Molti processi aziendali - anche quelli più banali e quelli più complessi - possono essere incapsulati in pipeline agentiche che fanno risparmiare tempo e denaro. Onboarding di un nuovo fornitore con estrazione dati da PDF e verifica compliance, triage dei ticket di supporto con classificazione e routing, riconciliazione di fatture passive con contratti d'appalto, generazione di report periodici da data lake eterogenei, automazione del ciclo di sviluppo (code review, generazione test, produzione di documentazione). Non parlo di «chatbot che risponde»: parlo di processi che partono da un obiettivo, interrogano i sistemi aziendali, eseguono azioni tracciate, consegnano un risultato.
Il report BCG 2026 «$200 Billion AI Opportunity in Tech Services» riporta che il 20% delle grandi enterprise ha già visto riduzioni TCO del 25-40% su deal con automazione agentica. I numeri sono reali, ma dipendono integralmente dalla qualità dell'ingegneria: pipeline scritte con la mano sinistra producono esattamente il 40% di progetti cancellati nella predizione Gartner di fine 2027. A separare i due gruppi è l'architettura di controllo che sta intorno al modello.
Gli articoli di quest'area coprono i pattern che uso quando costruisco pipeline in produzione: orchestrazione con Claude API e tool use, MCP server custom per esporre gestionali esistenti all'agente senza riscriverli, governance tecnica (audit trail hash-chained, RBAC agentico, rate limiting, cost tracking granulare, human-in-the-loop sulle azioni irreversibili), integrazione nel ciclo CI/CD per la gestione di prompt, eval e regression testing. Lo stack principale è PHP/Laravel come backend di dominio, Claude API come modello di riferimento, FastAPI quando serve un orchestrator Python, Redis per code e cache.
In tutti questi pattern l'agente lavora come un collaboratore di cui resta traccia: ogni decisione è loggata, ogni azione ha un audit trail, ogni output passa da validazione strutturata. Il controllo finale resta umano dove un errore andrebbe recuperato.