Automazione AI per aziende con un approccio ingegneristico, non da pitch deck

Non intendiamo "RPA con un wrapper LLM". Intendiamo agenti che fanno vero ragionamento su task circoscritti, sistemi multi-agente che si coordinano, integrazioni Claude Code per il workflow di sviluppo, MCP server custom che danno ai modelli accesso governato ai dati aziendali. La differenza con la generazione precedente di automation è che il sistema può gestire input ambigui e adattare il comportamento in base al contesto.

MCP è il protocollo aperto rilasciato da Anthropic nel 2024 e adottato dalla maggior parte dei principali provider AI nel 2025-2026. Permette ai modelli di accedere in modo standardizzato a tool, dati e risorse esterne (database, API, file). Per un'azienda significa poter dare agli LLM accesso ai propri sistemi senza scrivere integrazioni custom per ogni provider, e con un controllo granulare su cosa il modello può vedere e fare.

Un agente custom semplice (input definito, una catena di tool, output strutturato) parte da €4.500 per il build iniziale. Un sistema multi-agente con orchestrazione, monitoraggio e handover al team parte da €15.000. L'architettura preliminare (deliverable scritto, due settimane) costa €1.200 e serve a evitare di iniziare a costruire la cosa sbagliata.

Sì, è il caso d'uso preferito. Il deliverable di un progetto fatto bene è anche la documentazione e l'handover al tuo team interno: niente vendor lock-in, niente sistema che solo io posso mantenere. I tuoi sviluppatori restano i proprietari del codice e capiscono come funziona dall'inizio.

Dipende dal caso. Per agenti che fanno coding e tool use complesso preferisco Claude (Opus 4.7 o Sonnet 4.6), che a inizio 2026 ha vantaggi misurabili su benchmark di reasoning lungo. Per task multimodali con immagine ChatGPT/GPT-5 spesso vince. Per ricerca approfondita uso Gemini Deep Research. La cosa che faccio sempre è non vincolare il sistema a un solo provider: lo stesso codice deve poter switchare LLM se i prezzi o le capability cambiano.

Sistemi che funzionano oggi su task circoscritti e che il tuo team può manutenere. Niente AGI. Niente promesse di "agente che gestisce tutto il customer service". Costruisco agenti che fanno una cosa bene: revisione codice, audit SEO, classificazione documenti, generazione contenuti revisionati. La somma di più agenti specializzati che si parlano fra loro è oggi il pattern che funziona meglio.

Dipende da come si imposta il sistema, ed è una delle cose che si discutono in fase di architettura. Le opzioni vanno dal full self-hosting (modelli open-source su tuo cloud, dati che non escono mai) all'uso di endpoint enterprise dei principali provider con zero data retention contrattuale. La scelta dipende dal tipo di dati, dal settore (sanità, finance, legal hanno vincoli specifici) e dal budget.

L'architettura preliminare si chiude in due settimane. Un agente custom in produzione richiede tipicamente sei-dieci settimane dal kickoff. Sistemi multi-agente complessi (pipeline editoriali, orchestrazione di più agenti specializzati) richiedono tre-sei mesi. Sono tempi reali, non da pitch.