Come creare un agente AI: la guida pratica, dal primo prompt alla produzione
Creare un agente AI oggi non richiede un team di ingegneri né mesi di sviluppo. Richiede però un metodo: definire bene il lavoro da automatizzare, collegare l'agente ai dati e agli strumenti giusti, validarne il comportamento e portarlo in produzione con le garanzie che un'azienda pretende. Saltare uno di questi passaggi è il motivo per cui tanti agenti restano prototipi.
Questa guida spiega come creare un agente AI passo per passo: che cosa serve davvero, quando conviene scrivere codice e quando no, come si collega un agente ai sistemi aziendali e come si passa dall'agente alla vera app AI che tutto il team può usare. Su Alomana il punto di partenza è una frase: descrivi il lavoro, e la piattaforma costruisce e mette in produzione l'operatore che lo esegue.
L'obiettivo non è creare una demo che impressiona in riunione, ma un operatore che lavora tutti i giorni: connesso ai dati reali, con ogni esecuzione registrata e verificabile, dentro uno spazio che l'azienda controlla. Vediamo come arrivarci.
Cosa serve per creare un agente AI?
Quattro ingredienti. Primo, un compito ben definito: un agente AI dà il meglio su un processo ripetuto con un esito verificabile — estrarre dati dalle fatture, riconciliare pagamenti, preparare un report — non su un generico “aiutami con tutto”. Secondo, l'accesso ai dati: documenti, database, CRM, ERP. Un agente che lavora solo su file caricati a mano resta un esperimento.
Terzo, gli strumenti: un agente non è solo un modello linguistico, è un modello più le azioni che può compiere — interrogare una fonte dati, eseguire codice, cercare sul web, scrivere su Slack o su un foglio di calcolo. Quarto, le garanzie: chi può usare l'agente, dove risiedono i dati, come si verifica a posteriori che cosa ha fatto. In azienda questo quarto ingrediente non è un dettaglio: è ciò che separa un giocattolo da uno strumento di lavoro.
La buona notizia è che non serve assemblare questi ingredienti da zero. Una piattaforma come Alomana li fornisce già integrati: builder no-code, oltre 20 connettori verso i sistemi aziendali, esecuzione di codice in un ambiente isolato e un registro completo di ogni esecuzione — input, output, strumenti usati e utente.
Come creare un agente AI in cinque passi
Passo uno: definisci il processo. Scrivi in una frase che cosa deve succedere e come riconosci un risultato corretto — “ogni lunedì leggi le fatture ricevute, estrai importi e scadenze e aggiorna il gestionale”. Passo due: descrivi il lavoro all'agente. Su Alomana questo è letteralmente il punto di partenza: scrivi la richiesta in linguaggio naturale e la piattaforma genera l'agente, con le sue istruzioni, le sue competenze e i suoi strumenti.
Passo tre: collega dati e sistemi. Attraverso i connettori l'agente accede a database, data warehouse, CRM, ERP, documenti e canali come Slack o SharePoint — con le stesse autorizzazioni che l'azienda decide. Passo quattro: testa e valida. La modalità Plan/Act fa proporre all'agente un piano prima di eseguirlo, così vedi ogni passaggio; l'agente può anche scrivere ed eseguire codice in un ambiente di esecuzione isolato, senza toccare i tuoi sistemi finché non lo decidi tu.
Passo cinque: metti in produzione e monitora. L'agente diventa un operatore persistente nello spazio di lavoro: gira su pianificazioni o trigger, il team lo riusa, e ogni esecuzione resta registrata e verificabile. Se il processo è multi-step — con approvazioni, ramificazioni, passaggi tra più sistemi — lo stesso approccio si estende con il Flow Builder, l'editor visuale dei flussi di lavoro.
Creare agenti AI: meglio con il codice o senza codice?
Chi sviluppa può creare agenti AI con framework e strumenti da terminale: massima flessibilità, ma anche tutto il carico di deployment, sicurezza, connettori e manutenzione. È la strada giusta per chi costruisce un prodotto software. Per automatizzare processi aziendali, però, il codice scritto a mano diventa presto il collo di bottiglia: ogni nuovo agente è un piccolo progetto IT.
La via no-code ribalta il rapporto: chi possiede il processo — operations, finance, compliance — crea l'agente descrivendo il lavoro, senza scrivere codice, e l'IT mantiene il controllo su dati, permessi e governance. È lo stesso salto che i fogli di calcolo fecero rispetto ai programmi scritti su misura: la capacità passa a chi conosce il problema.
Le due strade non si escludono. Il pattern che vediamo più spesso: un team tecnico prototipa un agente in locale con uno strumento da CLI, poi lo ricrea su Alomana per portarlo in produzione — ospitato, connesso ai sistemi, condiviso con il team e verificabile. Il prototipo dimostra l'idea; l'operatore in piattaforma la mette al lavoro.
Come si collega un agente AI ai dati aziendali?
È il passaggio che decide se l'agente serve a qualcosa. Tre meccanismi. Primo, i connettori: oltre 20 integrazioni verso database, data warehouse come Snowflake, CRM, ERP, Slack, SharePoint, Confluence e altri sistemi, attivate in base alle esigenze del deployment. L'agente legge e scrive dove il lavoro accade davvero, invece di lavorare su copie statiche.
Secondo, la conoscenza: documenti, policy, archivi vengono indicizzati e recuperati al momento giusto, così l'agente risponde e agisce sulla base dei contenuti aziendali, con le fonti citate. Terzo, il linguaggio dei dati: l'agente interroga le fonti strutturate — tabelle, metriche, KPI — traducendo una domanda in linguaggio naturale in una query corretta.
Su tutto questo vale una regola non negoziabile: i tuoi dati non addestrano mai nessun modello. Le fonti restano sotto il controllo dell'azienda, gli accessi rispettano i permessi esistenti e ogni lettura e scrittura dell'agente finisce nel registro delle esecuzioni. Per i requisiti più stringenti, la piattaforma offre hosting in UE e istanze dedicate single-tenant.
Dall'agente all'app: creare app con AI sui propri dati
Un agente risponde e agisce; un'app dà al lavoro un'interfaccia. Il passo successivo alla creazione di un agente AI è spesso creare app con AI: una dashboard collegata al database, uno strumento interno per il team commerciale, un pannello che mostra in tempo reale ciò che gli operatori stanno elaborando. Tradizionalmente questo significava un progetto di sviluppo; oggi significa descrivere l'app che serve.
Su Alomana l'app generata non è un prototipo usa e getta: è un'applicazione persistente che vive nello spazio di lavoro, gira sui dati live attraverso i connettori, dialoga con i tuoi agenti e resta a disposizione di tutto il team, protetta dalle stesse regole di accesso della piattaforma. È la differenza tra un artefatto generato in una chat e un'applicazione interna in esercizio.
Questo è anche il criterio per scegliere gli strumenti: molti prodotti generano interfacce dimostrative eccellenti, ma senza backend, senza dati aziendali e senza governance. Se l'obiettivo è un'app che il team usa ogni giorno, la domanda giusta è: dove gira, su quali dati, con quali permessi, e chi la vede?
Quanto tempo e quanto budget servono per creare un agente AI?
Meno di quanto si pensi, se il punto di partenza è una piattaforma e non un progetto di sviluppo. Il primo agente si crea in minuti: si parte gratis in uno spazio condiviso, senza carta di credito, si descrive il lavoro e si itera. I casi d'uso pronti dell'AI Store — analisi dati con Jade, estrazione documenti con Lens, agenti vocali con Vox — partono ancora più veloci, perché il grosso del lavoro è già fatto.
I tempi si allungano dove è giusto che si allunghino: integrazione con sistemi interni, validazione con chi possiede il processo, regole di escalation verso le persone. Per un caso d'uso su misura in un contesto enterprise parliamo tipicamente di settimane, non di mesi — inclusa la validazione. L'ordine di grandezza del ritorno lo suggeriscono i risultati reali, come l'80% di tempo di reportistica in meno per un cliente bancario europeo.
Quando l'agente dimostra il suo valore, il percorso di crescita è già tracciato: dallo spazio condiviso gratuito si passa a un'istanza privata single-tenant per la produzione, con hosting in UE, conformità al GDPR e ogni esecuzione registrata e verificabile. Si scala l'adozione, non si ricomincia da capo.
FAQ
Come si crea un agente AI?
Definisci il processo da automatizzare, descrivi il lavoro in linguaggio naturale, collega dati e sistemi tramite connettori, testa il comportamento e metti l'agente in produzione. Su Alomana questi passaggi avvengono in un'unica piattaforma: descrivi il lavoro e ottieni un operatore persistente, connesso e verificabile.
Si può creare un agente AI senza saper programmare?
Sì. Con un builder no-code come quello di Alomana l'agente si crea descrivendo il lavoro: istruzioni, competenze, conoscenza e connessioni si configurano senza scrivere codice. Chi sviluppa può comunque estendere l'agente, che è in grado di scrivere ed eseguire codice in un ambiente isolato quando il compito lo richiede.
Quanto costa creare un agente AI?
Si può iniziare gratis: Alomana offre uno spazio condiviso senza carta di credito in cui creare i primi agenti. I costi crescono con l'adozione — utenti, volumi, istanza dedicata — non con l'esperimento. Un caso d'uso enterprise su misura si valuta sul processo che elimina, tipicamente settimane di lavoro ripetitivo.
Quanto tempo ci vuole per creare un agente AI?
Il primo agente si crea in minuti descrivendo il lavoro; i casi d'uso pronti dell'AI Store partono lo stesso giorno. Un caso d'uso su misura in un contesto enterprise richiede tipicamente alcune settimane, incluse integrazione con i sistemi interni e validazione con chi possiede il processo.
Che differenza c’è tra creare un chatbot e creare un agente AI?
Un chatbot risponde a domande; un agente AI esegue un lavoro end-to-end: legge dati e documenti, decide i passaggi, agisce sui sistemi e verifica il risultato. Creare un agente significa quindi definire un processo e collegarlo a dati e strumenti reali, non solo scrivere le risposte a un elenco di domande.
Come si collega un agente AI ai dati aziendali?
Attraverso connettori verso database, data warehouse, CRM, ERP e strumenti come Slack o SharePoint — su Alomana ne sono disponibili oltre 20, attivati in base al deployment — più l'indicizzazione dei documenti aziendali. I dati restano sotto il controllo dell'azienda e non addestrano mai nessun modello.
Gli agenti AI creati in azienda sono sicuri per andare in produzione?
Dipende dalla piattaforma. Su Alomana ogni esecuzione è registrata e verificabile — input, output, strumenti e utente — il codice gira in un ambiente isolato e la produzione avviene in un'istanza privata single-tenant con hosting in UE e conformità al GDPR. I dati non addestrano mai nessun modello.