Portare un agente di IA dalla fase dimostrativa all’uso quotidiano dipende meno dal modello che dai casi limite, dai dati mancanti e dalla fiducia. Alberto Arrighi è a capo del team Successo dei clienti di StackAI, ora parte di Asana, e Max Poff è uno dei suoi ingegneri di prima linea, che dividono il loro tempo tra la scrittura di codice e l’implementazione di agenti all’interno di banche, società di private equity, agenzie e appaltatori del settore della difesa. In una recente intervista su MTS, hanno condiviso cinque pratiche che portano un agente dal prototipo alla produzione: iniziare con un flusso di lavoro noioso e ad alto rischio, considerare i test degli utenti come la vera fase di sviluppo, collegare i dati su cui fa affidamento l’intero team, creare un ciclo di apprendimento e progettare per la sicurezza fin dal primo giorno.
La parte più difficile è il passaggio tra una demo funzionante e il momento in cui gli utenti si affidano all'agente nel loro lavoro quotidiano. "La parte più difficile è gestire i casi limite che emergono tra la demo e il momento in cui gli utenti si fidano davvero dell'agente nell'ambito della produzione quotidiana", ha affermato Max.
Le demo funzionano con input puliti e le ipotesi di una sola persona. La fase di produzione comporta documenti disordinati, autorizzazioni mancanti e colleghi che lavorano in modo diverso rispetto alla persona che ha promosso il progetto.
I primi agenti migliori si occupano di attività essenziali ma lente. Max ha descritto un team di rischio e conformità di una grande banca europea. Ogni volta che arrivava una proposta di cambiamento aziendale, i risk manager consultavano un ampio registro dei rischi per individuare nuovi rischi, quindi un registro dei controlli per assegnare le misure di mitigazione.
Ora il team pubblica la proposta su un bot Slack personalizzato. Un flusso di lavoro StackAI restituisce una cartella di lavoro Excel formattata con la valutazione completa del rischio, i rischi segnalati e i controlli mappati. "Un'attività che prima richiedeva un intero pomeriggio ora richiede circa 10-15 minuti", ha affermato Max.
Due aspetti hanno contribuito al successo: l’agente ha interagito con le persone all’interno di uno strumento che già utilizzavano e l’output è stato fornito nel formato con cui già lavoravano.
I test di accettazione utente (UAT) sono la fase in cui una demo diventa un prodotto. Max ha collaborato con il team di assistenti esecutivi di una società di private equity per automatizzare la codifica delle spese in SAP Concur. "Si può creare una demo per questo in pochissimo tempo", ha affermato. "Ma una volta che l’abbiamo sottoposta ai beta tester, è iniziato il vero lavoro."
StackAI esegue una fase UAT strutturata su ogni distribuzione per evidenziare i casi in cui l’agente non riesce a svolgere il suo compito. Ogni correzione rende il flusso di lavoro più resiliente all’uso nel mondo reale. Pianifica questa fase nella tua cronologia; non è un segno che il progetto sia in ritardo.
Un agente creato con un solo stakeholder vede solo il mondo di quello stakeholder. Il team di Alberto ha creato un agente di pianificazione media per una delle più grandi agenzie di media e marketing del Nord Europa. A partire da un brief del cliente, raccomanda i canali, le allocazioni di budget e un piano di implementazione.
Sembrava funzionare bene con lo stakeholder principale. Quando il team più ampio lo ha testato, ha evidenziato set di dati critici a cui l’agente non riusciva ad accedere. "Creare una demo è facile; è quando la si sottopone a tester reali che si scoprono le autorizzazioni di sistema mancanti o le logiche difettose", ha affermato Alberto. La soluzione è stata quella di collegare più strumenti ed eliminare i compartimenti stagni tra di essi.
Questo riflette un cambiamento più ampio. Un anno fa, la maggior parte dei casi d'uso collegava un agente a una singola knowledge base. Oggi sono sistemi di orchestrazione che attingono a molte fonti, si attivano in base agli eventi e agiscono su più strumenti.
Gli agenti diventano più utili quando ricordano ciò che imparano. Gli agenti di StackAI conservano i file di memoria condivisi tra gli utenti di un’organizzazione cliente. Man mano che le persone utilizzano l’agente e forniscono feedback, tale memoria si aggiorna e l’agente la carica nelle esecuzioni future.
Alberto ha indicato un secondo ciclo: la reintegrazione dei risultati nella knowledge base originale. "Questo ciclo continuo di reinserimento è un enorme fattore di valore per le nostre distribuzioni aziendali", ha affermato. Col passare del tempo, ogni esecuzione va ad aggiungersi a ciò che l'organizzazione sa.
Nei settori regolamentati, il modo in cui un agente opera è importante quanto ciò che fa. Le principali istituzioni finanziarie richiedono sempre più spesso che gli agenti vengano eseguiti nel loro cloud privato o on-premise, non su un'infrastruttura SaaS condivisa. StackAI supporta anche gli appaltatori del settore della difesa che operano in ambienti air-gapped.
"Per i settori della difesa, bancario e degli hedge fund, la sicurezza del perimetro dei dati non è negoziabile", ha affermato Max. Governance, osservabilità e sicurezza diventano essenziali quando gli agenti entrano in contatto con dati sensibili e intraprendono azioni ad alto rischio.
Oggi i modelli gestiscono bene i dati strutturati. "Quando ho iniziato, il consiglio più comune era: se il tuo flusso di lavoro dipende da un foglio di calcolo Excel disordinato e contorto, l’IA probabilmente non è la soluzione giusta", ha affermato Max. Oggi, molti degli agenti che crea producono cartelle di lavoro Excel complesse e formattate.
Gli agenti possono anche essere eseguiti in background, mantenendo un livello di dati mentre le persone si limitano a porre domande. Max ritiene che ciò metta sotto pressione le dashboard di BI statiche: “Le dashboard rappresentano istantanee statiche di ciò che qualcuno ha immaginato che potresti voler vedere”.
Tutte le pratiche di cui sopra si riconducono a un unico elemento: il contesto, le conoscenze istituzionali… la comprensione di chi sta facendo cosa, entro quando, come e perché. Un agente passa dalla fase di dimostrazione all’uso quotidiano quando è in grado di visualizzare i dati, le decisioni e i responsabili dietro il lavoro. È esattamente ciò che si trova nel Work Graph® di Asana. StackAI aggiunge l’esecuzione cross-system, in modo che gli agenti possano agire attraverso gli strumenti su cui si basa un’azienda. Insieme, un flusso di lavoro non deve necessariamente iniziare in una finestra di chat: l’assegnazione di un’attività su Asana può far sì che un agente StackAI la gestisca dall’inizio alla fine, con persone che approvano e passano il lavoro lungo il percorso. “Collegare le funzionalità agentiche direttamente ai grafici del lavoro aziendali sblocca un livello operativo completamente nuovo”, ha affermato Alberto.
Vuoi far passare i tuoi flussi di lavoro con agenti IA dalla fase di dimostrazione all’uso quotidiano? Scopri come StackAI di Asana aiuta le aziende a creare, testare e implementare agenti nei sistemi su cui si basa la loro attività.
Alberto Arrighi è a capo del team Successo dei clienti di StackAI, ora parte di Asana. Il suo team di strateghi dell’IA e di ingegneri di distribuzione avanzata collabora con i clienti aziendali per individuare i flussi di lavoro di maggior valore per gli agenti e trasformarli in specifiche e requisiti per le distribuzioni in produzione. Ha iniziato a lavorare in StackAI come stratega di IA.
Max Poff è un ingegnere forward-deployed di StackAI, ora parte di Asana. Divide il suo tempo tra la scrittura di codice e l’implementazione di agenti presso clienti aziendali, tra cui team di rischio e conformità nel settore bancario e team operativi nel settore del private equity, e integra ciò che apprende nel prodotto.