Ogni CRM e ogni ERP conserva decisioni prese anni fa, spesso per limiti tecnici che oggi non esistono più. Prima di affidare un processo agli agenti AI conviene stabilire quali di queste decisioni rifareste oggi e quali vanno scritte in regole stabili.
Quando si parla di sistemi legacy si pensa a codice vecchio, integrazioni non documentate e debito tecnico. Fabio Moioli, raccontando una cena a Milano con Alan Trefler, fondatore e CEO di Pegasystems, propone una lettura diversa: un sistema legacy conserva soprattutto decisioni. Un’approvazione esiste perché due applicazioni non si scambiavano dati, un passaggio manuale sopravvive perché due reparti usavano strumenti incompatibili. Le persone cambiano ruolo, la motivazione originale si perde e la regola continua a girare.
Nelle aziende con CRM ed ERP separati il fenomeno è quotidiano. Uno sconto oltre una certa soglia richiede la firma del direttore commerciale perché il commerciale non vede il margine nell’ERP. Il controllo del fido si fa a mano perché il CRM non riceve lo scaduto. Se oggi i due sistemi sono integrati, resta da capire se quei passaggi proteggono ancora qualcosa o sono un residuo della vecchia architettura.
Moioli porta l’esempio di una pratica con dodici passaggi e quattro approvazioni umane. Un agente AI può completare i passaggi più in fretta e preparare meglio ogni approvazione, con un risultato che si misura subito in ore risparmiate. Prima conviene chiedersi perché i passaggi sono dodici e le approvazioni quattro. Nella sua sintesi, usare l’AI per rendere più veloce l’azienda di oggi è diverso dall’usarla per renderne possibile una diversa.
Gartner stima che oltre il 40% dei progetti di AI agentica sarà cancellato entro la fine del 2027 per costi crescenti, valore poco chiaro o controlli del rischio inadeguati. Tra le raccomandazioni degli analisti c’è quella di ridisegnare i flussi di lavoro attorno agli agenti invece di innestarli sui sistemi legacy, una scelta che giudicano spesso costosa e invasiva.
Nel racconto di Moioli, Trefler distingue l’uso dell’AI in fase di progettazione da quello in esecuzione. In progettazione l’AI aiuta a leggere i sistemi esistenti, far emergere le regole implicite, confrontare alternative e ridisegnare il processo con le persone che lo conoscono. In esecuzione, una volta stabilito come si gestisce un caso noto, il compito è applicare quella decisione sempre nello stesso modo e riservare il ragionamento del modello ai casi ambigui o nuovi.
Per il CIO questa distinzione diventa un criterio di architettura:
In un comunicato del 2025 Pega sostiene che nei settori regolamentati la differenza tra un’accuratezza del 98% e una prevedibilità del 100% vale centinaia di milioni di dollari. La cifra viene da un fornitore e va presa con cautela; il principio vale per ogni processo che deve superare un audit.
Il prezzo dei modelli scende. Lari Hämäläinen di McKinsey, citato da Fortune, osserva che l’intelligenza a un dato livello di capacità costa sempre meno: nel 2023 GPT-4 costava 60 dollari per milione di token in uscita, oggi modelli di livello simile costano una frazione. La spesa complessiva delle aziende però cresce e lo stesso articolo riporta che il costo di un compito identico può variare fino a 30 volte da un’esecuzione dell’agente all’altra.
Se un agente ricostruisce da zero la logica di un’approvazione ogni volta che il processo parte, l’azienda paga più volte una decisione che poteva prendere una sola volta e scrivere in una regola. Ne risentono il budget e la prevedibilità, perché lo stesso caso può ricevere risposte diverse. Un’azienda che consuma meno token perché ha trasformato il ragionamento ripetuto in un processo progettato bene usa l’AI con più maturità di una che fa ragionare l’agente su tutto.
Nei sistemi legacy pesano soprattutto le decisioni diventate codice, che nessuno riconosce più come decisioni. Gli agenti AI aiutano a farle riemergere; scegliere quali conservare spetta al vertice, con il CIO a garantire che le scelte diventino regole verificabili.
In Rhei progettiamo l’Automazione Intelligente partendo dalle decisioni operative: le regole stabili restano nei sistemi integrati, gli agenti AI intervengono sui casi che richiedono contesto e partono con supervisione umana completa. Il modello human-in-the-loop (HITL), cioè la validazione delle decisioni dell’agente da parte di una persona, è configurabile per ogni agente. L’autonomia cresce quando i KPI dimostrano che l’agente è affidabile.
Sapete quali decisioni del vostro CRM e del vostro ERP rifareste oggi? Partite da Mappa della Complessità: una fotografia di sistemi, flussi e punti di decisione per capire cosa scrivere in regole e dove servono gli agenti AI.
Spunto:
Fonti ufficiali verificate: