L’AI in azienda: riprogettare i processi per la collaborazione uomo-agente

L’adozione degli agenti AI modifica flussi, ruoli e competenze, imponendo un ripensamento strutturale della collaborazione tra uomo e macchina nelle imprese

Gli effetti sui licenziamenti ci sono, con numeri rilevanti ma che potrebbero aumentare esponenzialmente anche nel breve periodo. Quelli sulle mancate assunzioni sono già oggi ancor più profondi, anche se difficili da quantificare. Ma l’effetto più rivoluzionario dell’intelligenza artificiale sul mercato del lavoro è di tipo qualitativo. Perché cambia la modalità e l’organizzazione del lavoro, soprattutto con l’integrazione degli agenti AI nei processi aziendali che ridefiniscono flussi, responsabilità e, quindi, organigrammi. Per tale ragione, è necessario un ripensamento sistematico della collaborazione uomo-agente nelle imprese. Così da affrontare questa rivoluzione, e possibilmente uscirne più forti.

Partiamo dai numeri. General Motors ha annunciato il taglio di oltre 500 posti di lavoro, citando l’AI nel settore tecnologico. Ad aprile la casa madre di Snapchat ha annunciato il licenziamento del 16% della sua forza lavoro per lo stesso motivo. Meta ha attuato ristrutturazioni e tagli per circa 8.000 posti (il 10% della forz

a lavoro) e ha cancellato 6.000 assunzioni in programma. Cloudflare per 1.100 persone. Si potrebbe andare avanti ma, per avere un quadro più generale, secondo il Job Cuts Report di Challenger, Gray & Christmas, da gennaio a settembre le aziende americane hanno varato piani di licenziamenti per un milione di persone, il numero più alto dal 2020 (l’anno del Covid), mentre hanno annunciato piani di assunzioni per 204 mila posizioni, il numero più basso dal 2009, quello post crack Lehman Brothers. La rivoluzione vera, però, è altrove.

La ricerca pubblicata da Anthropic a marzo 2026 sull’impatto degli LLM nelle occupazioni statunitensi mostra un dato che merita attenzione: nelle professioni più esposte all’AI, le assunzioni dei lavoratori tra i 22 e i 25 anni sono calate del 14% rispetto al 2022, mentre il tasso di nuove assunzioni nelle occupazioni meno esposte è rimasto stabile. Computer programmer, customer service e data entry sono in cima alla classifica delle attività più “coperte” dagli usi automatizzati di Claude — rispettivamente 75%, alta esposizione anche per i ruoli amministrativi, e 67% di copertura per gli operatori di immissione dati. Lo stesso studio segnala che, finora, non si osserva un aumento sistematico della disoccupazione complessiva nelle professioni più esposte. Il segnale di trasformazione passa altrove: nei flussi di ingresso al lavoro, nella composizione delle mansioni, nel ridisegno degli organigrammi. È qui che la questione diventa, prima ancora che tecnologica, organizzativa.

Anche la giurisprudenza italiana si sta adeguando. Con la sentenza n. 9135 del novembre 2025, il Tribunale di Roma ha riconosciuto legittimo il licenziamento per giustificato motivo oggettivo di una graphic designer il cui ruolo era diventato ridondante a seguito di una riorganizzazione condotta anche con strumenti AI. Il giudice ha trattato l’AI come una qualsiasi altra leva di efficientamento. Non sono cambiate le norme, è cambiato il perimetro di applicazione. Perché è cambiata, e cambierà ancora di più, l’organizzazione del lavoro e delle aziende.

I casi delle grandi corporation cominciano ad accumularsi e seguono traiettorie molto diverse. Salesforce ha ridotto il customer support da 9.000 a 5.000 addetti grazie alla piattaforma Agentforce, con un saldo netto di 4.000 unità. JPMorgan ha esteso la propria piattaforma LLM a 200.000 dipendenti, con centinaia di casi d’uso operativi attivi. Klarna è il caso opposto e più istruttivo: tra fine 2022 e fine 2024 ha ridotto l’organico da 5.527 a 3.422 dipendenti dichiarando, a febbraio 2024, che un agente svolgeva il lavoro equivalente a 700 operatori del customer service. A maggio 2025 il CEO Sebastian Siemiatkowski ha corretto pubblicamente la rotta in un’intervista a Bloomberg: il costo era diventato il criterio dominante, la qualità del servizio era calata, e l’azienda ha ripreso ad assumere personale.

Gartner stima che entro la fine del 2026 il 40% delle applicazioni enterprise incorporerà agenti specializzati per task, contro meno del 5% nel 2025. La velocità della diffusione, combinata con l’evidenza che chi taglia in modo indiscriminato torna sui propri passi, indica che la posta in gioco non è il livello di automazione raggiunto, ma il modo in cui agenti, ruoli e processi vengono integrati.

L’impatto qualitativo è meno visibile dei numeri sui tagli ma altrettanto rilevante. Salesforce, parallelamente alla riduzione del customer support, ha avviato un programma di riqualificazione che ha riguardato 72.000 dipendenti, articolato su tre assi: competenze umane (adattabilità, intelligenza emotiva, gestione dell’eccezione), competenze agentiche (collaborazione strutturata uomo-agente, supervisione di output automatizzati), competenze di business (lettura dei dati, problem solving complesso). Centinaia di addetti del customer support sono stati ricollocati su professional services, sales e customer success.

Le competenze più richieste si spostano verso ciò che gli agenti faticano a replicare: gestione dell’eccezione, giudizio nei casi limite, costruzione della relazione, supervisione critica degli output. È il fronte su cui la qualità della transizione si gioca davvero. Le competenze tacite — quelle che i lavoratori esperti hanno accumulato gestendo casi anomali, eccezioni regolatorie, situazioni che non rientrano nelle procedure standard — non si trasferiscono a un agente. Si perdono con le persone che le detenevano, ed è precisamente l’errore che ha costretto Klarna a tornare indietro.

Anche le strutture di vertice stanno cambiando. Moderna ha unificato HR e IT sotto un’unica figura di vertice. La logica è che quando gli agenti attraversano tutte le funzioni aziendali, la distinzione tra “richiesta del business” e “implementazione tecnologica” smette di funzionare come confine organizzativo. Il layer AI diventa infrastruttura trasversale, e va governato come tale.

La domanda operativa, per chi guida un’organizzazione complessa, è come tradurre questi segnali in un disegno coerente di processi e responsabilità. Dalle esperienze documentate emerge una sequenza che vale la pena formalizzare in quattro fasi.

Prima fase: audit delle capacità AI già operative. Quasi tutte le organizzazioni di una certa dimensione hanno già usi diffusi di intelligenza artificiale, spesso non censiti — la cosiddetta Shadow AI. Mapparli è il primo passo, sia per ragioni di rischio (compliance, sicurezza, qualità dei dati) sia per partire da una base reale e non da una progettazione astratta. Senza questo passaggio, le iniziative successive rischiano di duplicare o contraddire pratiche già in essere.

Seconda fase: classificazione delle attività. Ogni task aziendale va collocato in una di quattro configurazioni operative. Le attività human-led restano interamente in capo alla persona, perché richiedono giudizio, relazione, responsabilità non delegabile. Le attività AI-assisted vedono l’agente supportare l’operatore senza decidere autonomamente. Le attività AI-led con human-in-the-loop sono gestite dall’agente con supervisione umana sui casi critici. Le attività fully autonomous sono delegate all’agente senza intervento diretto. La classificazione non è statica: serve un meccanismo di revisione periodica man mano che le capacità degli agenti evolvono e l’organizzazione accumula esperienza.

Terza fase: collocazione degli agenti nell’organigramma come posizioni nominate. Ogni agente in produzione deve avere un ambito di competenza definito, un referente umano identificato, criteri di intervento espliciti e soglie oltre le quali la decisione passa alla persona. Agentforce, in Salesforce, gestisce in autonomia le conversazioni a bassa complessità — il referente umano interviene sui casi fuori soglia secondo regole codificate, non a discrezione individuale. La logica è quella di una catena di consegne strutturata, non di un’affiancamento generico tra persona e agente che lascia ai singoli la rinegoziazione informale delle responsabilità.

Quarta fase: governance e doppia linea di reporting. Il referente umano risponde alla linea funzionale di appartenenza. L’agente risponde a una funzione di AI Governance, presidiata in molte grandi corporation da un Chief AI Officer responsabile del ciclo di vita degli agenti, della loro coerenza con gli obiettivi di business, del monitoraggio delle performance e della gestione del rischio. È in questa funzione che si presidiano gli aspetti di compliance — AI Act in primis — e di sicurezza dei sistemi.

Quando questa sequenza non viene seguita, emergono tre criticità ricorrenti che gli early adopter hanno documentato. La prima riguarda la validazione: un agente produce output a una velocità che la revisione umana fatica a sostenere, e il controllo integrale degrada inevitabilmente al campionamento basato sul rischio — con il problema di stabilire i criteri di campionamento. La seconda è l’accountability: senza un referente umano nominato con facoltà reale di intervento, le decisioni si bloccano al primo caso limite, e l’organizzazione perde reattività proprio dove l’agente prometteva di aumentarla. La terza è psicologica e si manifesta in ritardo, sul turnover: i lavoratori che restano percepiscono l’agente come sostituto e non come strumento, e la motivazione cala — una variabile che non figura nei piani di trasformazione ma si misura, a sei o dodici mesi, sulla tenuta operativa.

Le organizzazioni che capitalizzeranno questa transizione sono quelle in cui l’organigramma tornerà a essere ciò che la tradizione manageriale ha sempre richiesto: una mappa coerente di capacità — umane e artificiali — orientata al valore. La differenza competitiva non si gioca sul numero di agenti messi in produzione, ma sulla qualità del disegno di processo che li accoglie. Riprogettare i flussi prima di automatizzarli è la condizione perché l’AI generi efficienza invece di amplificare le disfunzioni esistenti. È un lavoro di ingegneria organizzativa, prima ancora che di tecnologia. E come ogni lavoro di ingegneria, ha bisogno di criteri, sequenze e responsabilità chiare.

*Strategic Management Partners