la tradizionale Robotic Process Automation (RPA), funzionano bene in attività strutturate e ripetitive perché, in mancanza di consapevolezza, operano in modo lineare e statico. Senza la capacità di ragionare, questi sistemi tendono a guastarsi quando il cambiamento viene applicato a un determinato scenario. Non sono preparati per imparare o adattarsi a nuovi scenari.

Inoltre, non sono in grado di gestire input complessi e non strutturati perché la comprensione del linguaggio umano e la capacità di produzione hanno superato di gran lunga le funzionalità dei sistemi informatici tradizionali. I sistemi automatizzati devono essere controllati con comandi statici. Se un utente vuole cambiare qualcosa, deve spostare manualmente un cursore o selezionare una casella tramite qualche interfaccia.

C'era da fare i conti anche con il cosiddetto "paradosso dell'automazione", secondo il quale più efficiente è il sistema automatizzato, più importante è l'apporto umano degli operatori. Se qualcosa va storto in un sistema automatizzato, il sistema potrebbe moltiplicare il problema fino a quando non arriva un essere umano per risolverlo.

L'automazione dei modelli di AI, basata su algoritmi avanzati di apprendimento automatico denominati modelli linguistici di grandi dimensioni (LLM), ha rappresentato un importante passo avanti, ma i sistemi di non-agentic AI sono ancora reattivi. Eseguono le istruzioni ricevute e seguono prompt strettamente definiti. Ad esempio, un modello di previsione può prevedere un picco della domanda, ma non può riordinare le scorte, avvisare i team di vendita o modificare i tempi di consegna senza ulteriori richieste. L'introduzione di nuovi contesti potrebbe richiedere una riqualificazione o una riconfigurazione costosa e dispendiosa in termini di tempo.

L'emergere dell'agentic automation applicata ai processi segna una tappa fondamentale per l'automazione, poiché gli agenti sono in grado di prendere decisioni in tempo reale basate sui dati e possiedono capacità di adattamento, riducendo drasticamente la necessità dell'intervento umano. Gli agenti possono suddividere gli obiettivi aziendali in azioni fruibili, dare loro priorità ed eseguirle in una sequenza che si evolve in base al contesto in tempo reale, risultando in automazione intelligente attraverso workflow complessi.

Le tecnologie di agentic AI si adattano continuamente utilizzando il feedback dell'ambiente, incorporando dati e risultati in tempo reale nel processo decisionale, migliorando le prestazioni nel tempo e rispondendo dinamicamente a interruzioni impreviste.

Mentre molti modelli di non-agentic AI hanno problemi con dati non strutturati, come e-mail, documenti o linguaggio aperto, i sistemi basati su agenti eccellono grazie all'uso dell'elaborazione del linguaggio naturale (NLP) e dell'AI generativa (gen AI). Ciò consente loro di comprendere input complessi, con una funzionalità che si avvicina a quella umana. E quando gli agenti non sono certi di come gestire una determinata situazione, possono utilizzare metodologie human-in-the-loop per ottenere la convalida umana.

Gli agenti possono lavorare insieme in un'orchestrazione AI multiagente, in cui ogni agente è specializzato in un tipo specifico di attività. Possono funzionare in silos, integrandosi con app, API e sistemi esterni per realizzare workflow automatizzati complessi.

Alla base dell'agentic automation c'è la capacità di combinare diverse tecnologie per eseguire attività che altrimenti avrebbero richiesto l'intervento umano. Non tutti gli agenti possiedono tutte queste funzionalità e le automazioni avanzate richiederanno diversi tipi di agenti AI. Di seguito sono riportati i componenti degli agenti AI:

Il primo è la percezione. L'agentic AI inizia raccogliendo dati dal proprio ambiente tramite sensori, API, database o interazioni con gli utenti. Questa fase garantisce che il sistema abbia informazioni aggiornate per l'analisi dei dati e per agire.

Poi è la volta del ragionamento. Una volta raccolti i dati, l'AI li elabora per estrarre insight significativi. Utilizzando l'elaborazione del linguaggio naturale (NLP), la computer vision o altre funzionalità di AI, interpreta le richieste degli utenti, rileva i modelli e comprende il contesto più ampio. Questo aiuta l'AI a determinare quali azioni intraprendere in base alla situazione.

Con la definizione degli obiettivi, l'agente definisce obiettivi basati sui traguardi predefiniti o sugli input degli utenti. Successivamente, sviluppa una strategia per raggiungere questi obiettivi, spesso ricorrendo a decision trees, apprendimento per rinforzo o altri algoritmi di pianificazione.

Nel processo decisionale, l'agente valuta più azioni possibili e sceglie quella ottimale in base a fattori come efficienza, precisione e risultati previsti.

Dopo avere selezionato un'azione, l'agente avvia l'esecuzione, interagendo con sistemi esterni (API, dati, robot) o fornendo risposte agli utenti.

Da lì, l'AI impara valutando il risultato e raccogliendo feedback per migliorare le decisioni future. Attraverso l'apprendimento per rinforzo o l'apprendimento auto-supervisionato, l'agente affina le sue strategie nel tempo, diventando più efficace nella gestione di attività simili in futuro.

Gli agenti possono essere utilizzati praticamente in qualsiasi settore, ma ecco alcune aree comuni in cui sono uno strumento di automazione emergente.

Nelle operazioni finanziarie, i sistemi basati su AI possono gestire attività come l'elaborazione delle fatture, il rilevamento delle frodi, la rendicontazione finanziaria e il monitoraggio della conformità. Ad esempio, l'agentic AI può estrarre i dati dalle fatture, convalidare i dati rispetto agli ordini di acquisto e avviare workflow di approvazione nella contabilità fornitori

I sistemi AI aiutano anche a prevenire i rischi. Analizzando grandi quantità di dati sulle transazioni in tempo reale, l'agentic AI può rilevare modelli o anomalie insoliti che possono indicare una frode. Questi sistemi sono in grado di segnalare le transazioni sospette per ulteriori indagini, garantendo così una maggiore sicurezza.

Nella gestione degli investimenti, l'agentic AI può elaborare dati di mercato, valutare le tendenze ed eseguire le negoziazioni in momenti ottimali, il tutto con un intervento umano minimo. Gli strumenti basati su AI possono persino aiutare nella gestione del portfolio analizzando i profili di rischio dei clienti o consigliando strategie su misura.

Nel settore sanitario, le piattaforme di automazione possono coordinare un'ampia gamma di workflow amministrativi come l'acquisizione dei dati dei pazienti, i controlli di idoneità assicurativa, la pianificazione degli appuntamenti e i processi di fatturazione. Questi sistemi riducono lo sforzo manuale e accelerano compiti routinari e onerosi.

Possono anche interpretare note cliniche non strutturate, tramite l'utilizzo dell'NLP e l'estrazione di insight medici, o contrassegnare anomalie che il personale medico deve esaminare, migliorando l'accuratezza diagnostica e la sicurezza dei pazienti.

La conformità è un altro ambito in cui i sistemi basati su agenti eccellono, in quanto possono aiutare a soddisfare complessi requisiti normativi garantendo una documentazione adeguata e percorsi di verifica.

Queste piattaforme aiutano anche nel coordinamento delle cure, facilitando la comunicazione tra i reparti, l'invio di promemoria e altre iniziative di assistenza incentrate sul paziente.

Nella gestione della supply chain, i sistemi basati su agenti possono monitorare continuamente i dati in tempo reale su più domini, dall'inventario ai dati logistici di spedizione fino alle metriche delle prestazioni dei fornitori, con l'obiettivo di identificare in modo proattivo le potenziali interruzioni prima che peggiorino. Quando gli agenti rilevano anomalie o ritardi, possono reindirizzare autonomamente le navi o adattare le strategie di procurement in base alle informazioni aggiornate sulla supply chain per mantenere il flusso di produzione.

Dall'analisi dei curricula alla pianificazione dei colloqui e all'approvvigionamento degli account, l'agentic AI può coordinare l'intero processo di onboarding coordinando più sistemi. Prima ancora che venga scritto un nuovo annuncio di lavoro o sia individuata una posizione aperta, un agente può analizzare fonti di dati come tendenze storiche delle assunzioni, tassi di turnover dei dipendenti, proiezioni di crescita aziendale e dati demografici della forza lavoro. Una volta sviluppata una strategia di assunzione completa, un agente può mettersi al lavoro contribuendo alla creazione della descrizione dei ruoli, alla selezione dei curricula e persino alla conduzione di colloqui e alla negoziazione di contratti. Una volta assunto un dipendente, l'onboarding può essere in gran parte automatizzato tramite chatbot.

L'agentic automation può migliorare l'esperienza del cliente con interazioni più veloci, accurate e personalizzate. Un caso d'uso comune sono i chatbot del supporto clienti. Esistono da un po', ma con l'agentic AI possono fare molto di più. Immagina uno scenario in cui un cliente contatta il centro di supporto di un'azienda per un problema, ad esempio una difficoltà nell'elaborazione di un reso. Tradizionalmente, ciò poteva comportare lunghi tempi di attesa, comunicazioni ripetute e passaggi multipli tra agenti. L'agentic automation semplifica notevolmente il processo.

I bot basati su agenti possono valutare i ticket IT, eseguire diagnosi, reimpostare le password e risolvere i problemi. I bot basati su agenti possono analizzare i ticket di supporto IT in arrivo, determinare il livello di priorità e classificare i problemi in base al contesto. Esaminando i log di sistema, gli stati della rete e gli indizi segnalati dagli utenti, questi bot possono eseguire la diagnostica per individuare potenziali problemi come conflitti software o problemi di rete.

In caso di password dimenticata o di problemi di accesso al sistema, i bot possono reimpostare autonomamente le password o aiutare a risolvere i problemi. Per problemi più complessi che richiedono conoscenze specialistiche o supervisione umana, i bot possono inoltrare i ticket al personale di supporto, fornendo contesto e diagnostica. Imparando continuamente dalle interazioni passate, i bot basati su agenti possono affinare le loro capacità di risoluzione dei problemi, riducendo le risposte, i tempi di risposta e consentendo ai team IT di concentrarsi su attività più complesse e di livello superiore.

Gli agenti rappresentano la prossima frontiera della trasformazione digitale nelle operazioni aziendali e l'ecosistema è in rapida espansione ed evoluzione. Sono disponibili molti framework di agenti AI popolari, a seconda delle esigenze aziendali, ognuno con le proprie specialità e limitazioni in grado di gestire una varietà di processi aziendali e altre iniziative che richiedono funzionalità avanzate di AI. Questi forniscono gli elementi costitutivi per lo sviluppo, l'implementazione e la gestione degli agenti AI, con caratteristiche e funzioni integrate che aiutano a semplificare e velocizzare il processo. Langchain e crewAI sono framework molto diffusi.