Agenti AI autonomi: come unificare budget e team sul modello Monks

Un agente AI che lavora 36-48 ore di fila senza che nessuno lo guardi: non è fantascienza, è già successo in produzione. La domanda per la tua azienda non è "quando arriverà", ma "come mi organizzo adesso che è già qui".

Conviene davvero lasciare girare agenti AI senza supervisione nella tua azienda?

Dipende da quanto il lavoro è misurabile e regolato da criteri chiari. Dove esistono requisiti precisi e feedback loop oggettivi, gli agenti autonomi riducono costi e tempi; dove il giudizio umano è ancora insostituibile, la supervisione resta necessaria.

Monks, la divisione operativa di S4 Capital, ha fatto girare agenti AI per 36-48 ore consecutive su attività di coding senza che nessuno li controllasse. Il risultato: nessun errore rilevante, velocità molto superiore al lavoro umano. La notizia, riportata da Digiday, pone una domanda concreta: quali attività della tua azienda hanno le stesse caratteristiche?

La risposta dipende da tre fattori: la precisione dei requisiti che puoi scrivere, la presenza di un feedback loop (cioè un segnale oggettivo che dice all’agente se sta andando bene), e la tolleranza al rischio in caso di errore.

Cosa ha fatto davvero Monks e con quali risultati concreti?

Monks ha spostato prima il coding, poi il social e il performance marketing su agenti autonomi che si coordinano tra loro, testano il proprio lavoro e si correggono senza intervento umano. I numeri finanziari confermano che il modello funziona.

Il punto di partenza è stato il codice: preciso, verificabile, con requisiti scrivibili in modo netto. Gli agenti ricevono le specifiche, si dividono il lavoro, testano il codice prodotto rispetto ai requisiti originali e si controllano a vicenda. Fino a pochi mesi fa questo coordinamento richiedeva istruzioni scritte a mano dagli sviluppatori. Oggi i modelli lo fanno da soli.

Il passo successivo è il social e il performance marketing. Qui gli agenti aspettano un evento — un trend che decolla, un’ondata di commenti, un post che perde trazione — e agiscono. I dati di engagement sostituiscono i requisiti scritti come segnale di controllo.

I dati finanziari di S4 Capital raccontano la stessa storia da un’altra angolazione. Il report annuale 2025 mostra un fatturato netto di £673 milioni, in calo del 10,8%, ma con un margine operativo salito al 12,1% (+70 punti base rispetto al 2024): meno ricavi, più efficienza. Il costo del lavoro è sceso perché parte del lavoro lo fanno gli agenti.

Sul fronte creativo, la piattaforma Monks.Flow ha prodotto 460 asset personalizzati per 20 use case in una singola campagna holiday, con un costo per acquisizione inferiore del 13% e una conversione superiore del 62% rispetto al controllo.

Come cambia la struttura del team quando gli agenti lavorano in autonomia?

Il lavoro non sparisce: si sposta. Le persone smettono di eseguire task ripetitivi e diventano responsabili di scrivere i requisiti, selezionare l’output migliore e decidere la direzione. È un cambiamento di ruolo, non di numero di persone — almeno nella fase iniziale.

Monks sta affrontando un problema inatteso: gli agenti producono 50 idee in 10 minuti, tutte coerenti con il brief. Chiedere qualcosa di più audace ne genera altre 50, ma solo cinque sono davvero buone. Trovare quelle cinque richiede tempo e competenza. Il lavoro del team creativo non è più produrre idee: è riconoscere quelle che valgono.

Lo stesso vale per i ritmi di lavoro. Gli sprint agili — cicli di due settimane con riunioni quotidiane — si sono compressi a due giorni. Il rischio è che le persone smettano di ragionare e si limitino a validare. Monks sta valutando di reintrodurre attrito deliberato per costringere il team a elaborare davvero, invece di delegare tutto all’agente.

Come funziona in pratica per un’azienda italiana: tre scenari a confronto?

Un e-commerce, uno studio di comunicazione e un’azienda manifatturiera hanno esigenze diverse, ma tutti e tre possono applicare la logica del ‘talent budget unificato’ partendo dalle attività più strutturate.

I tre scenari qui sotto sono illustrativi: i numeri servono a mostrare la logica del calcolo, non sono dati di clienti reali.

La variabile critica in tutti e tre i casi è la stessa: la qualità dei requisiti scritti prima che l’agente parta. Un agente con istruzioni vaghe produce output vago. Investire tempo nella fase di setup — quello che Monks chiama ‘prompting decente’ — è la leva più alta che hai.

Come si unifica il budget AI con quello del personale: cosa fa Monks e cosa puoi fare tu?

Monks ha smesso di trattare i token AI come una voce IT e li ha inseriti nel ‘talent budget’, lo stesso contenitore dei salari. La logica è semplice: se un agente fa il lavoro che prima faceva una persona, compete per le stesse risorse.

Il cambio di paradigma è questo: fino a poco tempo fa il costo degli strumenti AI stava nel budget software o IT. Adesso che gli agenti sostituiscono ore di lavoro umano, metterli in una voce separata distorce la lettura dei costi. Monks li ha spostati nel talent budget — il budget dedicato alle persone — perché è lì che compete davvero.

Il problema pratico è che i team chiedono sempre più token (le unità di elaborazione che i modelli AI consumano per ogni task). Monks sta misurando il fabbisogno per il 2027 e ha creato un ‘tech council’ interno che assegna i modelli più costosi solo ai task che li richiedono davvero. Per il resto usa modelli più economici. Questo è esattamente il tipo di ottimizzazione che puoi replicare anche con team piccoli, come spiegato nell’articolo su come ridurre i costi token scegliendo il modello giusto per ogni task.

Per una PMI italiana il passaggio pratico è più semplice di quanto sembri: basta aggiungere una riga nel piano dei costi operativi che metta a confronto il costo mensile dei token con le ore di lavoro che sostituiscono. Se il rapporto è favorevole, il budget si giustifica da solo. Se non lo è, stai usando il modello sbagliato o il task sbagliato.

Quali strumenti e modelli AI puoi usare per replicare questo approccio?

Non esiste un’unica piattaforma: la scelta dipende dal tipo di task, dal budget e dal livello di controllo che vuoi mantenere. La distinzione chiave è tra modelli ‘sempre accesi’ e agenti ‘event-driven’ che si attivano solo quando succede qualcosa.

La logica del tech council di Monks — assegnare il modello giusto al task giusto — è replicabile anche senza un team dedicato. Basta una semplice matrice: per ogni processo che vuoi automatizzare, chiedi quanto è critico l’errore e quanto è complesso il ragionamento richiesto. Solo i task ad alta complessità e alto rischio meritano i modelli più potenti e costosi.

Per capire come i modelli si stanno evolvendo in questa direzione, vale la pena leggere l’analisi su cosa cambia per le PMI con i nuovi modelli Gemini 2026 e quella su come stanno evolvendo gli agenti AI senza interfacce secondo OpenAI.

Quali rischi e regole devi gestire prima di lasciare girare un agente da solo?

I clienti di Monks chiedono già di sapere quali modelli lavorano per loro, dove sono ospitati e se c’è un contratto enterprise dietro. La governance degli agenti non è un dettaglio tecnico: è una condizione contrattuale.

Quando un cliente di Monks ha chiesto informazioni sugli agenti che lavoravano per lui, le domande erano precise: quali modelli, da dove vengono, c’è un MSA (Master Service Agreement, cioè un contratto quadro) che li copre? Nessuno vuole modelli sconosciuti che elaborano dati aziendali senza una base contrattuale chiara.

Il tema della governance degli agenti è strettamente legato a quello dei contenuti pubblicati senza supervisione: un rischio che abbiamo analizzato in dettaglio nell’articolo su agenti AI e immagini pubblicate senza consenso. La regola di base è: più autonomia dai all’agente, più robusto deve essere il sistema di controllo che costruisci intorno.

Perché se ne parla adesso e non tra un anno?

Il mercato italiano dell’AI è cresciuto del 50% nel 2025 e l’Agentic Automation — cioè l’automazione basata su agenti che agiscono in autonomia — è già in sperimentazione nell’8% delle grandi imprese italiane. Chi aspetta un altro anno parte in ritardo.

Il mercato italiano dell’intelligenza artificiale ha raggiunto 1,8 miliardi di euro nel 2025, con una crescita del 50% rispetto all’anno precedente, secondo gli Osservatori Digital Innovation del Politecnico di Milano. Non è un mercato di nicchia: è diventato strutturale.

Sul fronte degli agenti autonomi, i dati dell’Osservatorio Intelligent Business Process Automation del Politecnico di Milano mostrano che l’8% delle grandi imprese italiane ha già avviato sperimentazioni di Agentic Automation nel 2025, e il 25% prevede di farlo a breve. Il gap tra grandi imprese e PMI è però enorme: solo l’8% delle piccole e medie imprese ha avviato anche solo un progetto AI, contro il 71% delle grandi, secondo i dati pubblicati da AI4Business.

Il segnale più chiaro arriva dal mercato del lavoro: secondo i dati riportati da InnovationCity, nel 2025 gli annunci di lavoro che richiedono competenze AI sono cresciuti del 93% in Italia. Le aziende non cercano più chi sa usare uno strumento: cercano chi sa costruire e governare processi con gli agenti.

Come si parte concretamente: i passi per introdurre agenti autonomi in azienda?

Si comincia sempre da un processo già strutturato, con requisiti scrivibili e un segnale oggettivo di qualità. Non si parte dalla creatività o dai processi ad alto rischio.

Quali errori fanno le aziende che si avvicinano agli agenti AI per la prima volta?

L’errore più comune è partire dai processi sbagliati: quelli creativi o ad alto rischio, invece di quelli strutturati e misurabili. Il secondo è non costruire governance prima che il problema si presenti.

Monks ha imparato sulla propria pelle che chiedere all’agente qualcosa di ‘più audace’ produce molto rumore e poco segnale. Cinquanta idee interessanti sulla carta, ma solo cinque davvero buone — e trovare quelle cinque costa più tempo di quanto si risparmia. Questo succede quando si usa l’agente per task che richiedono giudizio qualitativo senza avere un esperto dedicato alla selezione.

Come capire se il modello sta funzionando per la tua azienda?

Tre segnali chiari: il costo per unità di output scende, il tempo dei senior si sposta dalla produzione alla selezione, e la qualità media dell’output rimane stabile o migliora.

Il margine EBITDA di S4 Capital è salito al 12,1% nel 2025 nonostante un calo di fatturato del 10,8%: il segnale che l’efficienza operativa ha compensato la contrazione dei ricavi. Per una PMI italiana il KPI equivalente è più semplice: quanto costa produrre un’unità di output (un report, una scheda prodotto, un post) prima e dopo l’introduzione degli agenti?

Allora, vale la pena unificare budget e team sul modello Monks per la tua azienda?

Vale la pena sehai processi strutturati con requisiti scrivibili, un feedback loop misurabile e la disponibilità a investire tempo nella governance. Il risparmio operativo è reale e misurabile già nei primi mesi.

Una via di mezzosei in una fase di transizione: hai qualche processo strutturato ma anche molto lavoro creativo o ad alto rischio. Parti dai processi più semplici, costruisci governance e allarga gradualmente. Non aspettare di avere tutto pronto.

Non ancora seil tuo lavoro è quasi interamente basato su giudizio qualitativo non misurabile, o non hai ancora le risorse per scrivere requisiti decenti e gestire un registro degli agenti. In questo caso, meglio aspettare e formarsi prima.

Come la vediamo in SHM?

Per noi l’AI è il mezzo, non il fine. Il caso Monks è istruttivo proprio perché mostra dove si ferma l’automazione: nella selezione, nel giudizio, nella decisione su quale direzione prendere. Cinquanta idee in dieci minuti non valgono niente se non hai qualcuno capace di riconoscere le cinque che contano.

Crediamo che integrare agenti autonomi in azienda non significhi ridurre le persone a validatori passivi. Significa restituire loro il tempo per fare il lavoro che conta davvero: ragionare, scegliere, costruire relazioni con i clienti. L’attrito deliberato che Monks sta reintroducendo non è un passo indietro: è il riconoscimento che il pensiero umano ha un valore che non si misura in token.

Nei progetti in cui abbiamo affiancato aziende nell’integrazione di processi AI, il momento più critico non è mai stato la scelta dello strumento. È sempre stato la definizione dei requisiti: chi scrive le istruzioni per l’agente determina la qualità di tutto quello che viene dopo. È una competenza che si costruisce, non si compra.

Se stai valutando come strutturare questo percorso, puoi partire dalla nostra pagina dedicata all’integrazione strategica dell’AI, approfondire il tema della business intelligence e l’elaborazione dati o esplorare le opzioni per lo sviluppo di assistenti virtuali. Puoi anche seguire il nostro hub su AI e automazione processi per restare aggiornato su come il mercato si muove.

E se vuoi capire come ottimizzare la visibilità della tua azienda nei motori di ricerca AI, l’articolo su OpenAI Astra e il computer use offre un punto di vista utile su dove sta andando la ricerca.

Domande frequenti

L’autonomia degli agenti non è il problema da risolvere: è il contesto che rende visibile quanto vale davvero il giudizio umano.