Introduzione

L’attuale fase della trasformazione digitale sta portando l’intelligenza artificiale oltre il ruolo di supporto, ridefinendo profondamente il modo in cui le aziende progettano, distribuiscono e utilizzano il software. In questo contesto, l’emergere degli AI agent rappresenta uno dei cambiamenti più rilevanti nell’evoluzione del modello Software-as-a-Service (SaaS).

A differenza delle precedenti soluzioni di AI generativa, gli AI agent non si limitano ad assistere l'utente nella produzione di contenuti o nell'analisi dei dati, ma sono in grado di comprendere il contesto, pianificare azioni e interagire con sistemi informativi, contribuendo direttamente all'operatività aziendale.

Questa trasformazione apre nuove opportunità in termini di automazione, produttività e scalabilità, ma introduce anche una crescente complessità nella progettazione, nella gestione e nel controllo dei sistemi. In questo scenario, la sfida per le imprese non consiste semplicemente nell'adottare nuove tecnologie, ma nel creare le condizioni affinché il loro impiego si traduca in un'effettiva creazione di valore.

Definizione e livelli di autonomia degli AI Agent

Nel contesto dei sistemi SaaS, un AI agent può essere definito come un'entità software basata su modelli linguistici avanzati (Large Language Models, LLM), in grado di pianificare ed eseguire azioni orientate al raggiungimento di obiettivi complessi attraverso iterazioni successive.

Gli LLM costituiscono il motore cognitivo dell'agente, abilitando capacità di comprensione del linguaggio, ragionamento e generazione di piani d'azione. Ciò che distingue un agente da un tradizionale sistema di AI generativa, tuttavia, non è soltanto la capacità di elaborare contenuti, bensì quella di interagire con l'ambiente operativo. Attraverso API, applicazioni e fonti dati, l'agente è infatti in grado di tradurre le decisioni in azioni concrete sui sistemi aziendali.

Il comportamento agentico si sviluppa tipicamente secondo un ciclo iterativo composto da percezione del contesto, pianificazione, esecuzione delle azioni e valutazione dei risultati. Questo processo consente all'agente di adattare dinamicamente il proprio comportamento agli obiettivi assegnati e alle condizioni operative, introducendo una forma di autonomia funzionale.

La crescente complessità di questi sistemi ha portato allo sviluppo di modelli di classificazione dell'autonomia. Tra questi, la scala proposta da Mirsky distingue sei livelli, da L0 (assenza di autonomia) a L5 (autonomia completa). Gli agenti oggi maggiormente diffusi si collocano prevalentemente nei livelli intermedi: un agente L2 è in grado di eseguire sotto-attività ben definite in autonomia, mentre un agente L3 è capace di riconoscere i limiti del proprio dominio operativo e trasferire proattivamente il controllo a un operatore umano.

Questa classificazione evidenzia come l'autonomia non rappresenti un obiettivo assoluto, ma una caratteristica progettuale da calibrare in funzione del contesto applicativo, del livello di rischio e dei requisiti di controllo richiesti.

Il caso OpenClaw: dall'AI conversazionale all'AI operativa

L'evoluzione degli AI agent trova un esempio concreto in OpenClaw, piattaforma che rappresenta efficacemente il passaggio dall'AI conversazionale all'AI operativa. A differenza delle tradizionali chatbot, progettate per rispondere a richieste esplicite dell'utente, OpenClaw è in grado di interagire con applicazioni, file system, strumenti web e canali di comunicazione, contribuendo direttamente all'esecuzione di attività operative quali la gestione di e-mail, calendari e workflow aziendali.

Uno degli elementi distintivi della piattaforma è la capacità di operare in modo proattivo. L'agente non si limita a reagire agli input ricevuti, ma può generare autonomamente aggiornamenti, promemoria e briefing periodici, introducendo una forma di continuità operativa che modifica il paradigma tradizionale dell'interazione uomo-macchina. L'intelligenza artificiale non viene più attivata esclusivamente su richiesta, ma presidia il contesto nel tempo.

Dal punto di vista architetturale, questa autonomia è resa possibile da specifici meccanismi operativi. Tra questi, i sistemi di heartbeat consentono all'agente di monitorare periodicamente lo stato del contesto e valutare eventuali azioni da intraprendere, mentre i cron job permettono l'esecuzione programmata di attività anche in sessioni isolate. L'autonomia non dipende quindi soltanto dalle capacità del modello linguistico, ma dall'integrazione tra pianificazione, gestione dello stato e orchestrazione delle attività.

Più che una semplice innovazione tecnologica, OpenClaw evidenzia un cambiamento di paradigma: l'agente assume le caratteristiche di una componente software capace di operare autonomamente su dati, applicazioni e processi aziendali. Questo nuovo approccio non modifica soltanto le modalità di interazione con il software, ma apre la strada a modelli applicativi e di business differenti, contribuendo alla trasformazione del mercato SaaS.

Evoluzione del mercato SaaS: AI-embedded e AI-native a confronto

L'evoluzione del mercato SaaS si sviluppa oggi lungo due direttrici principali, accomunate dall'obiettivo di integrare l'intelligenza artificiale nei processi aziendali ma caratterizzate da approcci profondamente differenti.

Da un lato, i principali operatori di mercato stanno adottando un modello AI-embedded, integrando copiloti e agenti all'interno di piattaforme consolidate come CRM, ERP, sistemi HR e strumenti di collaborazione. Questo approccio consente di valorizzare asset esistenti, quali una base clienti consolidata, l'accesso a grandi volumi di dati e infrastrutture già diffuse. Allo stesso tempo, però, tali soluzioni devono confrontarsi con architetture legacy, silos informativi e workflow rigidi, che possono limitarne il potenziale trasformativo.

Dall'altro lato, stanno emergendo piattaforme AI-native, progettate fin dall'origine attorno a logiche agentiche. In questi sistemi l'agente rappresenta il nucleo operativo dell'applicazione: pianifica le attività, seleziona gli strumenti più appropriati, esegue azioni e apprende dai risultati, mentre il ruolo dell'utente si concentra progressivamente sulla supervisione e sulla gestione delle eccezioni. In questo contesto, il valore non è più legato all’utilizzo del software, ma ai risultati prodotti, come ticket risolti, transazioni completate o processi automatizzati.

Dalla logica "per utente" alla logica "per risultato"

Il paradigma tradizionale, basato su licenze per utente, sta progressivamente lasciando spazio a modelli orientati agli outcome, nei quali il valore non è più associato all'utilizzo della piattaforma, ma ai risultati effettivamente prodotti. In questo contesto, gli AI agent vengono valutati per la loro capacità di completare attività, automatizzare processi e contribuire direttamente al raggiungimento degli obiettivi aziendali. 

Le dinamiche di mercato confermano questa trasformazione strutturale. Le stime indicano che il mercato dei workflow AI nel SaaS ha raggiunto circa 65 miliardi di dollari nel 2025 e potrebbe superare i 190 miliardi entro il 2030, con un tasso di crescita annuo composto (CAGR) di circa il 23%.

L'analisi della composizione del mercato mostra come tale crescita interessi trasversalmente le principali categorie applicative, tra cui piattaforme analitiche, CRM, ERP, sistemi di gestione della conoscenza, supply chain e altre applicazioni software. In particolare, il segmento CRM rappresenta oggi la quota più rilevante, seguito da ERP e sistemi di knowledge management, a conferma del fatto che l'adozione degli AI agent si concentra nei processi core a maggiore impatto operativo.

Il paradosso dell'adozione: diffusione elevata, impatto limitato

Sebbene le imprese investano sempre più in soluzioni AI con l'obiettivo di migliorare produttività, efficienza e competitività, questi investimenti solo raramente si traducono in benefici economici misurabili. Infatti, nonostante l'impiego dell'intelligenza artificiale abbia ormai raggiunto livelli molto elevati, continuando a crescere in tutte le principali funzioni aziendali, le più recenti indagini evidenziano che ben il 95% delle iniziative basate sull'AI generativa non produce un impatto economico significativo, mentre solo una quota limitata delle organizzazioni può essere considerata realmente matura nel percorso di trasformazione.

Questo divario tra aspettative e risultati, comunemente definito execution gap, rappresenta uno degli aspetti più rilevanti dell'attuale fase di mercato. Molte iniziative rimangono confinate a progetti pilota o a casi d'uso isolati, senza riuscire a evolvere in soluzioni integrate nei processi aziendali.

L'affermazione degli AI agent amplia significativamente le potenzialità dell'intelligenza artificiale, consentendo di passare dal semplice supporto alle attività all'esecuzione di processi operativi. Ciò non significa, tuttavia, che il divario tra investimenti e risultati sia destinato a ridursi automaticamente. Al contrario, questa evoluzione rende ancora più centrale comprendere quali condizioni permettano di trasformare questo potenziale in un'effettiva creazione di valore.

Dall'adozione alla creazione di valore

Il paradosso dell'adozione suggerisce che la principale barriera alla creazione di valore non risiede nella disponibilità di tecnologie sempre più evolute, ma nella capacità delle organizzazioni di integrarle all'interno di un modello gestionale maturo e governato.

Gli AI agent, infatti, non introducono automaticamente efficienza nei processi aziendali. Essi operano sulle informazioni disponibili, seguono le regole definite dall'organizzazione e interagiscono con processi già esistenti. Se tali processi non sono chiaramente strutturati, se i dati non rappresentano fedelmente il business o se gli indicatori utilizzati non consentono di misurare la reale creazione di valore, l'autonomia dell'agente rischia di limitarsi ad accelerare decisioni e attività che risultavano già poco efficaci.

Per questa ragione, la vera sfida non consiste nell'introdurre più intelligenza artificiale, ma nel costruire le condizioni affinché questa possa generare valore. Comprendere i meccanismi economici dell'impresa, individuare i processi che incidono realmente sulla redditività, misurare le performance attraverso indicatori affidabili e definire responsabilità chiare rappresentano presupposti indispensabili prima ancora di delegare attività operative a sistemi autonomi.

In questa prospettiva, la diffusione degli AI agent e la difficoltà nel trasformarne l'adozione in risultati concreti non costituiscono una contraddizione. Al contrario, rappresentano la conseguenza di un approccio che pone la tecnologia prima della comprensione del business. Un'organizzazione può delegare efficacemente a un agente solo ciò che è già in grado di misurare, controllare e governare. La centralità dell'organizzazione emerge anche dal modello 70-20-10 proposto da Boston Consulting Group. Secondo tale approccio, circa il 70% del valore generato dall'AI dipende dalla trasformazione dei processi e delle persone, il 20% dalla qualità dei dati e dell'infrastruttura tecnologica, mentre soltanto il 10% è attribuibile agli algoritmi. Questa ripartizione evidenzia come la tecnologia rappresenti un fattore abilitante, ma non sufficiente, per la creazione di valore, poiché l’AI amplifica la capacità esecutiva dell'impresa, ma la capacità di creare valore continua a dipendere dalla qualità del modello organizzativo e manageriale che la sostiene.

In altre parole, gli AI agent non rendono migliori le aziende: rendono più efficiente il modo in cui esse sono già gestite. È per questo che la maturità dei processi, la qualità dei dati e la capacità di governare i numeri e decisioni rappresentano il vero prerequisito per trasformare l'adozione dell'Agentic AI in un concreto vantaggio competitivo sostenibile.

Riferimenti bibliografici

• PitchBook (2026). Clash of the Titans: Incumbents versus Challengers in the Age of Agentic AI. Emerging Tech Research.

• Shapira, N., Wendler, C., Yen, A. et al. (2026). Agents of Chaos. Preprint.

• McKinsey & Company (2025). Superagency in the Workplace: Empowering People to Unlock AI's Full Potential.

• Boston Consulting Group (2025). Where's the Value in AI?

• Stanford Institute for Human-Centered Artificial Intelligence (HAI), (2025). AI Index Report 2025.

• KPMG. (2025). AI in Finance: From Experimentation to Business Value.

• World Economic Forum. (2025). The Future of Jobs Report 2025.