Sviluppo agenti AI, dal prototipo alla produzione
Di Alessandro Nigro, Senior Software Engineer, consulente informatico dal 2009 · Aggiornato il
Sviluppo agenti AI su misura per le aziende: è il centro del mio lavoro. Sono agenti che fanno lavoro vero. Leggono i tuoi dati, usano i tuoi strumenti, seguono le tue regole e passano la mano a una persona quando serve. Il mio compito è portare un'idea da un prototipo che fa bella figura in una demo a un sistema che gira ogni giorno, con integrazioni, sicurezza, monitoraggio e costi sotto controllo.
Raccontami il tuo flusso di lavoro →Cosa sviluppo: la risposta in breve
Progetto e sviluppo agenti AI per flussi di lavoro precisi, poi li tengo in funzione. Alcuni esempi tipici:
- un agente che risponde alle domande sui documenti interni (RAG) e indica da dove viene ogni risposta;
- un agente che prepara il lavoro per una persona: legge una richiesta, raccoglie i dati da due o tre sistemi e propone il passo successivo;
- un insieme di strumenti che permette a un assistente come Claude di usare il tuo software in sicurezza, con permessi e limiti.
Lavoro come senior software engineer indipendente. Tutto quello che sviluppo resta tuo: il codice, i prompt e i dati. Se stai ancora capendo dove l'intelligenza artificiale può servire alla tua azienda, parti dalla pagina sull'intelligenza artificiale per aziende.
Cosa sono gli agenti AI e in cosa sono diversi da un chatbot
Un chatbot risponde, un agente agisce. Anthropic, nella guida Building effective agents, separa due cose. I workflow sono «systems where LLMs and tools are orchestrated through predefined code paths»: modelli e strumenti seguono percorsi scritti nel codice. Gli agenti sono «systems where LLMs dynamically direct their own processes and tool usage»: è il modello a decidere i passi e gli strumenti da usare.
Nei progetti reali serve quasi sempre un misto. Le parti prevedibili restano codice normale. Il modello decide solo dove la scelta dipende davvero dal contenuto: classificare una richiesta, scegliere quale strumento chiamare, scrivere una bozza. La stessa guida consiglia di cercare «the simplest solution possible, and only increasing complexity when needed», cioè la soluzione più semplice, con più complessità solo quando serve. Seguo la stessa regola: a volte la risposta giusta è un workflow ben fatto, senza nessun agente autonomo.
Quali attività può svolgere un agente AI in azienda
Un agente rende di più su attività ripetute, con regole chiare ma testi sempre diversi. Quelle che incontro più spesso:
- smistare le richieste che arrivano da email, moduli o ticket, con la priorità e la persona giusta;
- rispondere sui documenti aziendali, come manuali, procedure, contratti e schede tecniche, con il riferimento alla fonte;
- preparare pratiche: raccogliere dati da gestionale, CRM e fogli di calcolo e compilare una prima versione da controllare;
- estrarre dati strutturati da PDF, email e pagine web per caricarli nei tuoi sistemi;
- fare da interfaccia a un software interno, così una persona chiede in italiano quello che oggi richiede molti passaggi.
Ci sono anche cose che un agente non dovrebbe fare da solo: decisioni con conseguenze legali o economiche, pagamenti, comunicazioni ufficiali ai clienti. Lì l'agente prepara e una persona approva.
Come sviluppo un agente
Ogni progetto passa da quattro fasi. La prima decide se vale la pena pagare le altre.
Analisi iniziale
Guardiamo insieme un flusso di lavoro, le persone che lo seguono oggi e i sistemi che tocca. Misuro quanto spesso capita, quanto tempo richiede e quanto costa un errore. Il risultato è un perimetro scritto: cosa farà l'agente, cosa non farà mai, quali dati può vedere e come capiremo che funziona.
Progettazione
Scelgo la forma del sistema: workflow o agente, quale modello, quali strumenti, dove approva una persona. Prima di scrivere l'agente preparo il set di valutazione, un elenco di casi reali con il risultato atteso. Senza quello, ogni modifica è un tentativo alla cieca.
Sviluppo e integrazioni
Collego l'agente ai tuoi sistemi con interfacce chiare e permessi propri: sola lettura dove possibile, scritture solo attraverso azioni controllate. Quando un assistente deve usare i tuoi strumenti, li espongo come funzioni descritte. Spesso uso il Model Context Protocol, che il sito ufficiale definisce «an open-source standard for connecting AI applications to external systems»: uno standard aperto per collegare le applicazioni di AI ai sistemi esterni.
Avvio, monitoraggio e miglioramento
L'agente parte prima su una piccola parte del lavoro. Registro ogni esecuzione: dati in ingresso, strumenti chiamati, costo, esito, correzioni delle persone. Quei registri alimentano il set di valutazione. Così ogni miglioramento si misura su casi reali e non su impressioni.
Sviluppo su misura o piattaforme no-code
Le piattaforme no-code per agenti servono a provare un'idea in pochi giorni. Diventano un limite quando l'agente ha bisogno del tuo modello di dati, di permessi rigidi, di registri per l'audit, di integrazioni particolari o di costi prevedibili su grandi volumi.
La mia regola pratica:
- basta uno strumento no-code se il flusso è semplice, i dati non sono sensibili e una persona controlla ogni risultato;
- conviene lo sviluppo su misura se l'agente tocca sistemi in produzione o dati dei clienti, gira migliaia di volte al mese o fa parte del tuo prodotto.
Un percorso frequente: prototipo su una piattaforma, capisci cosa serve davvero al flusso, poi riscrivi come codice tuo le parti che contano.
Quanto costa sviluppare un agente AI
Queste sono le mie fasce indicative, aggiornate a novembre 2026. Il preventivo vero arriva dopo l'analisi iniziale, quando il perimetro è scritto.
| Progetto | Cosa comprende | Prezzo indicativo | Tempi tipici |
|---|---|---|---|
| Prototipo | Un compito, dati di prova, una demo da provare | da 5.000 a 10.000 € | 2 o 3 settimane |
| Agente in produzione | RAG sui tuoi documenti, da 2 a 4 integrazioni, permessi, monitoraggio | da 15.000 a 40.000 € | da 4 a 8 settimane |
| Sistema multi-agente o enterprise | Più agenti e ruoli, molte integrazioni, requisiti di conformità | da 50.000 € | 3 mesi o più |
| Gestione e miglioramento | Monitoraggio, correzioni, valutazione, aggiornamento dei modelli | da 500 a 2.000 € al mese, più l'uso dei modelli al costo | continuativo |
Il prezzo dipende soprattutto da tre cose: quanti sistemi vanno integrati, quanto sono sensibili i dati e quanta autonomia deve avere l'agente.
Quanto tempo serve
Un prototipo richiede due o tre settimane. Un agente in produzione da quattro a otto settimane, e gran parte del tempo va in integrazioni, permessi e set di valutazione.
Il calendario dipende anche da te: accesso ai sistemi, una persona che conosce il flusso e può rivedere i casi, decisioni rapide sul perimetro. Quando queste cose sono pronte dal primo giorno, il progetto resta nella parte bassa della forbice.
Errori comuni da evitare
Gli agenti che falliscono di solito lo fanno dopo la demo. Questi sono gli errori che prevengo fin dall'inizio:
- Fidarsi della demo. I modelli non danno due volte la stessa risposta. Riduco lo spazio per gli errori con output strutturati, validazione di ogni chiamata agli strumenti e ritorno a una persona quando qualcosa non torna.
- Dare troppi permessi. La OWASP Top 10 for LLM Applications 2025 mette al primo posto la prompt injection, seguita dalla divulgazione di informazioni sensibili e dai rischi della supply chain. Al sesto posto c'è la «Excessive Agency», un agente con più poteri del necessario. Un agente che legge email o pagine web deve trattarle come dati e mai come istruzioni, e avere solo i permessi che il suo compito richiede.
- Non misurare. Senza un set fisso di casi reali non sai se un nuovo modello o un nuovo prompt ha migliorato o peggiorato le cose.
- Ignorare i costi di esercizio. Ogni chiamata ha un prezzo. Misuro il costo reale per esecuzione e metto limiti per utente e per giorno, così un ciclo che si ripete o un picco non diventano una fattura.
- Dimenticare le persone. L'agente cambia il lavoro di qualcuno. Disegno il passaggio con chi lo usa: cosa prepara l'agente, cosa decide la persona.
Le stesse regole valgono per l'infrastruttura su cui gira l'agente: segreti, pipeline e permessi cloud sono il tema della mia consulenza DevSecOps.
Caso studio: una piattaforma SEO che Claude usa con più di 150 strumenti
Il mio progetto di agenti più completo è mio: TreZeroUno, una piattaforma per consulenti e agenzie SEO. Oltre alla console web, espone più di 150 strumenti attraverso un server MCP. Così un assistente come Claude può fare tutto il lavoro da una conversazione: analizzare un sito, cercare parole chiave, studiare un mercato locale, pianificare i contenuti e preparare i contatti commerciali.
Cosa è servito per renderla affidabile in produzione:
- ogni strumento a pagamento dichiara prima il prezzo e parte solo con un limite di spesa approvato, e ripetere una richiesta non addebita mai due volte;
- i lavori lunghi girano in una coda, con avanzamento, annullamento e rimborso della parte non fatta;
- tetti di spesa per spazio di lavoro e un registro dei costi reali di ogni fornitore;
- i contenuti dei siti web e le risposte delle AI sono trattati come dati non affidabili, mai come istruzioni.
Porto la stessa disciplina nei progetti per i clienti: permessi chiari, costi misurati e una persona che controlla le decisioni importanti.
Domande frequenti
Servono competenze di programmazione per creare un agente AI?
Per compiti semplici no: le piattaforme no-code bastano per un prototipo o per un flusso in cui una persona rivede ogni risultato. Quando l'agente tocca sistemi in produzione, dati dei clienti o grandi volumi, il codice su misura ti dà il controllo su permessi, test e costi.
Cosa valutare in uno strumento per creare agenti AI?
Guarda cinque cose: quali sistemi può collegare e con quali permessi, se registra ogni azione dell'agente, se puoi provarlo su un set di casi reali prima di metterlo online, quanto costa a volume e se puoi portare via dati e configurazione quando cambi strumento.
Un agente AI è sicuro per i dati dei clienti?
Può esserlo, se è progettato per questo. Servono permessi minimi su ogni integrazione, dati che escono dai tuoi sistemi solo quando serve, registri di cosa l'agente ha letto e fatto, e difese contro la prompt injection. Dove i dati sono sensibili, una persona approva le azioni prima che avvengano.
ChatGPT è un agente o un modello linguistico?
ChatGPT è un'applicazione costruita su modelli linguistici. Da solo, un modello genera testo. Diventa parte di un agente quando può chiamare strumenti, compiere azioni e decidere il passo successivo verso un obiettivo, come fanno alcune funzioni di ChatGPT. Per un'azienda l'agente è il sistema attorno al modello: strumenti, permessi, memoria e controlli.
Note correlate
- Agenti AI in produzione: cosa serve oltre al prototipo
Cosa aggiungo a un agente AI fra la demo e la produzione: valutazione, strumenti stretti, limiti di costo, registro dei passaggi e rientro manuale.
- RAG aziendale: dove si rompe davvero
I quattro punti in cui un RAG sui documenti aziendali dà risposte sbagliate, e come lo misuro prima di metterlo in produzione.
Parliamo del tuo agente
Raccontami quale flusso di lavoro vuoi migliorare e quali sistemi tocca. Ti rispondo con un primo parere: se un agente è lo strumento giusto e come sarebbe l'analisi iniziale.
Prenota una chiamataPreferisci scrivere? Usa il modulo.