L’adozione della agentic AI nei processi di back office B2B consente di automatizzare le attività manuali ad alto volume, riducendo l’errore umano e trasformando la gestione operativa nelle grandi imprese con sistemi legacy.
Il contesto dei processi manuali nelle grandi imprese B2B
Le grandi operazioni aziendali in ambito B2B sono tradizionalmente ancorate a processi manuali consolidati da anni. L’inserimento delle schede d’ordine nei sistemi gestionali, la chiusura dei registri contabili e la riconciliazione dei dati continuano a impegnare risorse umane su mansioni ripetitive. In un’intervista approfondita per il The AI in Business Podcast, Chris Bradley, Chief Marketing Officer e Responsabile della Trasformazione AI di Veritiv, ha esaminato le motivazioni strutturali di questo ritardo operativo, illustrando il ruolo della agentic AI nella gestione completa dei flussi di lavoro ad alto volume.
Perché i processi rimangono manuali?
La permanenza dei processi manuali all’interno delle grandi organizzazioni B2B non è legata alla mancanza di investimenti tecnologici, ma alla complessa architettura informatica su cui poggiano le attività quotidiane. Molti strumenti di ultima generazione nascono per contesti nativi digitali, mentre le grandi imprese operano attraverso una stratificazione di software accumulati nel tempo.
Come evidenziato da Bradley, l’ostacolo principale all’efficienza risiede nell’architettura dei sistemi aziendali:
- Un mosaico di sistemi legacy, ERP e soluzioni proprietarie sviluppate internamente.
- Operatori umani costretti a lavorare su tre o quattro monitor simultaneamente.
- Trasferimento manuale delle informazioni da una piattaforma all’altra.
Costi e limiti della manualità
Il mantenimento di questa operatività manuale comporta costi indiretti rilevanti, ben al di là della semplice somma delle ore di lavoro. La costante digitazione manuale espone le procedure al rischio di errore umano, rallentando la velocità complessiva di risposta dell’azienda. Inoltre, l’impiego di personale qualificato in attività meramente esecutive limita le possibilità di crescita professionale.
Bradley ha precisato: «Stiamo costringendo i nostri dipendenti a svolgere questo lavoro manuale quando invece potrebbero essere promossi a compiti di livello molto più elevato».
Differenza tra AI generativa e agentic AI
Nel dibattito tecnologico corrente il termine “intelligenza artificiale” viene spesso usato in modo indistinto. Esiste però una distinzione concettuale e funzionale profonda tra i modelli di AI generativa tradizionale e le architetture basate su agentic AI.
I modelli generativi e i sistemi di chatbot, nati negli ultimi anni, sono progettati per operare come assistenti all’analisi, supporto alla ricerca o creatori di bozze testuali. In queste configurazioni l’essere umano mantiene il controllo di ogni singola fase, guidando lo strumento e prendendo le decisioni operative successive.
Molti applicativi sul mercato utilizzano la denominazione di “agenti” pur rimanendo confinati nel perimetro della generative AI. Bradley ha chiarito questa sovrapposizione concettuale:
«Ci sono così tanti strumenti sul mercato che hanno nel nome la parola ‘agente’, ma in realtà sono ancora semplici strumenti di AI generativa».
Che cos’è la agentic AI?
La agentic AI introduce un salto qualitativo nell’operatività, passando dal semplice affiancamento decisionale all’esecuzione autonoma e sequenziale di un compito articolato. L’agente software riceve un obiettivo finale e gestisce in autonomia tutti i passaggi intermedi necessari al suo completamento, operando sui software aziendali esattamente come farebbe un dipendente umano.
Bradley ha sintetizzato il concetto: «La vera AI agentica si basa sul principio: ‘Ecco cosa deve essere fatto’ e l’AI va ed esegue tutti i passaggi che prima solo un essere umano era in grado di compiere».
Il caso Veritiv: pilotare l’agentic AI sull’inserimento degli ordini
Per testare le capacità della agentic AI su scala industriale, Veritiv ha individuato uno dei processi di back office a maggiore intensità di lavoro manuale: l’inserimento degli ordini di acquisto. L’azienda gestiva manualmente un volume pari a 1,7 milioni di ordini all’anno.
L’avvio del progetto pilota è avvenuto tra la fine di novembre e l’inizio di dicembre 2025, quando il primo ordine è stato elaborato ed inserito con successo dal sistema autonomo senza alcun intervento umano diretto.
Meccanismi di verifica e tracciabilità
L’affidabilità di un sistema autonomo inserito in un processo critico richiede meccanismi di verifica rigorosi. Poiché i modelli linguistici di grandi dimensioni (LLM) presentano una natura non deterministica, esiste la possibilità che il sistema generi risposte o comportamenti inattesi.
Per garantire il controllo dei processi, Veritiv ha integrato una traccia di controllo (audit trail) sistematica per ogni operazione eseguita dagli agenti software. Il sistema registra uno screenshot per ogni azione compiuta, consentendo ai responsabili di ricostruire visivamente l’intera sequenza operativa a posteriori.
Bradley ha sottolineato la superiorità della supervisione digitale rispetto al controllo tradizionale:
«Per ogni singola missione agentica che distribuiamo, c’è uno screenshot per ciascun passaggio ed è possibile riprodurlo per vedere esattamente cosa ha fatto». «Prima non avevamo questa possibilità. Non potevamo vedere cosa facesse un essere umano; non abbiamo registrazioni dello schermo di ogni volta che un dipendente fa qualcosa al computer, ma con gli agenti AI sì», ha aggiunto.
Gestione delle anomalie a volumi elevati
Durante la scalabilità del progetto, il passaggio da piccoli volumi di prova all’elaborazione di migliaia di ordini ha fatto emergere la necessità di gestire anomalie marginali. Ogni sessione operativa svolta da un agente autonomo implica una serie di chiamate distinte al modello linguistico di base. Se una procedura richiede venti chiamate LLM successive, il sistema rilegge istruzioni, competenze aziendali e barriere di sicurezza (guardrails) come se fosse un modello fresco a ogni singolo passaggio.
Per garantire la stabilità del processo ad alti volumi, Veritiv ha implementato una struttura di controllo basata su un secondo agente con funzioni di ispezione. Questo agente supervisore analizza l’output prodotto dall’agente operativo al termine del ciclo di lavoro, verificando il rispetto dei requisiti previsti.
Bradley ha commentato ironicamente la dinamica tra i sistemi: «Abbiamo scoperto che i modelli linguistici di grandi dimensioni adorano giudicare gli altri modelli linguistici».
Change management e integrazione con gli strumenti esistenti
L’adozione delle tecn