Sul mercato del software conversazionale è in corso un cambio di etichette. Piattaforme che fino a ieri si presentavano come "chatbot con AI generativa" oggi si definiscono "Agenti AI autonomi", spesso senza aver modificato una riga di codice. Gartner ha dato un nome al fenomeno, Agent washing, e prevede che oltre il 40% dei progetti di Agentic AI verrà cancellato entro la fine del 2027, a causa di costi crescenti, valore di business poco chiaro o controlli del rischio inadeguati. Secondo le stime della stessa analisi, tra le migliaia di vendor che si dichiarano 'agentici' solo circa 130 offrono capacità agentiche reali.
Il meccanismo che alimenta l'Agent washing è semplice. I modelli linguistici di frontiera si somigliano sempre di più e, su un compito generico, la differenza percepita tra le loro risposte si è ridotta. Qualsiasi prodotto costruito sopra questi modelli sembra quindi intelligente in una demo di quindici minuti. La differenza tra un Agente AI vero e un'interfaccia ben costruita non si vede lì. Si vede dopo, in produzione, quando il costo dell'errore non è una demo deludente, ma un progetto che si chiude senza risultati misurabili, dopo mesi di implementazione e un budget investito nella promessa sbagliata.
Questo articolo raccoglie cinque criteri concreti per riconoscere la differenza già in fase di selezione.
Che cos'è l'Agent washing
Agent washing è la pratica di presentare come Agente AI un sistema che nella sostanza resta un chatbot. Comprende il linguaggio naturale e genera risposte pertinenti, ma non agisce sui sistemi del cliente, non mantiene lo stato di una richiesta attraverso più passaggi e non modifica il proprio comportamento sulla base delle correzioni ricevute. È conversazionale, non agentico. Due qualità diverse, spesso utilizzate come sinonimi.
Non si tratta di malafede diffusa, ma di un incentivo di mercato. Rietichettare un chatbot esistente richiede una settimana di lavoro sul sito e sui materiali commerciali. Costruire le capacità di un vero Agente AI - orchestrazione multi-step, integrazioni in scrittura sui sistemi del cliente, un ciclo di apprendimento tracciato - richiede mesi di ingegneria e un'architettura pensata per l'audit, non solo per la conversazione. Chi ha investito nella seconda strada ha tutto l'interesse a far emergere la differenza. Chi si è fermato alla prima ha tutto l'interesse a nasconderla dietro un vocabolario comune. Da qui la necessità di criteri di riconoscimento che non dipendano dal vocabolario del vendor.
Che cosa rende un Agente AI davvero tale
Un Agente AI comprende una richiesta, decide un percorso d'azione, agisce sui sistemi del cliente con operazioni di lettura e scrittura reali, mantiene lo stato della conversazione attraverso più passaggi e incorpora nel tempo le correzioni ricevute. Un chatbot risponde. Un Agente AI risponde, decide e fa.
Scomposto nei suoi componenti, un vero Agente ha cinque comportamenti distintivi.
- Comprende. Interpreta l'intento oltre la singola frase, incluso il contesto accumulato nella conversazione.
- Decide. Sceglie tra più percorsi possibili in base a regole, dati disponibili e priorità configurate, senza seguire un albero decisionale rigido a domanda-risposta.
- Agisce sui sistemi. Legge e scrive su CRM, sistemi di ticketing, piattaforme e-commerce e sistemi di prenotazione. L'azione produce un effetto verificabile nel sistema di destinazione, non una frase che la descrive.
- Mantiene lo stato. Un caso aperto tre giorni fa e ripreso oggi conserva il contesto, le decisioni prese e i dati già raccolti. L'utente non deve ripetersi.
- Apprende. Le correzioni umane rientrano nel sistema attraverso un processo tracciabile, non si perdono a fine sessione.
Se anche uno solo di questi cinque comportamenti manca, non è un Agente AI. È un'interfaccia conversazionale ben costruita, utile, ma diversa da quello che viene venduto.
I cinque criteri di riconoscimento
Nessuno di questi criteri richiede competenze tecniche. Basta osservare il comportamento del sistema oltre la superficie della conversazione.
1. Azione, non solo risposta
Molti sistemi descrivono l'azione invece di eseguirla. L'Agente AI racconta che aprirà un ticket, aggiornerà un indirizzo o genererà un rimborso, ma il passaggio effettivo viene completato da un operatore fuori scena o da un'integrazione separata, montata ad hoc per l'occasione. Un vero Agente AI esegue l'operazione in tempo reale e lascia una conferma verificabile nel sistema di destinazione - un case ID, un timestamp, un record aggiornato che si può controllare direttamente. La distanza tra descrivere e fare è il primo segnale, ed è anche il più facile da osservare.
2. Stato e orchestrazione
Le richieste reali raramente si aprono e si chiudono nella stessa sessione. Una pratica può iniziare in chat il lunedì e proseguire al telefono il giovedì. Un chatbot senza una vera gestione dello stato riparte da zero e chiede di nuovo le informazioni già fornite. Un Agente AI riconosce dove si era fermata la conversazione, ricorda che cosa è stato deciso nel frattempo e prosegue senza far ripetere nulla all'utente. La persistenza del contesto attraverso i canali e nel tempo è una capacità architetturale, e non si improvvisa.
3. Apprendimento verificabile
Qui serve una distinzione precisa. Una cosa è la memoria architetturale, cioè un processo strutturato in cui le conversazioni vengono etichettate, le correzioni validate da un team umano e il comportamento dell'Agente cambia in modo tracciabile. Un'altra è la promessa generica di "fine-tuning continuo" o di "AI che si migliora da sola", spesso priva di un meccanismo verificabile. Il primo modello, con il team nel loop come garante della qualità, è quello su cui vale la pena costruire un'implementazione enterprise. Nei progetti impostati in questo modo il miglioramento diventa misurabile nel tempo, perché la quota di conversazioni analizzate ed etichettate cresce e la maggior parte delle correzioni proposte viene confermata corretta dal team che le valida. Un vendor serio sa mostrare questo ciclo in funzione, con lo stesso livello di dettaglio - chi valida le correzioni, con quale frequenza, con quale evidenza misurabile.
4. Governance delle azioni
Ogni azione che l'Agente AI esegue sui sistemi aziendali dovrebbe avere un permesso esplicito, un perimetro dichiarato e un log consultabile, in cui risulti chi ha autorizzato che cosa, quando e con quale esito. Non è una preoccupazione teorica. Nel nostro osservatorio Customer Experience Unlocked 2026, la conformità delle risposte generate alle policy aziendali emerge tra le principali sfide (43%) che le aziende italiane incontrano nel passaggio dal pilota alla produzione. Attenzione a non confondere questo criterio con la due diligence su dati e certificazioni del fornitore, come hosting, crittografia o ISO 27001. Quella verifica riguarda la sicurezza dell'infrastruttura del vendor. Qui, invece, si osserva l'autenticità della capacità agentica stessa, ovvero se l'Agente AI può eseguire azioni tracciate e reversibili o se l'azione è un'illusione senza controllo dietro.
5. Confini dichiarati
Un vendor serio distingue le escalation corrette - previste da policy, soglie di rischio o una scelta esplicita del cliente su determinati casi - dalle escalation evitabili, che nascono da un limite tecnico non dichiarato e che un buon prodotto riduce nel tempo. Chi dichiara di gestire tutto sta lanciando un segnale d'allarme. Nessun sistema in produzione gestisce tutto, e chi lo sostiene sta vendendo un'aspettativa che non manterrà. La trasparenza sui confini, prima ancora che una questione di onestà commerciale, è un indicatore di maturità del prodotto.
Le metriche che contano
Ogni vendor arriva con un numero. Il problema è che non tutti i numeri misurano la stessa cosa e alcuni si gonfiano facilmente, senza mentire dal punto di vista tecnico.
La deflection, ovvero la quota di richieste che non arriva a un operatore umano, è la più semplice da gonfiare. Basta contare come deviata qualsiasi conversazione che si chiude senza handoff, anche quando l'utente non ha risolto nulla e ha semplicemente abbandonato, magari per riprovare al telefono il giorno dopo. L'automation rate e la resolution end-to-end sono più difficili da falsificare, perché richiedono di chiudere il cerchio con il sistema di riferimento. Il ticket risulta effettivamente risolto, il reso effettivamente processato, la pratica effettivamente chiusa.
Per questo una metrica vale quanto la sua definizione. Contano il modo in cui viene calcolata e il metodo con cui viene misurata, con dati auto-dichiarati dalla piattaforma oppure verificati contro la chiusura effettiva nel CRM o nel ticketing del cliente. Non è un dettaglio da analisti. Sempre nel nostro report Customer Experience Unlocked 2026, la misurazione del ROI e dell'impatto di business resta una sfida aperta per il 26% delle aziende nel passaggio dal pilota alla produzione.
Il quadro normativo
L'AI Act europeo aggiunge un livello di lettura che spesso viene ignorato in fase di selezione e che, invece, dice molto sulla maturità del vendor. L'obbligo di trasparenza previsto dall'articolo 50 del regolamento - l'utente deve sapere che sta interagendo con un sistema di intelligenza artificiale - si applica alla maggioranza dei deployment conversazionali, che rientrano nella categoria di rischio limitato, e diventa vincolante dal 2 agosto 2026. Non un orizzonte lontano, ma una scadenza immediata per chi avvia un progetto oggi.
Il punto non è chiedersi se il vendor sia conforme, perché chiunque risponderà di sì. Il punto è come la disclosure viene implementata. Può essere incorporata nell'architettura del prodotto, con un messaggio di benvenuto in chat o un annuncio vocale presenti di default, oppure lasciata come compito da configurare caso per caso dal cliente. Un vendor maturo distingue con chiarezza i propri obblighi come provider del sistema da quelli del cliente come deployer che lo utilizza, e sa spiegare dove passa il confine senza scaricare tutto sull'altra parte. Chi non sa articolare questa distinzione sta segnalando la stessa immaturità architetturale che produce l'Agent washing sul fronte tecnico.
La differenza si misura
La differenza tra un Agente AI e un chatbot rietichettato non è un'opinione. È un numero che si verifica nel tempo. Un'automazione reale chiude in autonomia il primo livello delle richieste di customer care. Nei deployment più maturi la quota arriva a superare il 90%, con riduzioni dei ticket verso gli operatori che possono raggiungere il 95%, e continua a crescere grazie a un ciclo di correzione tracciato. Una deflection statica, al contrario, si sgonfia al primo audit interno o al primo cambio di stagionalità dei volumi.
I cinque criteri di questo articolo - azione verificabile, stato che sopravvive, apprendimento tracciato, governance delle azioni, confini dichiarati - sono esattamente le cose che un chatbot rietichettato non riesce a mostrare quando gli si chiede di farle vedere, non di raccontarle. Riconoscerli in fase di selezione richiede un'ora di attenzione in più. Scoprirne l'assenza dopo il go-live costa un progetto.
FAQ
Un chatbot collegato a GPT è un Agente AI?
No, non di per sé. Collegare un modello linguistico di frontiera migliora la qualità delle risposte, ma non aggiunge da solo la capacità di agire sui sistemi, mantenere lo stato multi-step o imparare in modo tracciato. Sono proprio i cinque criteri di questo articolo a fare la differenza, indipendentemente dal modello sottostante.
L'Agent washing riguarda solo i vendor piccoli o le startup più giovani?
No. Riguarda qualsiasi fornitore, piccolo o grande, giovane o storico, che aggiorna il vocabolario commerciale più velocemente di quanto aggiorni l'architettura. La dimensione dell'azienda non è un indicatore. Lo sono i comportamenti concreti del prodotto in produzione.
Come si riconosce un vendor che non fa Agent washing?
Dalla disponibilità a mostrare evidenze invece di raccontarle. Un log di audit reale, anche anonimizzato, con azioni eseguite su un sistema di produzione. La definizione scritta e il metodo di calcolo di ogni metrica presentata. E la trasparenza su ciò che il proprio Agente non gestisce, con le ragioni di quella scelta.
