A fine anno mi fermo sempre a fare i conti con quello che è cambiato davvero nel mio lavoro, non con quello che i comunicati stampa dicevano sarebbe cambiato. E il 2025 ha una risposta netta: è l’anno in cui l’AI agentica ha smesso di essere una demo da conferenza ed è entrata in azienda, nel mio flusso di lavoro quotidiano e in quello dei merchant con cui lavoro.
Lo scrivo con una certa cautela, perché ho passato gli ultimi due anni a diffidare dell’hype. Ma questa volta la differenza l’ho toccata con mano, e non su una slide. Con un’avvertenza che vale per tutto quello che segue: non è cambiato allo stesso modo per tutti. Chi aveva già processi chiari, dati in ordine e un metodo ha visto un acceleratore. Chi non li aveva ha visto lo stesso caos di prima, semplicemente più veloce. Questo è il bilancio, ed è anche la tesi.
Da “sembra magia” a “è in produzione”
Il salto del 2025 non è stato un singolo annuncio. È stato l’accumularsi di pezzi che, messi insieme, hanno cambiato cosa si può effettivamente fare in un contesto enterprise.
Sul lato Adobe, l’Adobe Experience Platform Agent Orchestrator e i primi agenti sono passati in general availability. Non più preview riservate, ma qualcosa che un cliente può mettere in un piano di rollout. Nello stesso movimento è arrivata in GA anche Adobe Commerce as a Cloud Service (ACCS), e soprattutto sono comparsi i primi server MCP di Adobe. Quest’ultimo punto, per me, è il più sottovalutato: significa che l’ecosistema Adobe ha iniziato a parlare lo stesso protocollo con cui parlano gli agenti generalisti. Aprire la piattaforma agli agenti, e farlo con uno standard invece che con un connettore proprietario, è la mossa giusta. Ci ho costruito sopra tutto il mio lavoro sperimentale di quest’anno.
Sul lato Anthropic, il 2025 ha portato Claude Opus 4, 4.1 e 4.5, ma il vero cambiamento operativo per me è stato Claude Code e l’Agent SDK. Non è un assistente che ti suggerisce righe di codice: è un agente che legge un repository, esegue comandi, itera su un errore e ti riporta un risultato. L’ho adottato come strumento di lavoro reale, non come giocattolo da weekend, e a un certo punto dell’anno mi sono accorto che era diventato il modo in cui lavoro, senza che avessi preso una decisione consapevole di adottarlo.
E il collante di tutto questo è stato l’MCP. Nel 2025 il Model Context Protocol è diventato uno standard cross-vendor: non più una cosa di una singola azienda, ma il modo in cui strumenti diversi si espongono agli agenti. Quando ho visto comparire i primi ponti tra Claude e Adobe, cioè un agente generalista che interroga un server MCP Adobe, ho capito che l’architettura mentale con cui ragionavo fino a un anno fa era già vecchia.
Cosa ha funzionato davvero
Provo a essere concreto, con casi anonimizzati dal campo.
Il primo posto dove l’agentic ha reso è stato il lavoro noioso ma delicato. Su un progetto Adobe Commerce di un merchant fashion mid-market ho usato Claude Code per fare passate sistematiche su una base di codice ereditata: individuare override rischiosi, mappare dipendenze, preparare la bozza di un refactor. Lavoro che prima mi costava giornate di lettura, e che l’agente ha compresso in un pomeriggio di supervisione. La parola chiave è supervisione: non ho delegato la decisione, ho delegato la fatica. E ha funzionato perché sapevo già cosa cercare. Su un codebase che non conoscevo affatto la stessa passata mi ha prodotto un elenco plausibile e inutile.
Il secondo è l’analisi di dati sparsi. Con i server MCP che espongono sistemi diversi, ho potuto far ragionare un agente su domande che prima richiedevano tre tool aperti in parallelo e un foglio Excel a fare da ponte. “Quali categorie hanno perso conversion dopo l’ultimo deploy?” è diventata una domanda a cui si può rispondere in modo semi-automatico. Sono prototipi, va detto chiaramente: cose che ho costruito per me e che sto provando su casi reali, non strumenti che consegnerei a un cliente perché ci lavori da solo.
Il terzo, meno tecnico ma altrettanto importante, è la scrittura di primo drafting: documentazione, note di rilascio, bozze di risposta a ticket. Nessuna di queste cose la pubblico così com’è. Ma partire da un draft invece che dal foglio bianco cambia il ritmo del lavoro in un modo che si sente.
Cosa è ancora acerbo (e cosa ho sbagliato io)
Sarei disonesto se raccontassi solo la parte che ha funzionato. Comincio dai miei errori, che sono la parte più utile del bilancio.
Ho creduto che l’agente sistemasse i dati sporchi. Su un catalogo migrato male ho lanciato una passata di normalizzazione degli attributi senza toccare nulla a monte. Il risultato è stato una normalizzazione perfettamente coerente con la spazzatura in ingresso: incoerente, ma ordinata e sicura di sé. Ho buttato il lavoro e ho rifatto prima il riordino del set di attributi, a mano, come si faceva prima. È la lezione che nel 2025 ho pagato più volte: sui dati sporchi non c’è santo, l’agente amplifica il disordine invece di risolverlo. Quando oggi un merchant mi chiede da dove cominciare con l’AI, la prima risposta è sempre la stessa, e non gli piace mai: prima metti in ordine catalogo, attributi, prezzi e integrazioni.
Ho costruito cose che non servivano a nessuno. Un paio di prototipi su cui ho passato settimane li ho abbandonati, non perché non funzionassero, ma perché automatizzavano un processo che andava riscritto, non velocizzato. Automatizzare una cosa fatta male vuol dire farla male più in fretta. Me l’ero detto, e l’ho fatto lo stesso.
Il governo e la sicurezza restano un cantiere. Un agente che può leggere sistemi aziendali e agire è potente esattamente quanto è pericoloso se mal configurato. Nei progetti reali ho tenuto gli agenti su un guinzaglio corto, con accessi in sola lettura dove potevo, permessi minimi sui token e un log di ogni chiamata. Ma qui vorrei dire una cosa controcorrente: nel 2025 si è parlato moltissimo di rischi teorici e pochissimo di misurare cosa fa davvero un agente in produzione. Senza log, metriche e una baseline, il dibattito sulla sicurezza degli agenti resta chiacchiera da convegno. Meno paranoia, più misurazione.
L’affidabilità sotto stress. Sui compiti ben delimitati gli agenti sono solidi. Su quelli ambigui, dove servono contesto di business e giudizio, sbagliano ancora in modi che un umano esperto non farebbe. E sbagliano con sicurezza, il che è la cosa più insidiosa. Il costo nascosto di questi strumenti non è il token: è la competenza. Se non sai già qual è la risposta giusta, non hai modo di accorgerti quando l’agente sbaglia, e chi non ce l’ha non se ne accorge affatto.
La distanza tra demo e integrazione. Che una GA esista non significa che sia banale metterla in un’azienda reale, con i suoi sistemi legacy e i suoi processi. Tra “l’agente funziona nella demo” e “l’agente è integrato nel nostro stack” c’è ancora un lavoro che nessuno ti fa gratis. È esattamente lo spazio in cui vive il mio mestiere.
Su cosa punto nel 2026
Non ho previsioni da darvi, e diffido di chi le ha. Ho una scommessa personale, che è una cosa diversa: si può sbagliare senza aver ingannato nessuno.
La scommessa è la figura del consulente ibrido: chi sa tenere insieme la competenza Adobe di piattaforma e l’orchestrazione di agenti. Non “l’esperto Adobe” e “l’esperto AI” come due persone diverse, ma un unico profilo che sa dove finisce la piattaforma e dove inizia l’agente, e come farli parlare via MCP. Ci punto perché è l’unico posto dove, quest’anno, ho visto l’AI produrre risultati veri invece che demo: nel punto in cui qualcuno sapeva già dove sono i cadaveri nel data model e ha usato l’agente per arrivarci prima.
Concretamente, per me significa continuare a portare i prototipi che ho costruito su casi reali finché non si rompono, e capire quali sopravvivono al contatto con un catalogo vero. Il mestiere del consulente non sparisce, si sposta: meno esecuzione, più architettura, giudizio e responsabilità. Quello che vale non è chi fa, è chi sa cosa vale la pena fare. È lì che voglio essere, e se tra un anno scoprirò di aver puntato sulla casella sbagliata, lo scriverò qui.
Mini-FAQ
Cosa è cambiato davvero nell’AI agentica nel 2025?
L’AI agentica è passata dalla demo alla produzione: gli agenti Adobe e l’Agent Orchestrator sono arrivati in general availability, MCP è diventato uno standard cross-vendor e strumenti come Claude Code sono entrati nel lavoro quotidiano. Ma il beneficio non è stato uguale per tutti: è un acceleratore per chi ha già competenze e processi chiari, non un sostituto di competenza.
Cos’è MCP e perché conta?
Il Model Context Protocol è il protocollo con cui strumenti e sistemi si espongono agli agenti AI. Nel 2025 è diventato uno standard adottato da più vendor, e con i primi server MCP di Adobe ha reso possibili i ponti tra agenti generalisti come Claude e l’ecosistema Adobe.
Cosa è ancora immaturo nell’agentic enterprise?
La governance e la misurazione di cosa fa l’agente in produzione, l’affidabilità sui compiti ambigui che richiedono giudizio di business, e la distanza reale tra una demo funzionante e l’integrazione in uno stack legacy. Aggiungo il problema più concreto di tutti: sui dati sporchi l’agente amplifica il disordine invece di risolverlo.
Su cosa conviene puntare nel 2026?
Non lo so per il mercato, so cosa faccio io: il profilo di consulente ibrido che unisce competenza di piattaforma Adobe e orchestrazione di agenti, e il lavoro di portare i prototipi su casi reali per vedere dove reggono. Prima di qualsiasi progetto AI, però, la priorità resta mettere in ordine i dati.
Chi sono. Sono Fabio Canovi, consulente Adobe presso il gruppo Lutech. Sono certificato Adobe Commerce, Adobe Experience Manager, Adobe Analytics e Adobe Target, e unisco la competenza sull’ecosistema Adobe al lavoro con l’AI agentica (Claude, MCP). Su questo blog racconto, senza vendere nulla, cosa penso di dove sta andando l’e-commerce e cosa farne.