Enterprise AI e IA agentica negli ERP: guida operativa

In breve: l'enterprise AI crea valore quando lavora dentro i processi dell'azienda: legge dati reali come ordini, giacenze, anagrafiche e ticket, agisce con permessi definiti e lascia a una persona le decisioni che contano. Un modello potente scollegato da ERP, CRM ed e-commerce resta un assistente generico. L'IA agentica negli ERP applica questa logica ai gestionali.

Punti chiave

Il valore dell'AI in azienda dipende meno dal modello scelto e più da tre condizioni: dati affidabili, un processo descritto bene e regole chiare su chi approva.
L'IA agentica è un'AI che decide i passaggi e usa strumenti come ERP, email e CRM per completare un compito, entro permessi stabiliti.
I primi casi d'uso che rendono sono ripetitivi e misurabili: ordini via email, assistenza su stato ordine e resi, solleciti ai fornitori, lettura dei dati di produzione.
Per selezione e valutazione del personale l'AI Act prevede le regole dei sistemi ad alto rischio: la supervisione umana va progettata dall'inizio.
Prima di un agente conviene provare un flusso automatico semplice: costa meno, è più prevedibile e spesso basta.
Il rischio principale di un agente è poter fare più del necessario: strumenti e permessi minimi, approvazione umana sulle azioni importanti e filtri sui messaggi in ingresso.
Dal 2 febbraio 2025 l'AI Act chiede a chi usa sistemi di AI di formare il personale: è un obbligo, ma è anche la condizione perché il progetto regga.

Perché il contesto operativo conta adesso

Secondo l'Istat, nel 2025 usa almeno una tecnologia di intelligenza artificiale il 16,4% delle imprese italiane con almeno 10 addetti, contro l'8,2% del 2024. Tra le grandi imprese la quota passa dal 32,5% al 53,1%. Nell'Unione europea, secondo Eurostat, nel 2025 le imprese con almeno 10 addetti che usano l'AI sono il 19,95%, e il 55,03% tra le grandi.

L'adozione corre, ma comprare licenze non basta. In molte aziende l'AI è entrata come una chat nel browser, scollegata da gestionale, catalogo e storico clienti: un aiuto individuale che nessuno misura e che non cambia i tempi di evasione di un ordine.

Per un e-commerce o un'azienda B2B strutturata la domanda utile non è quale modello usare, visto che ne esce uno nuovo ogni pochi mesi. La domanda è dove l'AI entra nel flusso di lavoro, quali dati legge, cosa può modificare e chi la controlla. Questo è il contesto operativo, ed è il filo che lega gli articoli della categoria AI in azienda.

Cos'è l'enterprise AI e cosa si intende per contesto operativo?

L'enterprise AI è l'uso dell'intelligenza artificiale dentro i sistemi e i processi di un'azienda, con accesso controllato ai suoi dati e obiettivi misurabili. Si distingue dall'uso individuale di un chatbot perché è collegata ai software che già governano il lavoro: ERP, CRM, piattaforma e-commerce, helpdesk.

Contesto operativo: l'insieme di processi, dati, ruoli e regole con cui l'azienda lavora ogni giorno. Comprende chi riceve un ordine, dove viene registrato, quali controlli passa e chi lo approva.
ERP (enterprise resource planning): il gestionale che registra ordini, magazzino, acquisti, produzione e contabilità. Per molte aziende B2B è la fonte di verità su clienti, articoli e prezzi.
IA agentica: un sistema in cui un modello linguistico decide da solo i passaggi da compiere e usa strumenti esterni (leggere una mail, cercare un articolo, creare un documento) per arrivare a un risultato. Anthropic la distingue dai workflow, in cui modello e strumenti seguono un percorso già scritto nel codice.
Human in the loop: la regola per cui una persona rivede e approva i passaggi che hanno effetti verso clienti, fornitori o dipendenti.

Che differenza c'è tra IA generativa e IA agentica?

L'IA generativa produce un contenuto quando qualcuno glielo chiede: un testo, una sintesi, una bozza di risposta. Cosa farne lo decide la persona. L'IA agentica riceve un obiettivo e sceglie da sola i passaggi per raggiungerlo, usando strumenti esterni: cerca un dato nel gestionale, apre un documento, prepara un'azione.

Anthropic descrive il mattone di base dei sistemi agentici come un modello linguistico "aumentato" con tre capacità: recupero di informazioni, uso di strumenti e memoria. Il modello formula da solo le ricerche, sceglie lo strumento adatto e decide quali informazioni conservare. È questo che lo trasforma da generatore di testo a esecutore di compiti.

Un esempio in un e-commerce. L'IA generativa scrive la descrizione di un prodotto partendo dalla scheda tecnica, e un redattore la rivede. Un agente, invece, legge la mail di un cliente che segnala un pacco danneggiato, controlla ordine e tracking, verifica la policy resi e prepara in bozza l'autorizzazione al reso e la risposta. Le due cose convivono: l'agente usa la capacità generativa del modello come uno dei suoi strumenti. Per l'uso della parte generativa in azienda c'è la guida all'IA generativa nella strategia di business.

Perché l'AI crea valore solo se è collegata a processi e dati?

Perché un modello sa ragionare sul testo, ma non conosce le giacenze, i listini, le condizioni di pagamento o lo stato di una spedizione. Senza questi dati può dare solo risposte generiche, e senza un processo definito nessuno sa cosa fare del suo output.

Tre condizioni fanno la differenza:

Dati affidabili e raggiungibili. Anagrafiche pulite, codici articolo coerenti, descrizioni prodotto complete. Un agente che cerca articoli in un catalogo con descrizioni scarne sbaglia più spesso: Microsoft lo scrive in modo esplicito nella documentazione del suo agente per gli ordini, dove indica che la qualità delle informazioni prodotto incide sull'efficacia.
Un processo descritto passo per passo. Chi riceve la richiesta, quali controlli servono, quali eccezioni esistono: cliente bloccato, articolo fuori produzione, prezzo speciale. Se il processo vive solo nella testa di chi lo fa da anni, va scritto prima di automatizzarlo.
Permessi e punti di approvazione. L'AI deve poter leggere e scrivere solo dove serve, e ogni azione verso l'esterno passa da una revisione finché i risultati non sono stabili.

Con queste tre condizioni l'AI diventa una parte del processo che si può misurare: tempo di evasione, errori, ticket chiusi al primo contatto. Per scegliere gli indicatori giusti c'è la guida ai KPI per misurare il ROI dell'intelligenza artificiale.

IA agentica negli ERP: cosa fa e dove si ferma?

I fornitori di gestionali stanno già inserendo agenti nei loro ERP. Un esempio documentato è il Sales Order Agent di Microsoft Dynamics 365 Business Central: controlla una casella email dedicata, riconosce il cliente dall'indirizzo del mittente, cerca gli articoli richiesti nel catalogo, verifica la disponibilità, prepara un preventivo in PDF e gestisce lo scambio di email per chiarire i dettagli mancanti.

Tre scelte di progetto di quell'agente valgono per chiunque voglia portare l'IA agentica nel proprio gestionale, con qualsiasi software:

Lavora con i permessi di un ruolo assegnato dall'amministratore, come un normale utente: vede solo le tabelle e le azioni che gli servono.
Crea sempre prima un preventivo, anche quando il cliente chiede un ordine, perché il preventivo non incide su pianificazione, disponibilità e previsioni di cassa. È un documento intermedio sicuro.
Ogni messaggio in uscita viene rivisto e approvato da un utente designato prima di arrivare al cliente.

L'agente non sostituisce l'ERP: lo usa. Il gestionale resta la fonte di verità su clienti, prezzi e giacenze; l'agente toglie il lavoro manuale che sta tra la mail del cliente e il documento registrato. Lo stesso schema si costruisce anche su gestionali senza agenti nativi, collegando ERP, casella email ed e-commerce con un orchestratore come n8n o Make e un modello linguistico richiamato via API. Sul rapporto tra agenti e software tradizionale c'è un approfondimento su come gli agenti AI cambiano il modello SaaS.

Quali ERP hanno già agenti AI integrati?

Oltre a Microsoft, altri produttori di gestionali documentano agenti già disponibili. Due esempi verificabili, di fascia molto diversa:

Oracle Fusion Cloud Applications. Oracle presenta le sue Fusion Agentic Applications come squadre di agenti che pianificano ed eseguono processi in finanza, risorse umane, supply chain e customer experience. Tra gli esempi pubblicati ci sono un'area di lavoro per il recupero crediti con analisi del rischio e un'area per la produzione a lotti che individua deviazioni di ricetta e di lotto e guida la soluzione.
Odoo 19. La documentazione descrive agenti configurabili con un prompt di sistema, argomenti (topics) che definiscono i compiti, strumenti assegnati a ciascun argomento e fonti da cui attingere le informazioni. Per creare e personalizzare gli agenti serve l'app AI. L'assistente standard "Ask AI", invece, non può modificare il database: apre viste e mostra report, ma non crea lead né altera dati.

La lezione è la stessa del caso Microsoft: anche con gli agenti nativi contano permessi, strumenti assegnati e qualità dei dati. Disponibilità, versioni e costi delle funzioni AI cambiano spesso e dipendono dal contratto, quindi vanno verificati con il fornitore o con il partner del gestionale prima di pianificare il progetto. Se il tuo ERP non ha agenti nativi, l'AI si collega dall'esterno.

Come si collega l'AI all'ERP e agli altri sistemi aziendali?

Le strade sono quattro, spesso combinate nello stesso progetto. La scelta dipende da cosa offre il gestionale e da cosa deve fare l'AI: solo leggere o anche scrivere.

Metodo	Come funziona	Quando ha senso	Attenzione a
API del gestionale tramite orchestratore	n8n o Make leggono e scrivono i dati tramite le API e chiamano il modello solo nei punti in cui serve	ERP in cloud, Shopify, WooCommerce, helpdesk con API documentate	Credenziali con permessi minimi, limiti di chiamate
Esportazioni in un database di appoggio	I dati vengono copiati a intervalli regolari in un database separato da cui l'AI legge	Gestionali senza API, analisi e report	Dati non in tempo reale; la scrittura nell'ERP resta un passaggio separato
Recupero da documenti (retrieval)	Prima di rispondere, l'AI cerca nei documenti aziendali i passaggi pertinenti	Policy, manuali, schede tecniche, condizioni di vendita	Documenti aggiornati e con un responsabile
Model Context Protocol (MCP)	Standard open source per collegare le applicazioni di AI a fonti di dati, strumenti e flussi di lavoro	Più sistemi da rendere disponibili allo stesso assistente o agente	Ogni connettore aggiunge capacità e permessi da limitare

La documentazione ufficiale paragona MCP a una porta USB-C per le applicazioni di AI: un modo standard per collegarle a sistemi esterni. Anthropic lo cita come una delle strade per dare a un modello strumenti e dati. Per un'azienda B2B la via più frequente resta comunque l'orchestratore sulle API, perché ogni esecuzione resta nello storico dell'orchestratore e si decide con precisione cosa l'AI può scrivere e dove.

Quali processi conviene affidare all'AI in un'azienda B2B o in un e-commerce?

Conviene partire da processi ripetitivi, con volumi costanti, dati già nei sistemi e un risultato misurabile. Ecco i casi più comuni e chi mantiene la decisione finale.

Area	Dati che servono	Cosa fa l'AI	Chi decide	Cosa misurare
Ordini B2B via email	Anagrafica clienti, catalogo, listini, giacenze	Legge la richiesta, abbina gli articoli, prepara il preventivo in bozza	Il commerciale approva l'invio	Tempo da richiesta a preventivo, righe corrette
Assistenza clienti e-commerce	Ordini, tracking, policy resi, storico ticket	Risponde su stato ordine e resi, prepara bozze per i casi complessi	L'operatore per rimborsi ed eccezioni	Tempo di prima risposta, ticket risolti senza escalation
Manifattura	Dati macchina, piani di produzione, storico guasti	Segnala anomalie e ritardi, riassume lo stato delle commesse	Il responsabile di produzione	Fermi non pianificati, consegne in ritardo
Logistica e consegne	Ordini da spedire, mezzi disponibili, finestre di consegna, tracking	Propone la sequenza delle consegne, segnala le spedizioni a rischio ritardo, prepara gli avvisi ai clienti	Il responsabile logistica	Consegne puntuali, solleciti dei clienti
Previsioni e riordini	Storico vendite, giacenze, promozioni, tempi di consegna dei fornitori	Stima la domanda per articolo, propone i riordini, evidenzia gli scostamenti	Il buyer o il responsabile pianificazione	Rotture di stock, giacenza media
Acquisti e fornitori	Ordini di acquisto, date di consegna confermate	Prepara i solleciti per le consegne in ritardo, propone le nuove date	Il buyer	Ritardi scoperti in anticipo
Risorse umane	Policy interne, regolamenti, calendari	Risponde alle domande ricorrenti dei dipendenti, prepara documenti	L'ufficio HR, sempre su selezione e valutazioni	Richieste gestite senza intervento, tempi di risposta

Ordini e preventivi

Prendiamo uno scenario costruito a scopo di esempio: un distributore di ricambi riceve ogni giorno decine di richieste via email, spesso con codici scritti male o descrizioni vaghe. Un flusso con AI legge la mail, trova il cliente nell'ERP, abbina gli articoli e prepara il preventivo in bozza; il commerciale controlla e invia. Il guadagno sta nelle ore di inserimento manuale tolte e negli errori sui codici evitati.

Assistenza clienti

L'assistenza è una delle aree con le evidenze più solide. Uno studio pubblicato dal National Bureau of Economic Research su 5.179 operatori di customer support ha misurato un aumento medio del 14% dei casi risolti all'ora con un assistente di AI generativa, e del 34% per gli operatori meno esperti. Per un e-commerce il primo passo è collegare l'assistente a ordini e tracking: una risposta su "dov'è il mio pacco" vale qualcosa solo se legge il dato vero.

Manifattura

Nelle aziende manifatturiere l'AI lavora bene come primo lettore dei dati: riassume lo stato delle commesse, segnala scostamenti tra piano e consuntivo, evidenzia le macchine con anomalie ricorrenti. La decisione di fermare una linea o riprogrammare la produzione resta al responsabile.

Un passo oltre è la manutenzione predittiva: se le macchine hanno sensori che registrano parametri come vibrazioni, temperature o assorbimenti, un modello può riconoscere gli andamenti che precedono un guasto e generare un avviso, così l'intervento si pianifica invece di subirlo. Il prerequisito è uno storico di dati e di guasti abbastanza lungo e ordinato; senza, si parte dalle segnalazioni di anomalia. Più dettagli nell'articolo su AI e machinery industriale.

Logistica

In logistica l'AI aiuta a pianificare le consegne: incrociando ordini da evadere, mezzi disponibili, finestre orarie e, se integrati, dati su traffico e meteo, propone un ordine di consegna e lo ricalcola quando qualcosa cambia. Più alla portata di molte aziende è la gestione delle eccezioni: individuare le spedizioni ferme, avvisare il cliente prima che scriva, preparare il reclamo al corriere. Per dati e strumenti di base c'è l'articolo sulla digitalizzazione della logistica nelle PMI.

Previsioni e supporto alle decisioni

Un ERP contiene anni di storico su vendite, acquisti e tempi di consegna. L'AI può leggerlo per stimare la domanda per articolo, suggerire i riordini e preparare per la direzione una sintesi settimanale con gli scostamenti da guardare. Il valore sta nel tempo risparmiato a cercare e incrociare dati; la decisione su budget, prezzi e acquisti resta a chi ne risponde. Perché le stime siano utili, lo storico deve essere coerente: promozioni, rotture di stock e cambi di codice articolo vanno marcati, altrimenti il modello li scambia per domanda reale.

Risorse umane

In ambito HR l'AI è utile per le richieste ripetitive dei dipendenti (ferie, rimborsi, regolamenti) e per preparare documenti. Diverso il discorso per selezione e valutazione: l'AI Act europeo classifica ad alto rischio i sistemi usati per assunzioni e gestione dei lavoratori, come i software che ordinano i CV. Secondo la Commissione europea, per questi ambiti le regole si applicano dal 2 dicembre 2027. Un flusso HR progettato oggi deve prevedere supervisione umana e tracciabilità; i dettagli sono nella guida su AI nei processi HR e compliance.

Workflow automatico o agente AI: quale scegliere?

Nella maggior parte dei casi conviene partire da un workflow e passare a un agente solo quando il processo ha troppe varianti per essere scritto in regole. Anthropic, nella sua guida pratica sugli agenti, consiglia di cercare la soluzione più semplice possibile e di aggiungere complessità solo quando serve, perché i sistemi agentici scambiano latenza e costi con risultati migliori sui compiti difficili.

Criterio	Workflow automatico	Agente AI
Percorso	Fisso, scritto in anticipo	Deciso dal modello caso per caso
Prevedibilità	Alta	Media, va monitorato
Costo per esecuzione	Basso	Più alto, per le chiamate ripetute al modello
Adatto a	Processi stabili con poche eccezioni	Richieste in testo libero con molte varianti
Esempio	Ordine Shopify registrato nell'ERP con email di conferma	Email di un cliente con dodici righe scritte a mano da trasformare in preventivo

Spesso la scelta migliore è ibrida: un workflow in n8n o Make gestisce i passaggi certi (ricevere l'ordine, registrarlo, notificare) e chiama il modello solo nel punto in cui serve interpretare un testo. Per il quadro completo c'è la guida all'automazione dei processi aziendali.

Quali rischi comporta l'IA agentica e come si riducono?

Il rischio tipico non è un'AI che "si ribella", ma un'AI che può fare più di quanto serve. La OWASP Top 10 per le applicazioni basate su modelli linguistici, pubblicata dall'OWASP Gen AI Security Project, chiama il problema excessive agency e lo riconduce a tre cause: funzioni in eccesso, permessi in eccesso e autonomia in eccesso.

Un secondo rischio riguarda proprio gli agenti che leggono email e allegati: la prompt injection indiretta. Secondo OWASP si verifica quando il modello riceve contenuti da fonti esterne, come siti o file, che contengono istruzioni capaci di alterarne il comportamento. In pratica, la mail di un finto cliente potrebbe contenere testo pensato per far rivelare un listino riservato o modificare un ordine.

I controlli che servono, in ordine di priorità:

Solo gli strumenti necessari. Se l'agente deve leggere gli ordini, non riceve uno strumento che può anche cancellarli.
Permessi minimi e un'identità dedicata. L'agente accede con un utente suo e un ruolo limitato, mai con le credenziali di un amministratore.
Approvazione umana sulle azioni ad alto impatto: invii ai clienti, modifiche a prezzi e condizioni, pagamenti, dati del personale. OWASP raccomanda esplicitamente il controllo human in the loop per questi casi.
Filtri sui messaggi in ingresso. L'agente ordini di Microsoft valuta ogni email e allegato con un modello di pertinenza che scarta i messaggi fuori ambito, come offerte di vendita, richieste di sconto o tentativi di accedere a dati interni.
Test in un ambiente separato e registro delle azioni. Anthropic ricorda che l'autonomia degli agenti comporta costi più alti e il rischio di errori che si sommano, e consiglia test estesi in ambienti isolati con protezioni adeguate.

Sulla sicurezza in senso più ampio c'è l'articolo su AI e sicurezza informatica.

Come applicarlo nella tua azienda: i primi passi

Scegli un processo e misuralo per quattro settimane. Volumi, tempi medi, errori. Senza una baseline non saprai se l'AI ha migliorato qualcosa.
Mappa dati e sistemi coinvolti. Dove stanno clienti, articoli, ordini e ticket; quali sistemi hanno API (molti ERP in cloud, Shopify, WooCommerce e i principali helpdesk le offrono); quali dati vanno puliti prima di partire.
Scrivi regole ed eccezioni. Cosa l'AI può fare da sola, cosa deve proporre in bozza, cosa passa sempre a una persona.
Avvia un pilota di 30-60 giorni con approvazione umana su ogni azione esterna, in un ambito limitato: un canale, un gruppo di clienti, una famiglia di prodotti.
Confronta i risultati con la baseline e decidi. Se i numeri reggono, riduci le approvazioni sui casi semplici ed estendi; se non reggono, correggi dati e regole prima di cambiare strumento.
Tieni il sistema aggiornato. Catalogo, listini, policy e organizzazione cambiano: a ogni cambiamento rivedi regole, istruzioni e permessi, e ricontrolla i risultati a intervalli regolari. Un sistema di AI si gestisce come un processo vivo, non si installa una volta per tutte.

In progetti come questi l'ordine dei passaggi conta più degli strumenti. Per orchestrare uso n8n o Make, i modelli di OpenAI per leggere e scrivere testo, Supabase quando serve un database di appoggio e le API di Shopify, WordPress o del gestionale per leggere e registrare i dati. Le soluzioni per e-commerce e aziende B2B che progetto partono sempre da questa mappa di processi e dati.

Quanto costa portare l'AI nei processi aziendali?

Non esiste una cifra valida per tutti, e diffidare di chi la dà senza aver visto processi e dati è una buona regola. Si sa però in anticipo da quali voci è composto il costo:

Licenze e abbonamenti: le funzioni AI del gestionale, quando sono a pagamento, e gli strumenti di orchestrazione.
Consumo del modello: i modelli richiamati via API si pagano a consumo, in base ai token (frammenti di testo) elaborati in ingresso e in uscita. Un agente fa più chiamate di un workflow per lo stesso compito, quindi ogni esecuzione costa di più.
Integrazioni: è spesso la voce più variabile, perché dipende dal gestionale. Con API documentate il lavoro è lineare; con sistemi chiusi servono esportazioni o sviluppi su misura.
Pulizia dei dati: anagrafiche, codici e descrizioni prodotto da sistemare prima di partire.
Formazione delle persone che useranno e controlleranno il sistema.
Manutenzione e monitoraggio: regole, istruzioni e collegamenti da aggiornare quando cambiano listini, cataloghi e policy.

Il pilota limitato serve anche a questo: misura il costo reale per pratica gestita e lo confronta con il tempo risparmiato prima di estendere il progetto. Per gli investimenti in digitalizzazione possono esistere misure di sostegno; un quadro è nell'articolo sulla finanza agevolata per l'intelligenza artificiale nelle PMI.

Serve formare il personale per usare l'AI in azienda?

Sì, e non solo per prudenza. L'articolo 4 dell'AI Act chiede a chi fornisce e a chi utilizza sistemi di AI di adottare misure per sviluppare l'alfabetizzazione sull'AI del personale e delle altre persone che li usano per conto dell'azienda. Secondo le domande e risposte della Commissione europea, l'obbligo si applica dal 2 febbraio 2025. Dopo le modifiche del Digital Omnibus resta un obbligo, ma non viene imposto un livello specifico o "sufficiente"; le regole su vigilanza e applicazione valgono dal 2 agosto 2026.

La Commissione indica di calibrare la formazione sul ruolo dell'azienda e sui rischi dei sistemi usati. Per un progetto su ordini o assistenza, la formazione utile è molto pratica:

chi approva cosa, e con quali criteri;
come riconoscere una risposta sbagliata o un dato inventato;
quali dati non vanno mai inseriti in strumenti non autorizzati;
cosa fare quando l'AI segnala un'eccezione o commette un errore.

La formazione è anche il modo per introdurre l'AI senza stravolgere il lavoro: chi oggi inserisce gli ordini a mano diventa chi controlla le bozze e gestisce le eccezioni, ed è la persona che conosce meglio i casi difficili.

Errori da evitare

Partire dallo strumento invece che dal processo. Una licenza aziendale senza un caso d'uso definito produce prove sparse e nessun risultato misurabile.
Collegare l'AI a dati sporchi. Doppioni in anagrafica e codici incoerenti diventano errori più veloci, non meno errori.
Dare permessi di scrittura ampi da subito. Si parte in sola lettura e in bozza, poi si allarga dove i risultati lo giustificano.
Trascurare la governance. Chi risponde se l'AI sbaglia un prezzo? Log, revisione e responsabilità vanno decisi prima del lancio: ne parlo nell'articolo su governance e spiegabilità dell'AI.
Misurare l'uso invece del risultato. Contano tempi, errori e costi del processo, non il numero di richieste fatte all'AI.

Domande frequenti (FAQ)

Cos'è l'IA agentica negli ERP?

È un'intelligenza artificiale che lavora dentro il gestionale come un utente con un ruolo preciso: legge richieste, cerca dati, crea documenti come preventivi o solleciti e chiede conferma a una persona prima delle azioni importanti. A differenza di un'automazione classica, decide da sola i passaggi in base al caso. Resta comunque limitata dai permessi che le assegna l'amministratore.

Che differenza c'è tra enterprise AI e un chatbot come ChatGPT?

Un chatbot usato nel browser lavora solo sul testo che gli si incolla e non conosce i dati dell'azienda. L'enterprise AI è collegata a ERP, CRM, e-commerce e helpdesk, opera dentro processi definiti e ha permessi e controlli. Il modello di base può anche essere lo stesso: cambia il collegamento ai dati e al processo.

Serve un ERP nuovo per usare l'AI in azienda?

No. Se il gestionale offre API o permette esportazioni regolari, l'AI si collega tramite un orchestratore come n8n o Make. Gli agenti nativi dei nuovi ERP semplificano il lavoro, ma il requisito vero è avere dati puliti e accessibili. Cambiare gestionale solo per l'AI raramente è la prima mossa sensata.

Quali processi conviene automatizzare per primi con l'AI?

Quelli ripetitivi, con volumi costanti, dati già nei sistemi e un risultato facile da misurare. Nel B2B sono tipicamente l'inserimento di ordini e preventivi da email e i solleciti ai fornitori; in un e-commerce le risposte su stato ordine, spedizioni e resi. Conviene evitare come primo progetto i processi con decisioni ad alto impatto su persone o importi.

L'AI può gestire da sola ordini e preventivi?

Può preparare quasi tutto il lavoro: leggere la richiesta, abbinare gli articoli, verificare la disponibilità e compilare il documento. Nella fase iniziale è prudente che una persona approvi ogni invio al cliente: è la stessa scelta fatta da Microsoft per l'agente degli ordini di Dynamics 365 Business Central. Le approvazioni si riducono sui casi semplici solo dopo che i dati del pilota mostrano errori bassi e stabili.

L'AI Act riguarda anche le aziende che usano l'AI per le risorse umane?

Sì, se l'AI viene usata per selezionare candidati, valutare o gestire i lavoratori: l'AI Act classifica questi usi ad alto rischio. Secondo la Commissione europea le relative regole si applicano dal 2 dicembre 2027 e richiedono, tra l'altro, supervisione umana e tracciabilità. Usi più leggeri, come un assistente che risponde sulle policy interne, di norma non rientrano in questa categoria.

Quanto costa integrare l'AI in un ERP?

Dipende da processo, volumi e gestionale, per questo una cifra seria arriva solo dopo l'analisi. Le voci sono sempre le stesse: eventuali licenze delle funzioni AI, consumo del modello via API, sviluppo delle integrazioni, pulizia dei dati, formazione e manutenzione. Un pilota di 30-60 giorni su un solo processo permette di misurare il costo reale per pratica prima di estendere.

Fonti

Se vuoi capire quale processo della tua azienda è pronto per l'AI e con quali dati, richiedi una diagnosi gratuita.