Finora abbiamo imparato a usare l’intelligenza artificiale principalmente come interlocutore. Le poniamo una domanda e riceviamo in cambio un testo, un’analisi, un’immagine, un riassunto o un pezzo di codice. Il valore risiede nella qualità della risposta, anche se spesso l’interazione finisce lì.
Con l’Agentic AI, questo confine inizia a spostarsi. L’intelligenza artificiale può comprendere un obiettivo, identificare i passaggi necessari, utilizzare gli strumenti disponibili e preparare l’azione successiva. Può interrogare un sistema, recuperare e confrontare informazioni, convalidare una configurazione, creare una bozza e sottoporla all’utente per l’approvazione.
Questo introduce un sistema di AI in grado di partecipare ai processi e supportarne l’esecuzione.
Il cambiamento è particolarmente rilevante nel marketing e nella gestione dei dati, dove la sfida principale raramente è la mancanza di informazioni. Più spesso, riguarda tutto ciò che è necessario per rendere utilizzabili tali informazioni. I team devono comprendere le strutture dei dataset, muoversi tra gli strumenti, coordinare competenze diverse e tradurre l’analisi in attività concrete.
L’Agentic AI può accorciare questa distanza e creare un percorso più diretto tra intenzione e azione. Per fornire un valore significativo, tuttavia, deve comprendere il proprio contesto operativo, integrarsi con i dati e le piattaforme aziendali e agire entro confini chiari, verificabili e controllati.
Oltre il chatbot: un nuovo livello di interazione con le piattaforme
Un assistente generativo tradizionale riceve un input e produce un output basato sul contesto disponibile. Un sistema agentico può scomporre un obiettivo in una sequenza di operazioni, selezionare gli strumenti più adatti, richiamare API o funzioni di piattaforma e coordinare un workflow multi-step.
La differenza riguarda anche la capacità del sistema di interagire con il proprio ambiente operativo. Un agente può interrogare database, leggere metadati, eseguire controlli, utilizzare strumenti specializzati, mantenere il contesto attraverso diversi passaggi e restituire un risultato operativo insieme alle informazioni fornite.
Immagina, ad esempio, che un marketing manager voglia identificare i clienti che hanno effettuato almeno un acquisto negli ultimi 30 giorni, verificare quanti di loro hanno un indirizzo email valido e creare un’audience per una campagna.
Un processo tradizionale potrebbe richiedere ai team di:
- identificare le tabelle e le relazioni corrette;
- verificare la qualità, la completezza e il formato dei campi;
- definire la logica di segmentazione;
- eseguire una query o configurare i filtri;
- calcolare la dimensione potenziale dell’audience;
- selezionare la destinazione;
- configurare e avviare la sincronizzazione.
Con un’interfaccia agentica, lo stesso obiettivo può essere espresso in linguaggio naturale. L’agente interpreta l’intento, identifica le fonti rilevanti, richiama gli strumenti necessari, verifica la disponibilità e la qualità dei dati, costruisce la logica dell’audience e calcola un’anteprima.
Prima di eseguire un’operazione che modifichi il sistema, può presentare la configurazione proposta, i parametri utilizzati e l’azione che intende eseguire. L’utente può quindi approvare, modificare o rifiutare il passaggio proposto.
Il valore va oltre la riduzione dei tempi operativi. Cambia il livello di astrazione attraverso cui le persone accedono alle funzionalità di una piattaforma. Gli utenti non devono necessariamente conoscere la sintassi di una query, la struttura completa di uno schema dati o la sequenza tecnica delle operazioni. Possono esprimere il risultato che vogliono ottenere, mentre l’agente traduce quell’intento in chiamate agli strumenti e configurazioni verificabili.
L’interazione conversazionale diventa quindi un livello di orchestrazione che connette utenti, dati e funzionalità della piattaforma. Integra l’interfaccia tradizionale offrendo un accesso più diretto, guidato e trasparente ai processi operativi.
Il vero valore risiede nel contesto operativo
Per fornire un valore significativo in un ambiente aziendale, un agente ha bisogno di qualcosa di più della conoscenza generale di un modello linguistico. Deve operare all’interno di un contesto applicativo preciso e capire quali dati sono disponibili, come sono organizzati, quali relazioni esistono tra tabelle e profili, quali strumenti può usare, quali modelli sono attivi e quali permessi possiede l’utente.
Questo contesto non significa solo fornire una maggiore quantità di informazioni. Include metadati, schemi, regole di business, configurazioni, autorizzazioni e lo stato attuale delle risorse. Questi elementi permettono all’agente di tradurre una richiesta generale in una sequenza di operazioni compatibili con l’ambiente reale.
Senza accesso a questo contesto, l’AI può suggerire un metodo o descrivere una procedura, ma potrebbe non essere in grado di verificare se i dati richiesti esistono, se un campo è adatto, se una connessione è attiva o se l’utente è autorizzato a compiere un’azione specifica.
L’Agentic AI si basa quindi sulla capacità di connettere un modello linguistico a strumenti operativi attraverso interfacce strutturate. L’agente deve scoprire le funzioni disponibili, comprenderne parametri e vincoli, richiamarle al momento giusto e usare il risultato di ogni operazione per determinare il passaggio successivo.
In questa architettura, il modello linguistico interpreta l’intento e orchestra il processo, mentre strumenti specializzati, API e servizi gestiscono l’esecuzione. Il Model Context Protocol, ad esempio, definisce uno standard aperto attraverso cui un assistente AI può accedere a dati, risorse e funzioni esposte da sistemi esterni in modo controllato.
Questa integrazione affronta uno dei principali limiti che frenano l’adozione dell’AI nei processi aziendali: la separazione tra l’ambiente in cui nasce una richiesta e il sistema in cui deve essere eseguita. Quando un assistente non può accedere agli strumenti usati dal team, l’utente deve recuperare le informazioni manualmente, copiarle nella conversazione, interpretare la risposta e ricreare l’operazione in un’altra applicazione.
Un sistema agentico integrato può ridurre questi passaggi. Può lavorare direttamente all’interno della piattaforma o rendere disponibili alcune funzionalità della piattaforma tramite assistenti AI già adottati dall’organizzazione. Questo crea un workflow più fluido in cui dati, ragionamento e operazioni fanno parte dello stesso processo, mentre ruoli, autorizzazioni e livelli di accesso rimangono distinti.
Maggiori capacità operative mantenendo centrale il giudizio umano
L’idea di un sistema capace di agire attira spesso l’attenzione sul suo grado di autonomia. In un ambiente aziendale, una domanda più utile riguarda quali attività debbano essere assegnate all’agente, entro quali confini e sotto quale livello di supervisione.
L’agente traduce l’obiettivo dell’utente in operazioni tecniche. Identifica le fonti rilevanti, seleziona gli strumenti, verifica i prerequisiti e prepara l’azione. La valutazione strategica resta alla persona che comprende il contesto di business e può determinare se il risultato proposto sia coerente, utile e appropriato.
Un’audience può essere formalmente corretta ma poco adatta alla campagna. Un modello può usare campi validi ma con scarsa rilevanza per l’obiettivo. Una sincronizzazione può essere tecnicamente fattibile ma incoerente con la governance interna.
L’intervento umano è quindi una componente integrante di un’architettura agentica. Le attività di lettura, esplorazione e anteprima possono spesso essere automatizzate, mentre le operazioni di scrittura, attivazione e cancellazione richiedono autorizzazione, conferma esplicita e tracciabilità.
All’interno di un modello human-in-the-loop, l’agente riduce la complessità tecnica e prepara l’azione. L’utente ne valuta la pertinenza e decide se procedere. Per supportare una decisione informata, il sistema deve rendere trasparenti i dati consultati, gli strumenti usati, i parametri selezionati e le modifiche proposte.
Agentic AI nella Bytek Prediction Platform
Le nuove funzionalità della Bytek Prediction Platform si stanno evolvendo in questa direzione, rendendo più accessibile l’intero workflow dei dati. Questo spazia dalla configurazione delle data source allo sviluppo di modelli predittivi, fino all’analisi e all’attivazione. L’obiettivo va oltre l’introduzione di un’interfaccia conversazionale e riguarda il modo in cui gli utenti interagiscono con le capacità operative della piattaforma.
Data Source Manager: configurare i dati attraverso un processo guidato
Il primo passo consiste nel connettere e configurare correttamente le sorgenti dati che alimenteranno la piattaforma.
Data Source Manager guida gli utenti nell’onboarding dei dataset. Analizza automaticamente tabelle e campi, permette di selezionare le informazioni da includere, supporta la configurazione degli identificatori e consente una revisione della struttura complessiva prima dell’attivazione.
Per gli utenti BPP, questo offre un modo più rapido per capire quali dati sono disponibili e come la piattaforma li interpreterà. Gli utenti possono decidere quali tabelle includere, migliorare i nomi e le descrizioni dei campi, associare correttamente identificatori come indirizzi email o ID cliente e verificare come questi identificatori contribuiranno alla riconciliazione dei profili.
Il processo guidato riduce la probabilità che errori di configurazione iniziale influenzino le attività successive. Una definizione incompleta degli identificatori, un campo poco chiaro o una tabella selezionata erroneamente possono compromettere audience, segnali e modelli. Data Source Manager rende questi passaggi più visibili e facili da controllare prima che la piattaforma venga attivata.
Il valore si estende anche alla collaborazione tra i team. I team infrastrutturali mantengono il controllo sulla configurazione tecnica, mentre i team di marketing, analytics e dati ottengono l’accesso a una rappresentazione più chiara e coerente dei dati che utilizzeranno. L’onboarding può quindi diventare il punto di partenza di un processo operativo più affidabile, strettamente connesso al resto della piattaforma.
AI Model Copilot: trasformare i dati in previsioni operative
Una volta configurati i dati, gli utenti possono applicarli a modelli predittivi legati a concreti obiettivi di business.
AI Model Copilot guida la configurazione, l’addestramento e il deployment di modelli come propensione, churn, Customer Lifetime Value predittivo, clustering RFM e classificazione degli interessi. Gli utenti possono partire dal risultato che vogliono ottenere e identificare il modello più adatto, riducendo la necessità di tradurre autonomamente un requisito di business in una configurazione tecnica.
Un team di marketing può usarlo per creare un modello che stimi la probabilità di acquisto, identifichi i clienti a rischio di abbandono, preveda il valore futuro del cliente o segmenti la base clienti in base a recency, frequency e monetary value. Gli output possono poi supportare la creazione di audience, la definizione di segnali inviati alle piattaforme pubblicitarie o la personalizzazione delle attività di retention.
Il Copilot supporta la selezione di tabelle, variabili, intervalli temporali e parametri di addestramento, rendendo più facile comprendere la relazione tra dati di input e risultati attesi. Il modello viene inizialmente salvato come bozza, permettendo all’utente di rivedere la configurazione prima di attivarlo e generare previsioni.
Questo approccio può avvicinare la modellazione predittiva ai team che comprendono il problema di business ma non gestiscono direttamente ogni fase tecnica del processo. La data science expertise rimane centrale per i progetti più complessi, mentre le attività ricorrenti possono essere gestite attraverso un processo guidato, più rapido e strutturato.
AI Copilot: accedere alle funzionalità BPP tramite linguaggio naturale
AI Copilot è l’assistente conversazionale integrato nella piattaforma. Permette agli utenti di esplorare il proprio workspace ed eseguire attività operative descrivendo direttamente ciò che vogliono sapere o ottenere.
Attraverso una richiesta in linguaggio naturale, gli utenti possono verificare quali tabelle e campi sono disponibili, valutare la qualità di un campo dati, rivedere il numero di profili riconciliati nell’Identity Graph, vedere quali modelli sono attivi o verificare le destinazioni verso cui un’audience viene sincronizzata.
Il Copilot può anche supportare la creazione e la gestione di audience e segnali. Un utente può chiedergli di creare un segmento di clienti che hanno acquistato negli ultimi 30 giorni, calcolarne le dimensioni prima di salvarlo o clonare un’audience esistente con condizioni diverse.
Questo può ridurre il tempo necessario per identificare le funzioni corrette, configurare i filtri o spostarsi tra le diverse sezioni della piattaforma. L’utente può concentrarsi sull’obiettivo operativo mentre il Copilot identifica gli strumenti necessari e organizza i passaggi.
Le operazioni di lettura vengono eseguite immediatamente. Quando un’attività comporta una modifica, il Copilot mostra una scheda con l’azione proposta, i parametri selezionati e l’effetto previsto. L’utente può approvarla o rifiutarla, mentre audience, segnali e altre entità vengono inizialmente creati come bozze.
Gli utenti possono quindi acquisire maggiore autonomia nell’esplorazione e nell’attivazione dei dati, mantenendo visibilità sulle informazioni consultate dal sistema e controllo sulle operazioni che modificano il workspace.
Bytek MCP: usare BPP tramite gli assistenti AI già adottati dall’organizzazione
AI Copilot fornisce funzionalità agentiche all’interno della piattaforma. Bytek MCP rende disponibili alcune funzionalità selezionate tramite assistenti esterni compatibili con il Model Context Protocol, inclusi Claude e ChatGPT.
Per gli utenti, questo significa poter accedere a BPP continuando a lavorare nel proprio ambiente abituale. Da un assistente AI esterno, possono rivedere dati, audience, segnali, connessioni e modelli, eseguire query controllate in sola lettura e preparare nuove bozze per una successiva revisione all’interno della piattaforma.
Un utente che analizza una strategia di campagna in Claude o ChatGPT può, ad esempio, controllare se esiste già un’audience specifica, verificare quali dati sono disponibili per costruirla o preparare una nuova bozza senza copiare manualmente le informazioni tra sistemi diversi.
Questo riduce il context switching e integra BPP nei workflow AI già usati dall’organizzazione. È possibile accedere alle funzionalità della piattaforma dall’ambiente in cui il team sta già lavorando, invece di restare legati a una singola interfaccia.
L’accesso rimane personale e limitato. Ogni credenziale è associata a un utente e a un workspace specifici e concede solo le operazioni consentite. Gli assistenti esterni possono leggere informazioni e creare bozze, mentre l’attivazione e le modifiche più sensibili rimangono all’interno di BPP.
Questo offre agli utenti una maggiore continuità tra dati, analisi e operazioni, mantenendo la separazione degli ambienti, l’accesso sicuro e la supervisione delle azioni.
Dall’interazione all’orchestrazione
L’Agentic AI introduce un modo di accedere alle piattaforme in cui gli utenti possono partire dall’obiettivo piuttosto che dalla sequenza tecnica necessaria per raggiungerlo. L’agente interpreta la richiesta, identifica i dati e gli strumenti rilevanti, coordina i passaggi e restituisce una proposta operativa verificabile.
Questo può influenzare anche il rapporto tra competenze specialistiche e uso quotidiano della tecnologia. La conoscenza tecnica rimane fondamentale per progettare infrastrutture, modelli, autorizzazioni e regole di governance. Allo stesso tempo, più persone possono accedere a queste funzionalità senza bisogno di una conoscenza dettagliata di query, schemi e configurazioni.
L’efficacia di questo modello dipende dalla qualità della sua integrazione con il contesto operativo. Un agente può fornire valore quando comprende i dati disponibili, riconosce i confini del workspace, usa strumenti autorizzati e rende visibili le operazioni proposte. Senza questi elementi, l’interazione può rimanere scollegata dai processi reali.
L’evoluzione delle interfacce può quindi comportare la loro graduale trasformazione. Dashboard, filtri e configurazioni possono continuare a fornire controllo e dettaglio, mentre il livello agentico orchestra le attività distribuite tra dati, modelli e destinazioni.
Nelle piattaforme di dati e marketing, gran parte del valore risiede nel creare una maggiore continuità tra analisi e attivazione. Ciò comporta la comprensione di quali informazioni siano disponibili, la loro trasformazione in segmenti o previsioni e il loro utilizzo all’interno dei canali operativi attraverso un processo più diretto.
