Agenti AI dentro un SaaS: 6 decisioni di prodotto per il 2026

Un agente AI integrato è un agente dedicato a un compito specifico che vive dentro un prodotto SaaS e porta a termine un lavoro definito per conto dell'utente, dall'inizio alla fine, con i dati del prodotto e i permessi dell'utente stesso. Un assistente AI risponde e suggerisce mentre il lavoro lo fa l'utente; un agente integrato fa il lavoro e restituisce un risultato. Gartner prevede che entro la fine del 2026 il 40% delle applicazioni aziendali avrà agenti AI dedicati a compiti specifici, contro meno del 5% nel 2025.

La previsione mette una scadenza ai team di prodotto. Se il tuo SaaS vende ad aziende, i clienti cominceranno a chiedere cosa sa fare il prodotto senza di loro, e un pannello di chat non risponde a questa domanda. Qui trovi le sei decisioni di prodotto che prendiamo prima di mettere un agente in un'interfaccia SaaS: quale lavoro gli affidi, quanta autonomia gli dai, con quali permessi agisce, dove si controlla il suo lavoro, come si annullano le sue azioni e quanto costa farlo girare.

Perché tanti agenti si fermano prima del lancio?

La stessa società di ricerca che prevede il 40% si aspetta l'esito opposto per molti progetti. Secondo Gartner oltre il 40% dei progetti di agentic AI verrà cancellato entro la fine del 2027, per costi in crescita, valore di business poco chiaro e controlli sul rischio insufficienti. Nello stesso comunicato stima che solo circa 130 delle migliaia di fornitori che vendono agentic AI offrano agenti veri. Il resto lo chiama "agent washing": assistenti, RPA e chatbot con un'etichetta nuova.

Tutte e tre le cause sono decisioni di prodotto. Il costo dipende da quanto spesso l'agente gira e da quanto contesto legge. Il valore dipende dal lavoro che gli affidi, e da quanto un cliente pagherebbe per smettere di farlo. Il controllo del rischio dipende da permessi, revisione e annullamento. Nessuna delle tre si risolve con un modello migliore.

Perché la chat laterale è il punto di partenza sbagliato

Il modo più rapido per aggiungere "un agente" a un prodotto è un pannello di chat collegato a un LLM con qualche strumento. In demo fa la sua figura. Lascia però aperte le domande difficili: cosa può modificare l'agente, dove compare il lavoro finito, come lo controlla un responsabile, cosa succede quando sbaglia. Una trascrizione di chat è un pessimo registro del lavoro: è lineare, la vede un solo utente ed è difficile da verificare. Il lato architetturale l'abbiamo trattato in AI-native vs AI bolt-on. Le sei decisioni che seguono sono il lato di prodotto.

1. Quale lavoro gli affidi?

Si parte da un solo lavoro, scritto come una frase con un traguardo. "Riconcilia le transazioni con carta del mese scorso con le ricevute e segnala quelle senza corrispondenza" è un lavoro. "Aiuta con la contabilità" è una categoria. Un buon primo lavoro ha quattro caratteristiche:

• Un traguardo chiaro. L'utente capisce in pochi secondi se il risultato è giusto.
• Frequenza. Si ripete ogni settimana o ogni giorno, quindi il tempo risparmiato si accumula.
• Dati circoscritti. Quello che serve sta già nel prodotto, o dietro una sola integrazione.
• Risultati reversibili. Un errore si corregge prima che arrivi a un cliente, a una banca o a un'autorità.

I lavori che non passano il quarto test (spostare denaro, cancellare record, scrivere ai clienti del cliente) possono diventare lavori da agente più avanti. Partono da un livello di autonomia più basso, che è la decisione successiva.

2. Quanta autonomia gli dai?

L'autonomia è una scelta di progetto, separata da quello che il modello sa fare. Lo sostengono tre ricercatori dell'Università di Washington in "Levels of Autonomy for AI Agents" (Feng, McDonald e Zhang, 2025), che definisce cinque livelli in base al ruolo dell'utente: operatore, collaboratore, consulente, approvatore e osservatore. Al livello operatore l'utente dirige e l'agente esegue. Al livello osservatore l'agente lavora da solo e l'utente sorveglia.

Il livello lo fissiamo per tipo di azione, e uno stesso agente può stare su tre livelli insieme. L'agente di riconciliazione abbina le transazioni da solo (osservatore), propone categorie che una persona accetta in blocco (approvatore) e non registra mai una scrittura contabile senza un clic esplicito (operatore). Nell'interfaccia diventa un'impostazione piccola e visibile per ogni tipo di azione, con il livello più prudente come predefinito. I team lo alzano quando si fidano dei risultati, e il prodotto registra chi l'ha alzato e quando.

3. Con quali permessi agisce?

Un agente integrato non deve mai poter fare più della persona per cui lavora. Lo schema più sicuro è l'accesso delegato e limitato: l'agente agisce per conto di un utente preciso, ne eredita il ruolo e riceve in più un perimetro ristretto al suo lavoro. Un agente che riconcilia transazioni legge il libro contabile e scrive abbinamenti in bozza. Non ha alcun motivo di toccare le impostazioni di fatturazione o la gestione utenti.

Nel modello dati questo ha due conseguenze. Ogni scrittura porta due identità, l'agente e l'utente per cui ha agito, così il registro dice "abbinato dall'agente di riconciliazione per Maria Rossi". E quando revochi l'accesso a un utente, revochi nello stesso momento anche i suoi agenti. Le stesse domande sull'autorizzazione tornano quando sono gli agenti di altre aziende a chiamare il tuo, come spieghiamo nella guida al protocollo A2A.

4. Dove si controlla il suo lavoro?

L'output di una chat scorre via. Il lavoro di un agente ha bisogno di un posto nel prodotto dove aspettare: una coda di revisione, una casella di modifiche proposte, una colonna di stato sui record che ha toccato. Qui si tratta soprattutto di product design classico, e le linee guida esistono da prima degli LLM. Le 18 linee guida per l'interazione tra persone e AI di Microsoft Research (Amershi e altri, CHI 2019) si applicano ancora bene agli agenti. Quattro riguardano proprio questa decisione:

• Chiarire cosa sa fare il sistema. Il lavoro dell'agente e i suoi limiti stanno in una frase, nel punto in cui lo si attiva.
• Rendere rapida la correzione. Per approvare o correggere venti proposte basta una schermata, con azioni in blocco e scorciatoie da tastiera.
• Chiarire perché il sistema ha fatto quello che ha fatto. Ogni proposta mostra le prove usate: la ricevuta abbinata, la regola applicata.
• Restringere il campo nel dubbio. Quando la fiducia è bassa, l'agente chiede, o lascia la voce a una persona, invece di tirare a indovinare.

Qui rientra anche la trasparenza. L'articolo 50 dell'AI Act europeo, applicabile dal 2 agosto 2026, chiede ai fornitori di progettare i sistemi AI che interagiscono direttamente con le persone in modo che queste sappiano di avere a che fare con un'AI, salvo quando è evidente dal contesto. Come si applica a un prodotto specifico va chiesto a un legale. La risposta di prodotto costa poco in ogni caso: segnalare come tali le modifiche fatte dall'agente, ovunque compaiano.

5. Come si annulla un'azione?

Ogni azione dell'agente ha bisogno di una strada per tornare indietro, decisa prima del rilascio. Tre schemi coprono quasi tutti i casi:

• Prima la bozza. L'agente scrive una bozza (una email, una scrittura contabile, una risposta a un ticket) e una persona la invia. Annullare vuol dire cancellare la bozza.
• Scritture reversibili. Le modifiche dell'agente si salvano come un insieme che l'utente ripristina con un clic, conservando i valori precedenti.
• Esecuzione ritardata. Le azioni irreversibili aspettano in una finestra breve e visibile in cui si possono annullare, come l'annullamento dell'invio nei programmi di posta.

Accanto all'annullamento serve un registro delle esecuzioni: per ognuna, cosa l'ha avviata, quali dati ha letto, quali azioni ha compiuto e con che esito. Lo legge il supporto quando un cliente chiede perché qualcosa è cambiato, e lo leggono gli sviluppatori quando una valutazione fallisce. È anche la materia prima per dimostrare a un cliente che l'agente fa risparmiare tempo, e risponde al "valore poco chiaro" di Gartner con i dati del prodotto stesso.

6. Quanto costa farlo girare, e chi paga?

Un assistente costa quando un utente scrive. Un agente costa a ogni esecuzione, programmata o avviata da un evento, che qualcuno guardi il risultato o no. Un lavoro notturno su tutti gli account moltiplica le chiamate al modello per il numero di clienti. Sono i "costi in crescita" della previsione di Gartner, e sono una decisione di prezzo quanto di ingegneria.

Decidi presto come si misurano le esecuzioni (a esecuzione, a elemento lavorato o dentro la quota di un piano), fissa un tetto per account e mostra i consumi nel prodotto prima che li mostri la fattura. Sul lato tecnico, tieni piccolo il contesto di ogni esecuzione: all'agente arrivano solo i record che servono al lavoro. I passaggi di routine li fa un modello economico, e quello costoso resta per il passaggio che richiede giudizio.

Come si traduce in pratica

Prendiamo un ipotetico software di fatturazione B2B che vuole un agente per sollecitare le fatture scadute. Le sei decisioni diventano:

1. Lavoro: ogni mattina trova le fatture scadute da più di 14 giorni e prepara un sollecito per ciascuna, nella lingua del cliente, con la fattura allegata.
2. Autonomia: livello approvatore per il primo sollecito, livello osservatore per il secondo quando un team lo attiva.
3. Permessi: lettura di fatture e contatti, creazione di bozze email, nessun accesso alle impostazioni di pagamento o alle note di credito.
4. Revisione: una coda "Solleciti da inviare" nella pagina delle fatture, una riga per fattura, con la bozza visibile e un pulsante per inviarli tutti.
5. Annullamento: bozze fino all'approvazione; le email approvate restano dieci minuti in uscita prima di partire.
6. Costo: un'esecuzione per account al giorno, un modello piccolo per le bozze, consumi conteggiati nella quota mensile del piano.

Niente di tutto questo è esotico. Gran parte del lavoro sono code, permessi, registri e impostazioni, le parti di un SaaS che esistono già, e la chiamata al modello ne è una quota piccola. Per questo le funzioni con agenti si inseriscono meglio nei prodotti con un modello dati e dei ruoli già puliti: l'agente eredita tutto quello che il prodotto fa bene, e tutto quello che fa male.