Immagine copertina generata con l’intelligenza artificiale
L’intelligenza artificiale sta superando la fase degli strumenti che si limitano a generare contenuti o velocizzare singole attività. Per Amazon e CleverTap, la nuova frontiera è rappresentata da sistemi capaci di interpretare le richieste, organizzare le operazioni e prendere decisioni sulla base dei dati. Due prospettive diverse, emerse durante TechSparks 2026, convergono su un punto: l’AI deve produrre risultati concreti per le imprese, migliorando l’efficienza operativa e contribuendo alla redditività.
Amazon e il passaggio verso l’agentic AI aziendale
Rajeev Rastogi, vicepresidente del Machine Learning di Amazon, ha descritto una trasformazione che coinvolge l’intero livello operativo delle aziende. I software tradizionali seguono istruzioni predefinite, mentre i sistemi di agentic AI possono elaborare richieste in linguaggio naturale, pianificare autonomamente una sequenza di azioni e utilizzare gli strumenti digitali necessari per completare attività complesse.
Amazon applica già questo approccio a soluzioni come Rufus, l’assistente conversazionale per gli acquisti, che interpreta le richieste dei clienti, applica filtri di prezzo e li accompagna nel confronto tra prodotti. Gli assistenti destinati ai venditori possono invece compilare schede prodotto, monitorare le scorte e supportare le piccole imprese negli adempimenti legati alle esportazioni internazionali.
Perché la generative AI non basta da sola
Secondo Rastogi, l’entusiasmo per la generative AI non deve far dimenticare i limiti di questi modelli. Sono utili per attività come il ragionamento complesso, la sintesi dei testi, l’analisi delle recensioni e la modifica delle immagini, ma possono risultare meno adatti a operazioni che richiedono risposte rapidissime e l’elaborazione di volumi enormi di dati.
Per questo, le architetture aziendali possono combinare agenti capaci di interpretare le intenzioni degli utenti con motori di ricerca tradizionali, più veloci nel recuperare informazioni. Rastogi ha inoltre indicato il fine-tuning dei modelli aperti come un’alternativa economica ai sistemi più grandi: specializzare modelli più piccoli sui dati aziendali può ridurre sensibilmente i costi computazionali.
Marketing, oltre gli strumenti generativi
Una sfida analoga riguarda il marketing. Anand Jain, cofondatore e direttore marketing di CleverTap, piattaforma per il coinvolgimento dei clienti e l’automazione, sostiene che utilizzare l’AI per scrivere email, creare varianti grafiche o riassumere documenti non garantisce automaticamente una crescita dei profitti.
Il problema è passare dalla semplice produttività ai risultati commerciali. Secondo Jain, le campagne tradizionali spesso promuovono ciò che l’azienda vuole vendere, senza considerare abbastanza ciò che il cliente desidera acquistare. L’alternativa consiste nell’interpretare i comportamenti individuali e adattare le comunicazioni alle esigenze delle persone, invece di distribuire promozioni generiche a grandi gruppi di utenti.
Decisioning in tempo reale: come cambia la strategia
Jain individua tre livelli di maturità nell’impiego dell’AI nel marketing: il risparmio di tempo, la sperimentazione attraverso test A/B e, infine, il decisioning automatizzato in tempo reale. Quest’ultimo permette di selezionare le azioni più appropriate per ciascun utente, anche quando la piattaforma deve gestire milioni di persone.
Il sistema combina lo storico del cliente con i suoi comportamenti più recenti e apprende continuamente dalle risposte ricevute. Attraverso tecniche come il reinforcement learning e l’uplift modelling, può adattare messaggi, offerte e canali di comunicazione per favorire il passo successivo nella relazione con il brand.
Automazione aziendale e nuove opportunità operative
Per Amazon, le opportunità non riguardano soltanto la creazione di nuovi modelli, ma soprattutto l’automazione di procedure specifiche in settori come finanza, sanità, agricoltura e risorse umane. Gli agenti possono suddividere istruzioni complesse in attività più semplici e affidarle a sistemi specializzati, capaci di consultare strumenti interni ed estrarre informazioni dai documenti.
Rastogi ha anche richiamato l’attenzione sui costi energetici e computazionali dei modelli più grandi, indicando come possibile evoluzione reti di modelli più piccoli e specializzati. Nel marketing, invece, Jain immagina professionisti meno impegnati nell’esecuzione manuale delle campagne e più concentrati sulla strategia. Il loro compito sarà definire obiettivi e limiti precisi, compresi quelli di budget, di brand e normativi, entro cui lasciare operare i sistemi autonomi.
Dal risparmio di tempo al valore per l’impresa
Le due esperienze mostrano come l’AI agentica possa assumere un ruolo più profondo nei processi aziendali. Nelle operations, gli agenti organizzano flussi di lavoro e coordinano strumenti; nel marketing, analizzano i segnali dei clienti per adattare le iniziative commerciali. In entrambi i casi, l’autonomia deve essere accompagnata da obiettivi misurabili e regole operative.
La sfida per le imprese consiste quindi nello scegliere dove l’automazione può generare un vantaggio effettivo, senza affidarsi alla sola novità tecnologica. Come sottolineano Rastogi e Jain, il valore non dipende semplicemente dall’utilizzo dell’AI, ma dalla capacità di integrarla nei processi e collegarla a risultati aziendali concreti.
Fonte: YourStory
