Molte PMI manifatturiere hanno già provato un chatbot, magari per riassumere un capitolato o tradurre una mail a un fornitore tedesco. Il passo successivo, cioè un agente AI che lavora dentro un processo e usa i sistemi aziendali, è quello in cui molti progetti si fermano. La risposta breve è questa: gli agenti AI nel manifatturiero funzionano quando partono da un processo d’ufficio ben delimitato (ufficio tecnico, acquisti, pianificazione, post-vendita), hanno accesso a dati puliti, hanno permessi stretti e prevedono un punto di controllo umano. Non funzionano quando si chiede loro di “ottimizzare la fabbrica”.
In questo articolo spiego dove ha senso usarli, come scegliere il primo processo e come passare dal pilota alla produzione senza restare bloccati a metà.
Il divario tra intenzione e adozione
Il tema è attuale. Secondo il World Manufacturing Report 2026, presentato a Milano e ripreso da SoldiOnline, oltre il 60% dei dirigenti del manifatturiero prevede di adottare agenti AI entro due anni, ma meno del 20% lo ha già fatto. Lo stesso articolo segnala che oltre il 40% dei progetti rischia lo stop. In parallelo, un report di OpenAI citato da AI4Business indica che tra maggio e inizio ottobre 2026 gli utenti attivi settimanali degli strumenti agentici nelle aziende italiane osservate sono cresciuti di 10,8 volte.
Il quadro è chiaro: interesse alto, sperimentazione in crescita, pochi progetti che arrivano in produzione. Nella mia esperienza i motivi dello stop sono quasi sempre gli stessi:
- Processo scelto troppo largo: “gestire gli ordini” invece di “verificare la disponibilità dei componenti per gli ordini in ingresso”.
- Dati sparsi: distinte base nel gestionale, disegni su un NAS, note di modifica in mail e fogli Excel personali.
- Nessun proprietario del processo: il pilota lo segue l’IT, ma chi lavora ogni giorno sul processo non è coinvolto.
- Nessun criterio di successo: dopo due mesi nessuno sa dire se l’agente funziona o no.
- Paura dei permessi: per sicurezza non si collega l’agente all’ERP, e senza dati veri l’agente resta una demo.
Dove un agente AI ha senso in una PMI manifatturiera
Un agente AI non controlla la pressa o la linea di verniciatura. Per quello esistono PLC, sistemi di supervisione e, dove serve, modelli di machine learning dedicati. L’agente serve nel lavoro d’ufficio che sta intorno alla produzione: leggere documenti, incrociare dati da più sistemi, preparare bozze, aprire attività. Alcuni esempi concreti:
Ufficio tecnico
- Ricerca nei manuali, nelle schede tecniche e nelle specifiche cliente con un sistema RAG, citando il documento e la revisione di origine.
- Prima analisi di una richiesta di offerta: estrazione di materiali, tolleranze, trattamenti e quantità dal capitolato, con elenco dei punti da chiarire col cliente.
- Confronto tra due revisioni di una specifica per segnalare cosa è cambiato.
Acquisti e pianificazione
- Controllo delle conferme d’ordine dei fornitori rispetto all’ordine emesso: prezzi, date, quantità. Le discrepanze finiscono in una coda per il buyer.
- Bozze di sollecito per le consegne in ritardo, basate sui dati reali del gestionale.
- Verifica della disponibilità dei componenti critici per gli ordini cliente in ingresso.
Qualità e post-vendita
- Bozza di un rapporto di non conformità a partire dalla segnalazione del cliente, con lo storico dei casi simili.
- Smistamento delle richieste di assistenza e ricambi, con ricerca del codice corretto nell’esploso della macchina.
In tutti questi casi l’agente prepara e verifica, mentre una persona decide. Se l’agente deve leggere e scrivere nel gestionale, il punto di partenza tecnico è quello descritto in come collegare un agente AI sopra ERP e CRM.
Come scegliere il primo processo
Il primo progetto deve dimostrare valore in poche settimane, non risolvere tutto. Uso questi criteri:
- Volume ripetitivo: un’attività che si ripete spesso, ogni giorno o ogni settimana, con una struttura riconoscibile.
- Input in gran parte digitali: PDF, mail, record nel gestionale. Se metà delle informazioni sta in testa a un capo reparto, prima va scritta.
- Errore recuperabile: se l’agente sbaglia, qualcuno se ne accorge prima che il danno arrivi al cliente.
- Un responsabile chiaro: una persona che conosce il processo, valida i risultati e ha interesse a usarlo.
- Misura semplice: tempo per pratica, numero di pratiche gestite, discrepanze intercettate.
Il controllo delle conferme d’ordine fornitori, per esempio, rispetta quasi sempre tutti e cinque i criteri. La gestione completa delle offerte tecniche di solito no: è un buon secondo o terzo progetto.
L’architettura minima: dati, strumenti, permessi
Un agente in produzione ha tre componenti che vanno progettate prima di scrivere il prompt.
Dati
L’agente deve leggere fonti affidabili e aggiornate. Questo significa sapere quale cartella contiene i disegni validi, quale campo del gestionale indica la data di consegna confermata, quale revisione di una specifica è in vigore. Spesso il lavoro più lungo del progetto sta qui, e conviene trattarlo come una vera pipeline dati per gli agenti AI, non come un’operazione una tantum.
Strumenti
L’agente non accede al database “in generale”: usa strumenti specifici, ognuno con un compito chiaro. Per esempio leggi_ordine_fornitore, leggi_giacenza_articolo, crea_bozza_mail, apri_attività_buyer. Possono essere esposti via API del gestionale, tramite un server MCP o con un orchestratore come n8n. Meno strumenti ci sono, più il comportamento è prevedibile.
Permessi
Si parte in sola lettura. Le azioni di scrittura arrivano dopo e sono limitate: creare una bozza sì, inviare la mail al fornitore no, almeno finché i risultati non sono stati verificati per settimane. L’agente non deve poter modificare le proprie regole, i propri limiti o i log. Le credenziali sono dedicate all’agente, con un utente distinto nel gestionale, così ogni operazione è tracciabile. Per le azioni sensibili si inserisce un passaggio di approvazione, secondo lo schema human-in-the-loop.
Dal pilota alla produzione in quattro fasi
- Mappatura (1-2 settimane): si osserva il processo reale con chi lo svolge, si raccolgono 30-50 casi storici, si definiscono gli output attesi e le eccezioni note.
- Modalità ombra: l’agente lavora sui casi reali in parallelo all’operatore, senza effetti. Si confrontano i risultati e si correggono istruzioni, strumenti e dati.
- Bozze con approvazione: l’agente produce bozze e segnalazioni che l’operatore approva o corregge. Ogni correzione è un dato utile per migliorare il sistema.
- Autonomia limitata: solo per le categorie di casi in cui l’agente si è dimostrato affidabile, con limiti espliciti (importi, fornitori, tipologie di articolo) e un sistema di arresto rapido.
Molti progetti si fermano tra la fase 2 e la 3 perché nessuno ha previsto chi si occupa della manutenzione: il fornitore cambia formato del PDF, il gestionale si aggiorna, un nuovo reparto usa codici diversi. Prima di andare in produzione va deciso chi monitora l’agente, chi aggiorna i test e come si interviene in caso di errore.
Cosa misurare
Non servono dashboard complesse. Bastano pochi indicatori legati al processo:
- tempo medio per pratica, prima e dopo;
- percentuale di bozze approvate senza modifiche;
- discrepanze intercettate (prezzi, date, quantità) che prima sfuggivano;
- casi passati all’operatore perché l’agente non era sicuro;
- costo di esecuzione, cioè chiamate al modello, infrastruttura e manutenzione.
Se dopo la fase in modalità ombra questi numeri non convincono, si cambia processo o si ridimensiona il progetto. Anche questo è un risultato utile, ed è meglio arrivarci in un mese che in un anno.
Domande frequenti
Serve un gestionale moderno per usare agenti AI?
Non necessariamente. Serve un modo affidabile per leggere i dati: API, viste sul database, esportazioni programmate. Con gestionali datati si può partire da esportazioni periodiche in sola lettura e aggiungere la scrittura solo dove il sistema lo consente in modo sicuro.
I dati tecnici e i disegni restano riservati?
Dipende da come si progetta il sistema. Si può scegliere un fornitore di modelli con contratti adeguati e server in UE, oppure usare modelli open source ospitati sulla propria infrastruttura. La scelta va fatta a monte, insieme alla valutazione privacy e di sicurezza.
Quanto tempo serve per il primo agente in produzione?
Per un processo ben delimitato e con dati accessibili, si ragiona in settimane, non in mesi. Il tempo dipende soprattutto dallo stato dei dati e dalla disponibilità di chi conosce il processo, più che dalla tecnologia.
Meglio un agente unico o più agenti?
Per iniziare, uno solo con pochi strumenti. Più agenti coordinati hanno senso quando il primo funziona e il processo successivo è chiaramente separato.
Partire da un processo, non dalla tecnologia
Gli agenti AI possono togliere molto lavoro ripetitivo agli uffici di una PMI manifatturiera, ma solo se vengono trattati come un progetto di processo: un perimetro chiaro, dati affidabili, permessi stretti e un responsabile. Se vuoi capire quale processo della tua azienda è il candidato giusto e portarlo dalla prova alla produzione, contattami: partiamo da un’analisi concreta del tuo flusso di lavoro e dei sistemi che già usi.
