Ho smesso di usare l’AI solo per scrivere: perché ora guardo agli agenti

Per quasi due anni ho usato l’AI generativa come tutti: la aprivo, le chiedevo un testo, un’immagine, una bozza di email, e la chiudevo. Uno strumento da copywriting, in pratica. Poi, negli ultimi mesi, ho cambiato modo di guardarla. Non perché sia diventata più brava a scrivere (lo è, ma non è il punto), ma perché ho iniziato a chiedermi una cosa diversa: e se invece di produrre solo testo, potesse fare qualcosa?

Questa è la mia svolta personale del 2024, e riguarda il passaggio dai modelli che generano contenuti agli agenti che agiscono. Provo a spiegare cosa intendo, perché per chi lavora sull’e-commerce cambia le regole, e cosa sto sperimentando.

Cosa intendo con “agente”, senza mistificazioni

Chiariamo subito, perché la parola “agente” nel 2024 è già abusata. Non parlo di un’intelligenza autonoma che prende il mio posto. Parlo di qualcosa di molto più concreto: un modello linguistico messo in condizione di usare strumenti esterni. La tecnica che lo abilita si chiama tool use (o function calling): io descrivo al modello alcune funzioni che ha a disposizione, per esempio “leggi questo ordine”, “controlla lo stock di questo SKU”, “chiama questa API”, e lui, invece di limitarsi a scrivere una risposta, decide quando e come invocarle.

La differenza è enorme, anche se sembra un dettaglio tecnico. Un modello generativo ti dà una risposta. Un agente esegue una sequenza di passi: capisce l’obiettivo, sceglie uno strumento, guarda il risultato, decide il passo successivo. Non è più un testo, è un processo. E i processi, per chi gestisce un e-commerce, sono esattamente dove si perde tempo.

Perché per l’e-commerce questo cambia le regole

Il lavoro quotidiano su una piattaforma come Adobe Commerce è fatto per la maggior parte di operazioni ripetitive e a bassa creatività ma ad alta attenzione: correggere attributi di catalogo, verificare perché un prodotto non appare in una categoria, controllare che una promo si applichi al carrello giusto, riconciliare dati tra il gestionale e il front-end. Sono compiti che richiedono di leggere dati, ragionare su regole e agire di conseguenza. Esattamente la forma di problema per cui un agente è utile.

Faccio un esempio anonimizzato. Un merchant fashion con cui ho lavorato aveva un problema banale e ricorrente: dopo ogni import di catalogo, alcuni prodotti “sparivano” dalle categorie. La causa cambiava ogni volta: un attributo di visibilità, un problema di indexing, una regola di categoria mal configurata. Diagnosticarlo a mano voleva dire un’ora di una persona che apriva l’admin, guardava lo stato del prodotto, controllava l’indice, leggeva i log. Un lavoro che non produce valore, produce solo ripristino.

Il punto della mia svolta è questo: quel tipo di diagnosi è un flusso a passi, e un flusso a passi è automatizzabile da un agente. Non da un modello che ti scrive una guida su “come risolvere i problemi di visibilità”, quella la trovi già in mille blog. Da un sistema che legge davvero lo stato di quel prodotto, lo confronta con le regole, e ti dice: è questo l’attributo sbagliato. Il valore non è più nel testo generato, è nell’azione compiuta sui dati reali.

La mia opinione: il collo di bottiglia si sposta, ma non per tutti

Secondo me, e qui mi espongo, chi nel 2024 continua a valutare l’AI solo sulla qualità della prosa sta guardando il dito. La partita vera si sta spostando altrove: sulla capacità di collegare il modello ai sistemi che già usiamo. ERP, PIM, il database del catalogo, gli strumenti di analytics. Un modello che scrive benissimo ma non può leggere un ordine reale resta un giocattolo da ufficio marketing. Un modello mediocre nella prosa ma capace di interrogare in modo affidabile il tuo catalogo vale molto di più, operativamente.

C’è però un pezzo di questa storia che non viene quasi mai detto, ed è quello che secondo me conta di più. Un agente non potenzia allo stesso modo chiunque lo usi. È un moltiplicatore di competenza, non un sostituto di competenza. Uno sviluppatore che ha chiare l’idea, i processi e i metodi, con questi strumenti fa in un decimo del tempo quello che faceva prima. Uno che li usa sperando che capiscano loro cosa serve, ottiene un disastro più veloce. La differenza non la fa il modello: la fa chi lo guida. E lo dico da uno che sta ancora capendo dove sono i confini.

Devo essere onesto anche sul contro-argomento, perché il tema è caldo e pieno di entusiasmo facile. Gli agenti oggi sono fragili. I framework che stanno emergendo, quelli che orchestrano più chiamate a strumenti in sequenza, funzionano bene nelle demo e molto meno nel mondo reale, dove un errore a metà catena si propaga e diventa costoso. Un agente che sbaglia un passo su un post di blog ti fa perdere dieci minuti. Un agente che sbaglia un passo scrivendo sul catalogo di produzione ti fa perdere un pomeriggio, e forse qualche vendita. Per questo la mia posizione è netta ma prudente: gli agenti vanno tenuti in lettura finché non ti fidi, e vanno messi in scrittura solo con un umano che approva.

Cosa sto sperimentando io, concretamente

Non voglio parlare per teorie, quindi dico cosa sto provando in questo periodo, sapendo che è terreno in movimento.

• Diagnosi in sola lettura. Sto costruendo piccoli flussi che, dato uno SKU, raccolgono in automatico stato di visibilità, stato dell’indice e configurazione di categoria, e mi presentano un’ipotesi. Non toccano niente: leggono e riferiscono. È il caso più sicuro e già oggi mi fa risparmiare tempo vero.
• Interrogazione dei dati in linguaggio naturale. Invece di scrivere l’ennesima query, chiedo al modello di tradurre la domanda (“quali prodotti hanno margine sotto soglia e stock alto?”) in una chiamata agli strumenti giusti. Qui il function calling è il pezzo che rende la cosa affidabile: il modello non inventa i numeri, li chiede al sistema.
• Bozze operative con approvazione umana. Per i task che scrivono davvero qualcosa, aggiornare una scheda, correggere un attributo, l’agente prepara l’azione ma non la esegue. Guardo, approvo, poi parte. È lento, ma è l’unico modo in cui oggi mi sento di usarlo su ambienti seri.

Un tentativo andato male, perché è la parte che di solito non si racconta: ho provato a far correggere in automatico una manciata di attributi su un ambiente di test, e l’agente ha applicato la regola giusta ai prodotti sbagliati. Non aveva capito il perimetro, e io non gliel’avevo definito bene. Colpa mia, non sua. Ma è la dimostrazione pratica di quello che scrivevo sopra: senza qualcuno che sappia già quale sia la risposta corretta, non ti accorgi nemmeno che l’ha sbagliata.

Nessuno di questi esperimenti è spettacolare. Sono piccoli, noiosi, e per questo utili. La mia impressione, dopo qualche mese, è che il valore degli agenti nel 2024 non stia nei casi da vetrina ma proprio in questi micro-flussi ripetitivi che nessuno ha voglia di fare a mano.

Dove porta, secondo me

Ho smesso di chiedere all’AI di scrivere per me non perché scriva male, ma perché mi sono accorto che le stavo chiedendo troppo poco. Il salto interessante, quello che sto ancora imparando a cavalcare, è dal generare all’agire: dal testo al processo, dalla risposta al passo eseguito. Per chi lavora ogni giorno su cataloghi, dati e operazioni ripetitive, questa è la differenza tra uno strumento in più e un modo diverso di lavorare.

Non so dire quanto sarà rapida o pulita questa transizione, e non ho nessuna voglia di fare previsioni. So che passerà per molti esperimenti fragili e qualche errore costoso, perché li sto già facendo io. Ma preferisco impararla ora, sui casi piccoli e a basso rischio, che ritrovarmela addosso già matura senza aver capito come funziona.

Mini-FAQ

Qual è la differenza tra AI generativa e agente AI?
L’AI generativa produce contenuti (testo, immagini) in risposta a una richiesta. Un agente AI usa strumenti esterni per eseguire una sequenza di passi e compiere azioni sui sistemi reali: legge dati, invoca funzioni, decide il passo successivo in base al risultato.

Cosa sono tool use e function calling?
Sono le tecniche che permettono a un modello linguistico di invocare funzioni definite da chi lo integra, per esempio leggere un ordine o interrogare un catalogo, invece di limitarsi a generare una risposta testuale. Sono il meccanismo di base che trasforma un modello in un agente.

Perché gli agenti AI interessano l’e-commerce?
Perché gran parte del lavoro operativo su piattaforme come Adobe Commerce è fatto di flussi ripetitivi su dati e cataloghi: diagnosi di visibilità prodotto, verifica di promo e stock, riconciliazione tra sistemi. Sono processi a passi, ossia il tipo di compito che un agente può automatizzare.

Gli agenti AI sono già affidabili per l’e-commerce nel 2024?
Non del tutto. Sono utili nei flussi in sola lettura e nelle bozze con approvazione umana, ma restano fragili quando orchestrano molti passi in scrittura su ambienti di produzione. E rendono davvero solo se chi li guida ha idee, processi e metodo: senza quelli, amplificano il disordine invece di risolverlo.

Fabio Canovi è consulente Adobe presso il gruppo Lutech. È certificato Adobe Commerce, Adobe Experience Manager, Adobe Analytics e Adobe Target, e in questo periodo sta approfondendo l’AI agentica e le sue applicazioni all’e-commerce.