L'AI agentica: un salto organizzativo per il marketing

L'intelligenza artificiale agentica (AI agentica) non è una semplice questione di strumenti, bensì una decisione organizzativa. Di questo è convinto Julian A. Kramer, AI Evangelism Leader EMEA e parte dell'Adobe EMEA Value Acceleration Team. Egli spiega perché l'AI spesso fallisce a causa di strutture inadeguate, come i team di agenti stiano trasformando i flussi di lavoro del marketing e perché la governance stia diventando una competenza chiave.

Gli agenti AI sono considerati il prossimo grande passo evolutivo dopo l'intelligenza artificiale generativa. Tuttavia, il vero sconvolgimento non è tecnologico, ma organizzativo. Questo è emerso chiaramente all'Adobe AI Forum di Monaco, tenutosi il 22 gennaio, dove è stato evidente ciò che molte organizzazioni di marketing stanno già sperimentando: l'AI non solo modifica i modi di lavorare, ma intere strutture aziendali – con notevoli vantaggi, ma anche nuove regole. Il nostro resoconto dell'evento affronta questi temi e presenta le principali tendenze dell'AI nel marketing per il 2026, riguardanti i team di agenti, la governance, la Generative Engine Optimization (GEO) e i nuovi modelli organizzativi.

Durante l'Adobe AI Forum abbiamo avuto l'opportunità di parlare con Julian A. Kramer. Egli ha fornito una prospettiva operativa sull'integrazione organizzativa dell'AI. Il suo lavoro inizia dove molte iniziative di AI falliscono: tra la visione strategica e la sua effettiva implementazione nelle operazioni quotidiane. Kramer sintetizza il problema – e il punto di svolta – in questo modo:

L'AI agentica non è più una promessa futura, ma una decisione organizzativa.

Con ciò, il dibattito si sposta definitivamente dagli strumenti ai sistemi, dai singoli assistenti ai flussi di lavoro di agenti orchestrati.

I 5 più importanti trend dell'AI nel marketing 2026 emersi all'Adobe AI Forum di Monaco:

  • Agent Teams
  • Governance
  • Generative Engine Optimization (GEO)
  • Nuovi modelli organizzativi

L'ascesa dei team di agenti orchestrati

I flussi di lavoro di agenti orchestrati rappresentano un passo fondamentale nella gestione dell'AI: dal guadagno di produttività a breve termine a un'infrastruttura robusta. Non si tratta più di singoli strumenti che accelerano compiti isolati, ma di team di agenti coordinati che si assumono intere catene di compiti. Allo stesso tempo, la logica della visibilità digitale si sta spostando: le meccaniche SEO classiche perdono il loro dominio, mentre la presenza dei marchi nelle risposte dei modelli linguistici di grandi dimensioni (LLM) e dei sistemi di AI generativa acquisisce importanza. Temi come la governance, la responsabilità del marchio e la questione di come l'AI possa passare da esperimento a base affidabile del lavoro quotidiano diventano centrali.

Questo cambiamento si manifesta anche empiricamente. Secondo l'Adobe Agentic Readiness Report, oltre il 90% delle aziende tedesche intervistate sta già utilizzando l'AI agentica o ne sta pianificando l'introduzione – soprattutto in vista dell'efficienza, dell'automazione di processi complessi e dell'alleggerimento dei team. Fornitori come Adobe reagiscono a ciò con livelli di orchestrazione che controllano gli agenti a livello di sistema e li integrano nei processi esistenti.

Lo sviluppo centrale che sta alla base di tutto questo è: l'AI generativa è stata l'ingresso, l'AI agentica diventa il livello operativo. McKinsey descrive gli agenti AI come sistemi che pianificano, agiscono e coordinano i flussi di lavoro in modo autonomo – un passo dalla produzione di contenuti al controllo dei processi. È proprio per questo che i grandi fornitori di piattaforme come Adobe stanno attualmente riorganizzando le loro architetture. Che questo cambiamento non sia primariamente tecnologico, ma organizzativo, è stato sottolineato da Julian A. Kramer:

L'AI raramente fallisce a causa della tecnologia, ma per mancanza di strutture e chiare responsabilità.

Il collo di bottiglia risiede nei processi, nei flussi di dati, nelle responsabilità e nella governance, non nelle prestazioni del modello. La ricerca di mercato supporta questa tesi: Gartner si aspetta che molti progetti di AI agentica falliranno se mancheranno chiarezza degli obiettivi, modelli di controllo e controllo dei costi. Allo stesso tempo, le esigenze di una gestione coerente del marchio su tutti i punti di contatto si ampliano – uno scenario che richiede orchestrazione anziché soluzioni isolate basate su singoli strumenti.

I team di agenti rappresentano quindi più che una semplice automazione. Essi spostano l'AI dalla fase sperimentale alla logica operativa delle organizzazioni. Un esempio di questo approccio è fornito da Adobe con l'Agent Orchestrator nella Experience Platform. Come questo cambiamento strutturale si presenti nella pratica, è stato illustrato nell'intera conversazione con Kramer all'Adobe AI Forum di Monaco.

L'intervista a Julian A. Kramer

Il punto di svolta: da "intent" a "action"

OnlineMarketing.de: Gli agenti AI sono considerati il prossimo grande passo dopo l'AI generativa. Come si riconosce che siamo davvero a un punto di svolta?

Julian A. Kramer: La cosa interessante è che l'AI generativa produce principalmente contenuti – basati su previsioni statistiche. L'AI agentica fa un passo in più: utilizza i "Reasoning Engines", ovvero moduli logici derivati dai modelli, e li accoppia a strumenti reali. In questo modo, da "intent" (intenzione) si passa effettivamente a "action" (azione): si formula un obiettivo e non si ottiene solo una risposta, ma un risultato che viene implementato nel sistema.

In pratica, ciò significa che gli agenti possono utilizzare strumenti, accedere a database e avviare processi – un po' come API sotto steroidi, solo più dinamiche. Invece di un semplice riassunto testuale, si generano output concreti: i target vengono segmentati, i flussi di lavoro vengono avviati, i contenuti o gli asset vengono modificati in Photoshop. È proprio su questo che stiamo lavorando molto intensamente, ovvero rendere servizi, strumenti e funzioni "agenticamente indirizzabili".

Che la scalabilità in molti luoghi sia ancora lenta, dipende principalmente dal fatto che siamo in una fase molto precoce dello sviluppo. Due anni fa, quasi nessuno parlava di agenti. Attualmente ci sono molte configurazioni "fai-da-te", in cui i team assemblano strumenti e testano ciò che funziona, in modo simile alla fase iniziale dei chatbot. L'approccio di Adobe è diverso: costruiamo agenti lungo la catena del valore del cliente, affinché risolvano problemi di business concreti, soprattutto nei flussi di lavoro di marketing classici.

Molte aziende non falliscono in principio, ma sperimentano un modello tipico: sono entusiaste di ciò che i sistemi possono fare, poi pongono una domanda leggermente diversa e improvvisamente il risultato cambia. Questo può essere ridotto se gli agenti vengono addestrati semanticamente e in base ai compiti per casi d'uso specifici. In questo modo, gli output diventano più affidabili e non escono così facilmente dal contesto.

Adobe non è una startup che si limita a sperimentare. Dobbiamo fornire rapidamente un valore aggiunto affidabile, altrimenti nessuno lo comprerà. Per questo ci concentriamo su casi d'uso chiari e stiamo attualmente implementando gli agenti. Siamo ancora in una fase iniziale, ma lo sviluppo sta accelerando in modo significativo.

Dalla fase di annuncio all'implementazione: cosa è cambiato

OnlineMarketing.de: Se siamo tra la fase di sperimentazione e quella di implementazione: cosa è successo realmente dai primi grandi annunci di circa un anno fa?

Julian A. Kramer: Tra l'annuncio, la fase di test e la maturità del mercato, passa del tempo. Abbiamo avuto molti clienti beta che già lavorano, ma non potevano ancora comunicarlo. Ora diversi agenti sono "generalmente disponibili", quindi acquistabili da tutti.

In secondo luogo, sta cambiando il nostro modo di approcciare il mercato. Invece di vendere un prodotto di grandi dimensioni, rilasciamo funzioni con basse barriere e lavoriamo con un modello "prova prima di acquistare" tramite crediti. I clienti provano e acquistano crediti aggiuntivi se ne vedono il valore.

E in terzo luogo: lato azienda, i processi devono stabilirsi. Un esempio è l'LLM Optimizer, che si concentra sulla gestione dei contenuti e degli asset e sulla distribuzione dei siti web, analizza il traffico del sito web e valuta anche la concorrenza per la visibilità, ad esempio in ChatGPT e Gemini. Questo coinvolge diversi team:

  • Infrastruttura
  • Analytics
  • BI (Business Intelligence)
  • Content
  • Marketing
  • A volte anche agenzie

Successivamente, è necessario definire quando i contenuti devono essere ottimizzati: catalogo completo o per ogni lancio di prodotto. Questi sono nuovi flussi di lavoro. Per questo motivo, molto è ancora in fase di implementazione e test.

Identificare use case significativi ed errori comuni

OnlineMarketing.de: Come si riconosce un use case sensato – e quali sono gli errori tipici all'inizio? Gli use case interessanti provengono spesso da...