Dall’incarico alla delega, gli agenti AI nel marketing

In un precedente articolo abbiamo visto come formare un team marketing all’AI partendo da un principio: i sistemi generativi funzionano meglio quando ricevono un incarico, e non una semplice domanda, e le attività ricorrenti possono diventare workflow, catene di fasi che vanno dal brief alla ricerca, dall’analisi alle ipotesi, dalla critica alla selezione, fino alla produzione e alla verifica finale. Anche nel workflow più strutturato, però, è l’essere umano a governare la sequenza: decide quando iniziare ogni fase, trasferisce le informazioni da un passaggio all’altro e sceglie quale strumento utilizzare.

L’arrivo degli agenti AI aggiunge un passo ulteriore. Non perché l’intelligenza artificiale diventi improvvisamente autonoma nel senso fantascientifico del termine, ma perché possiamo affidarle qualcosa di diverso da un singolo compito: un risultato da raggiungere attraverso una sequenza di attività. Può essere il sistema stesso, cioè, a gestire una parte di quella catena. È un cambiamento meno sottile di quanto appaia, perché sposta progressivamente il tema dall’utilizzo dell’AI alla delega, e quindi da quello che un sistema è capace di fare a quello che siamo disposti a lasciargli fare.

Non basta chiamarlo agente

La parola “agente” rischia naturalmente di diventare l’ennesima etichetta applicata a qualsiasi prodotto che utilizzi l’AI. Il fenomeno è già abbastanza diffuso da essersi guadagnato un nome, agent washing: Gartner definisce così la tendenza a ribattezzare come agenti assistenti, chatbot e strumenti di automazione tradizionali che non possiedono reali capacità agentiche. Un chatbot non diventa infatti un agente perché gli abbiamo dato un nome e l’accesso a qualche documento.

Un agente riceve un obiettivo, dispone di informazioni e strumenti, mantiene uno stato del lavoro e può decidere quale azione compiere successivamente per avvicinarsi al risultato. A un chatbot possiamo chiedere di analizzare i risultati di una campagna e dirci cosa non sta funzionando. Dovremo fornirgli i dati, attendere la risposta, valutarla e decidere cosa fare. A un agente potremmo invece assegnare un compito di natura diversa: controllare ogni giorno le campagne attive, confrontare i risultati con i Kpi concordati e segnalarci le anomalie. L’agente può accedere ai dati, confrontare le performance con quelle dei giorni precedenti, verificare Cpa, conversion rate e Roas, individuare uno scostamento significativo, approfondirne le possibili cause e preparare un report. Non gli abbiamo chiesto un output. Gli abbiamo affidato una responsabilità circoscritta.

Quanto si è disposti a delegare?

È questa la parola più importante quando parliamo di agenti: delega. Fino a oggi abbiamo utilizzato l’AI prevalentemente come uno strumento. Con gli agenti iniziamo ad affidarle parti di un processo, ma questo non significa necessariamente permetterle di fare tutto. Un agente può avere accesso in lettura a Google Analytics, al Crm, alle piattaforme advertising e ai dati di vendita senza avere il permesso di modificare una campagna. Può accorgersi che il costo di acquisizione di un determinato segmento è aumentato del 25%, cercarne le ragioni e suggerire una modifica al budget. Poi si ferma. Il marketer verifica l’analisi e decide se autorizzare l’intervento. Un altro agente potrebbe invece essere autorizzato a modificare il budget in autonomia entro una variazione massima del 5%, chiedendo un’approvazione per qualsiasi intervento superiore.

Non è soltanto un’ipotesi teorica. Google ha seguito una logica simile con Ads Advisor e Analytics Advisor, gli agenti basati su Gemini integrati in Google Ads e Google Analytics. Ads Advisor può diagnosticare problemi di performance, generare parole chiave e annunci e proporre ottimizzazioni per le campagne Search e Performance Max, mantenendo però l’inserzionista nel processo di revisione delle modifiche. Nei due esempi il principio è lo stesso, ma cambia il perimetro di delega. Ed è probabilmente questo il parametro più interessante: la qualità del modello determina ciò che tecnicamente potremmo affidargli, l’organizzazione decide quanto di quello spazio concedergli, in funzione delle conseguenze di un eventuale errore.

L’autonomia non è necessariamente il traguardo

Quando si parla di agenti AI è facile immaginare una sorta di collaboratore digitale completamente autonomo. Per molte attività di marketing non è però necessario e neppure sempre desiderabile, ed è più utile ragionare per livelli. Possiamo avere un assistente che analizza le informazioni e propone un’azione (1); un agente supervisionato che esegue alcune attività ma si ferma in corrispondenza di checkpoint prestabiliti (2); un agente delegato che può prendere ed eseguire determinate decisioni entro limiti definiti (3); infine un sistema capace di gestire quasi interamente un processo e coinvolgere una persona soprattutto quando incontra un’eccezione (4).

Chi segue il settore automobilistico riconoscerà qualcosa di familiare. La guida autonoma viene classificata dallo standard Sae J3016 in sei livelli, da 0 a 5, ma uno dei problemi più interessanti non si trova necessariamente all’estremità della scala. Emerge soprattutto al livello 3, quando il sistema può occuparsi della guida in determinate condizioni ma deve poter restituire il controllo al conducente quando esce dal proprio dominio operativo. Il problema è il passaggio di consegne. Un conducente che si è abituato a non guidare può non essere pronto a riprendere immediatamente il controllo, e qualcosa di simile può accadere nel marketing. Un team che per mesi vede un agente gestire correttamente i budget può progressivamente smettere di guardare i report, fino al giorno in cui l’eccezione arriva a persone che hanno perso parte del contesto necessario per valutarla.

La questione non è scegliere tra usare o non usare gli agenti, ma decidere quale livello di autonomia abbia senso per ciascun processo e come mantenere vigile chi deve intervenire quando serve.

Dalla ricerca occasionale alla market intelligence continua

Il monitoraggio competitivo è un buon esempio di dove questo cambiamento possa produrre risultati interessanti. Oggi possiamo usare un modello generativo per analizzare articoli, comunicati stampa, siti dei concorrenti, report e dati di mercato. Un agente può trasformare la stessa attività in un processo continuativo. Può controllare un insieme di fonti definite, rilevare nuovi prodotti, variazioni di prezzo, campagne, messaggi pubblicitari o cambiamenti nell’offerta. Quando individua qualcosa di significativo può confrontarlo con le informazioni già raccolte, valutarne la rilevanza e aggiornare un dossier competitivo. Il marketer non deve più ricordarsi periodicamente di effettuare la ricerca: interviene quando il sistema segnala qualcosa che merita attenzione. Non abbiamo semplicemente reso più veloce la stessa attività. Abbiamo trasformato un’attività occasionale in un processo continuo.

Ma proprio qui compare uno dei problemi meno evidenti degli agenti. Un sistema che legge siti di terze parti, compresi quelli dei concorrenti, legge anche ciò che qualcuno potrebbe avervi inserito appositamente per lui. La prompt injection indiretta consiste proprio nell’inserimento di istruzioni malevole all’interno di pagine web, documenti o email che il modello successivamente elabora. La prompt injection è al primo posto nella Owasp Top 10 2025 per le applicazioni basate su modelli linguistici; la stessa classificazione indica inoltre tra i rischi l’excessive agency, particolarmente rilevante quando al modello viene consentito di utilizzare strumenti esterni e compiere azioni. Un agente di market intelligence può quindi avere bisogno di leggere moltissimo, senza per questo dover avere il permesso di fare altrettanto.

Quando dall’analisi si passa all’azione

La gestione delle campagne è probabilmente il terreno nel quale la differenza diventa ancora più evidente. Un agente può controllare continuamente impression, click, conversioni, Cpa (Cost per Action), Roas (Return on Advertising Spend) e andamento dei diversi segmenti. Se rileva un calo delle conversioni può verificare se è cambiato il traffico, controllare le performance delle creatività, confrontare i segmenti e capire se il problema riguarda una specifica landing page. Poi può formulare delle ipotesi e suggerire un intervento.

È a questo punto che diventa importante capire non soltanto cosa ci sta dicendo l’agente, ma quale sia la natura dell’informazione. Le conversioni sono diminuite del 18%: è un fatto ricavato dai dati. Il problema sembra concentrarsi sul traffico mobile: è il risultato di un’analisi. La nuova landing page potrebbe esserne la causa: è un’ipotesi. Fatto, analisi e ipotesi non sono intercambiabili. Devono rimanere distinguibili anche quando il processo viene eseguito autonomamente, perché è su questa distinzione che il marketer decide se intervenire e, soprattutto, fino a che punto lasciare che sia l’agente a farlo.

Più automazione significa più checkpoint

Può sembrare un paradosso, ma aumentando l’autonomia dell’AI non diminuisce necessariamente l’importanza del controllo umano. Già nei workflow l’intervento umano non scompariva ma cambiava posizione; con gli agenti cambia anche il momento in cui viene esercitato. In un processo tradizionale la persona interviene continuamente perché è parte di ogni passaggio. In un processo agentico possiamo invece decidere in anticipo quando il suo intervento sia necessario. Possiamo autorizzare un agente a raccogliere, elaborare e confrontare dati autonomamente, ma richiedere un’approvazione prima della pubblicazione di un contenuto. Possiamo permettergli di preparare una campagna ma non di attivarla, oppure di gestire automaticamente determinate interazioni con i clienti e trasferire a una persona quelle che escono dal perimetro stabilito. Il checkpoint non serve soltanto a verificare che l’AI non abbia sbagliato. Stabilisce il confine tra ciò che abbiamo deciso di automatizzare e ciò che vogliamo continuare a decidere direttamente.

E quando l’agente interagisce direttamente con le persone entra in gioco anche la normativa. Dal 2 agosto 2026 sono applicabili gli obblighi di trasparenza dell’articolo 50 dell’AI Act, che prevedono, in determinate circostanze, che le persone siano informate quando interagiscono con un sistema di intelligenza artificiale e introducono obblighi specifici per la riconoscibilità o la dichiarazione di alcune tipologie di contenuti generati o manipolati artificialmente: un motivo in più per progettare il perimetro dell’agente prima di metterlo al lavoro.

L’incarico diventa un contratto operativo

Cambia così anche il modo con cui assegniamo un compito all’intelligenza artificiale. L’incarico, come lo avevamo descritto parlando di formazione, contiene un obiettivo, un contesto, dei materiali, dei vincoli e una definizione del risultato atteso. Per un agente resta indispensabile, ma non basta più. Quali informazioni può utilizzare? A quali sistemi può accedere? Quali operazioni può effettuare? Quali decisioni può prendere autonomamente? Quali soglie non può superare? Quando deve fermarsi e chiamare una persona? E ancora: cosa deve registrare? Se un agente modifica il budget di una campagna dobbiamo poter sapere quando lo ha fatto, sulla base di quali informazioni e seguendo quale regola.

L’incarico diventa così un contratto operativo, che non stabilisce soltanto cosa deve fare l’agente, ma anche fin dove può arrivare. E il suo posto naturale è il playbook aziendale, accanto ai workflow, ai modelli di brief e alle procedure di verifica che il team ha già imparato a condividere. È proprio scrivendo questo contratto che diventa più facile capire se abbia davvero senso utilizzare un agente. Non tutti i processi hanno bisogno di diventare agentici e non sempre aggiungere autonomia produce abbastanza valore da giustificare costi, complessità e rischio.

Quando gli agenti diventano una squadra

Il passaggio successivo è quello dei sistemi multi-agente. Invece di costruire un unico agente che faccia tutto, possiamo immaginarne diversi e specializzati. Uno raccoglie informazioni sul mercato, un altro analizza i dati delle campagne, un terzo lavora sui contenuti, un quarto controlla che i materiali rispettino linee guida, tono di voce e vincoli aziendali. Gli agenti possono passarsi informazioni e risultati intermedi, esattamente come avviene tra le diverse funzioni di un team. Non significa riprodurre artificialmente un organigramma aziendale, ma suddividere un processo complesso in responsabilità più piccole, osservabili e controllabili. C’è però anche un rovescio. In una catena di agenti un errore commesso all’inizio può propagarsi attraverso i passaggi successivi e arrivare al controllo finale sotto forma di una conclusione apparentemente solida. La distinzione tra fatti, analisi e ipotesi, che per un singolo agente è una buona pratica, in un sistema multi-agente diventa quindi una condizione di funzionamento.

Per chi guida un’azienda o un team marketing, la domanda più utile rischia di non essere più quale sia il prompt migliore, e neppure quale agente adottare. È molto più concreta: quale parte del mio lavoro sono disposto a delegare, e a quali condizioni?

—

*Fabrizio Albergati, giornalista e senior advisor in ambito tecnologico

© RIPRODUZIONE RISERVATA