Trasformazione IA agentica?

Questo articolo fa parte della nostra serie How we work (come lavoriamo). E’ disponibile anche in Inglese e Spagnolo.
Se vuoi ricevere aggiornamenti su questo e altri temi legati all’evoluzione del mondo del lavoro, iscriviti alla nostra newsletter qui: https://cocoon-pro.com/#subscribe
Se vuoi saperne di più, o portare questo approccio nella tua organizzazione, contattaci qui: https://cocoon-pro.com/get-in-touch/

Stai per autorizzare investimenti significativi in IA agentica. Ma chi, concretamente, deve guidare questa trasformazione nella tua organizzazione?

La ricerca mostra un pattern ricorrente: le stesse tecnologie producono risultati opposti a seconda di come vengono integrate nei team. Questo articolo riassume cosa funziona davvero quando gli agenti IA entrano nei processi decisionali, e propone un framework di trasformazione IA per evitare gli errori più costosi.

Che succede quando l’IA smette di essere solo uno strumento?

Negli ultimi anni l’Intelligenza Artificiale generativa è uscita definitivamente dai laboratori ed è entrata nei flussi di lavoro quotidiani. Ora stiamo facendo un passo ulteriore: l’arrivo di agenti IA, sistemi capaci non solo di generare contenuti, ma di osservare, decidere e agire in relativa autonomia dentro i processi aziendali, orchestrando task, parlando con clienti, prendendo iniziative operative.

È ciò che molte analisi chiamano agentic AI: un’estensione dell’IA generativa che si comporta sempre meno come uno strumento e sempre più come un collega digitale. Non è fantascienza, è già in corso: le stime globali mostrano che l’adozione di IA generativa e agentica cresce rapidamente in tutti i settori, con impatti misurabili su produttività, struttura del lavoro e strategie di talento (Stanford HAI, 2024; Microsoft, 2025).

Nel nostro report dedicato abbiamo visto come questo passaggio epocale sia ormai al centro delle decisioni organizzative. È nelle agende dei CdA, dei vertici pubblici, dei board di fondi e istituzioni. E sta già cambiando la nostra idea stessa di lavoro.

A questo punto, la vera domanda al centro di molte decisioni importanti non è più se adottare IA agentica, ma come farlo in modo che migliori davvero il lavoro, invece di creare nuovi vincoli e fragilità.

Cosa sappiamo già, oltre l’hype

Nel 2024, in Cocoon Pro, abbiamo iniziato a esplorare sul campo cosa succede quando gli agenti IA entrano nei team. Nel 2025 abbiamo avviato un progetto di action-research con l’Università di Verona, il MIK di Bilbao, il centro di ricerca Belbin nel Regno Unito e alcune organizzazioni pioniere come CDP. Esperimenti reali: team che lavorano su sfide vere, con agenti IA integrati nei loro flussi e nei loro momenti decisionali.

In parallelo, anche la ricerca internazionale sta accumulando dati piuttosto chiari, ed ecco alcune delle evidenze che emergono fin qui:

in esperimenti controllati, l’accesso a strumenti di IA generativa riduce il tempo di svolgimento di compiti di scrittura professionale di circa il 40% e aumenta la qualità percepita del risultato di circa il 18% (Noy & Zhang, 2023);
in esperimenti di team ibridi, individui affiancati da IA generativa arrivano a prestazioni comparabili a quelle di piccoli team umani, e team umani + IA hanno tre volte più probabilità di produrre soluzioni nel top decile di qualità (Dell’Acqua et al., 2025);
le revisioni più recenti confermano che gli effetti dell’IA sulla performance sono quasi sempre eterogenei: beneficiano soprattutto i meno esperti, ma dipendono in modo critico da come viene organizzata la collaborazione umano–IA (OECD, 2025; Schmutz et al., 2024).

La sintesi è semplice e scomoda: la tecnologia è matura abbastanza da fare la differenza, ma gli esiti non sono affatto garantiti. E qui entrano le scelte organizzative.

Da ciò che vediamo sul campo e dalla letteratura emergono tre lezioni chiave.

1. L’IA non va gestita come una questione di IT

Molte organizzazioni vivono l’introduzione dell’IA come un compito naturale dell’IT: architetture, modelli, vendor, sicurezza. Tutto necessario, ma non sufficiente.

Gli agenti IA non cambiano solo gli strumenti. Cambiano chi fa cosa, con chi e con quale margine di autonomia.

Spostano decisioni operative dagli umani agli agenti.
Ridisegnano il confine tra mansioni, ruoli, team e funzioni.
Riaprono le domande su responsabilità, fiducia, controlli, incentivi.

La ricerca su team umani–IA lo mostra con una certa precisione: la performance dipende da elementi come fiducia, trasparenza delle decisioni dell’IA, modalità di “voto” tra umani e agenti, gestione dei conflitti di giudizio, più che dall’accuratezza nuda e cruda dell’algoritmo (Hu et al., 2024; Carter et al., 2024; Afroogh et al., 2024).

In uno studio recente, ad esempio, i ricercatori hanno osservato cosa succede quando in un team misto i membri umani vengono sistematicamente “messi in minoranza” dall’IA. Il risultato? Non c’è una rivolta, ma emergono cambiamenti sottili nella fiducia, nella disponibilità a contribuire, nel modo in cui le persone si percepiscono all’interno del team (Hu et al., 2024). Non è un bug di sistema: è un effetto socio-tecnico.

Per i decisori di una organizzazione odierna, la conclusione è piuttosto diretta: se l’IA agentica viene gestita come una questione solo IT, il rischio non è tecnico, è strategico. Si rischia di introdurre un nuovo “collega digitale” nei team senza ripensare il sistema sociale che lo deve accogliere.

2. L’adozione conta più della tecnologia

Gli studi ormai concordano su un punto: strumenti di IA comparabili, in contesti diversi, producono risultati molto diversi.

In alcuni casi vediamo aumenti netti di produttività, qualità e soddisfazione. In altri, nessun effetto misurabile. In altri ancora, peggioramenti dovuti a over-reliance sull’IA, perdita di coordinamento o riduzione dell’apprendimento umano (OECD, 2025; Li, 2024).

La stessa tecnologia, quindi, può diventare leva o ostacolo a seconda di come viene adottata. Cosa fa la differenza?

Il disegno concreto dei flussi di lavoro con l’agente.
Il ruolo esplicito dell’IA nel team (consigliere, co-autore, esecutore autonomo, ecc).
Il modo in cui le persone vengono accompagnate: formazione, spazi di sperimentazione, regole del gioco.
Le metriche con cui valutiamo davvero il nuovo assetto (non solo “ore risparmiate”, ma qualità, equità, apprendimento, benessere).

Un filone crescente di lavori insiste su un punto che spesso manca nelle slide: l’adozione di IA è un portafoglio di esperimenti organizzativi, non una singola decisione top-down (Berndt et al., 2026). Le aziende che vedono impatti duraturi sono quelle che progettano piccoli esperimenti ad alta qualità, misurano bene, imparano in fretta e scalano solo ciò che funziona.IT ed HR devono letteralmente sedersi allo stesso tavolo: uno porta infrastrutture e vincoli, l’altro conoscenza del lavoro reale, delle competenze, delle dinamiche di team.

3. L’efficienza non può essere il driver principale

Quasi tutti i business case sull’IA partono da un argomento di efficienza: ridurre tempi, automatizzare attività ripetitive, tagliare costi. È comprensibile. È anche pericoloso, se resta l’unica lente.

La letteratura più recente mostra che l’IA non solo aumenta output e qualità, ma cambia la composizione del lavoro: sposta tempo da attività standard ripetitive verso coordinamento, giudizio, relazione, problem solving (Brynjolfsson et al., 2025; Noy & Zhang, 2023; Dell’Acqua et al., 2025).

Se questo spostamento non viene pensato, succede qualcosa che probabilmente avete già intravisto:

1. Le persone vivono l’IA come una minaccia o una fonte di controllo aggiuntivo, non come un alleato.

2. Il tempo liberato viene riempito con altre attività a bassa qualità (reportistica, meeting di controllo, micromanagement) invece che con apprendimento, innovazione, cura delle relazioni vitali.

In parallelo, emergono anche importanti segnali di rischio sul benessere organizzativo: alcuni studi collegano un uso mal gestito dell’IA a maggiore isolamento, perdita di collaborazione e impatto sul benessere psicologico (Financial Times, 2025; Stanford HAI, 2024).

La vera domanda, quindi, non è “quanto tempo liberiamo con l’IA”, ma: per che cosa vogliamo liberare quel tempo?

Se questa domanda resta implicita, sarà il sistema esistente a rispondere al posto nostro.

Che cosa serve sapere per guidare le nostre organizzazioni in questa nuova era?

Leggi il nostro report dedicato a questo passaggio epocale, cliccando qui.

Una vecchia storia di miniere, che parla di IA

Questa tensione tra efficienza tecnica e vita dei team non è nuova.

Negli anni ’50, Eric Trist e i colleghi del Tavistock Institute studiarono l’introduzione del metodo longwall nelle miniere di carbone britanniche. Dal punto di vista tecnico, era un successo: flussi più lineari, output maggiore, tempi ridotti.

Il problema? Per sfruttare al massimo la nuova tecnologia, l’organizzazione del lavoro era stata ridisegnata in modo da spezzare le unità di lavoro coese che caratterizzavano le squadre di minatori. I gruppi persero autonomia, capacità di auto-regolazione, senso di responsabilità condivisa sul “fronte di scavo”. Il risultato controintuitivo fu un calo complessivo di performance, più conflitti, più assenteismo (Trist et al., 1963).

Da quella ricerca nasce l’approccio socio-tecnico, cresciuto poi globalmente per 50 anni: non esiste “la” organizzazione ottimale per una certa tecnologia. Esistono scelte organizzative che possono rendere la stessa tecnologia una forza abilitante o distruttiva.

Oggi, con l’IA agentica, siamo in un punto analogo. Possiamo progettare team in cui gli agenti IA sono protagonisti silenziosi che irrigidiscono processi già obsoleti; oppure team aumentati in cui umani e agenti si potenziano a vicenda, con più autonomia e più capacità adattiva.

Per questo serve un framework di trasformazione esplicitamente socio-tecnico, che tenga insieme:

l’evoluzione epistemologica (come l’organizzazione conosce, apprende, decide).
l’evoluzione operativa (processi, ruoli, metriche);
l’evoluzione comportamentale (fiducia, competenze, dinamiche di team);

Un modello di trasformazione in tre pilastri: Ecology × Literacy × Technology

La nostra proposta, che nasce dall’intreccio tra pratica e ricerca, è di leggere il successo socio-tecnico della trasformazione IA agentica attraverso tre pilastri interdipendenti:

AI Gain = Ecology × Literacy × Technology

La formula è intenzionalmente moltiplicativa: se uno dei tre fattori tende a zero, il guadagno complessivo tende a zero. Possiamo avere la migliore piattaforma di agentic AI, ma se l’ecologia è tossica o la literacy è pessima, l’effetto netto sarà scarso o negativo.

1. Ecology: le relazioni vitali che tengono in piedi il sistema

Con Ecology intendiamo il sistema di relazioni vitali che questo cambiamento coinvolge. Dentro questo campo troviamo almeno tre dimensioni:

Leadership, intesa come processo relazionale, non come caselle nell’organigramma. Come viene gestito questo spazio di relazione? Come e quanto le connessioni tra le persone orientano la direzione comune e innescano movimento e apprendimento reciproco?
Governance, cioè l’insieme di regole, principi guida e vincoli di sicurezza che traducono l’identità organizzativa in decisioni concrete incorporate nei sistemi. Quali regole vengono “codificate” negli agenti? Quali restano deliberatamente fuori?
Ecosistema: persone interne, partner chiave, clienti, fornitori, regolatori. L’IA agentica non si ferma ai confini formali dell’azienda; entra in supply chain, network, piattaforme.

L’ecologia di una trasformazione così profonda, porta l’attenzione sui suoi aspetti dinamici, di flusso, piú che su quelli posizionali o strutturali di organigramma, o di elementi tecnologici. Il punto devono essere le relazioni vitali dell’organizzazione, e le dinamiche che le amplificano, le mettono in risonanza, e le rendono generative. Come spostare il potenziale umano verso questi aspetti, e far sì che l’IA liberi spazio di manovra per le persone e apra possibilitá nuove?

Per il decisori delle nostre organizzazioni, le domande chiave sull’ecologia sono del tipo:

quali relazioni vitali del nostro business vengono toccate per prime dagli agenti IA?
quali principi non negoziabili vogliamo incorporare esplicitamente nelle decisioni automatizzate?
come vogliamo distribuire potere decisionale tra umani e agenti nei momenti critici?

2. Literacy: la capacità di partecipare al cambiamento senza subirlo

Literacy è la capacità di accedere, analizzare, valutare e creare casi d’uso in diversi contesti. Non è solo “saper scrivere prompt” o usare due tool.

Include almeno:

capire che cosa un agente può fare, che cosa non può fare, e dove è pericoloso che decida da solo;
saper scomporre un processo in passi delegabili, mantenendo il controllo sui passaggi critici;
saper misurare, almeno a livello di team, se un nuovo uso dell’IA sta davvero migliorando lavoro e risultati.

Gli studi sugli effetti dell’IA sul lavoro confermano che, senza un investimento esplicito in competenze, il rischio è di creare poche “isole di eccellenza” e una larga maggioranza che subisce il cambiamento o resta ai margini (Stanford HAI, 2024; Microsoft, 2025; OECD, 2025).

Al tempo stesso, ricerche su formazione e GenAI mostrano che persone con meno esperienza possono colmare rapidamente gap di performance quando affiancate da IA ben progettata (Noy & Zhang, 2023; Cui et al., 2025). Il punto è che questo non avviene “da solo”: richiede design didattico, tutoring, feedback.

Per HR e people leader, le domande chiave sono molto concrete:

qual è oggi il livello reale di AI literacy delle nostre figure chiave, al di là delle dichiarazioni?
come stiamo creando spazi di sperimentazione sicura, in cui i team possano provare, sbagliare, apprendere?
chi ha licenza di proporre nuovi casi d’uso e di decidere cosa viene scalato?

3. Technology: l’insieme applicativo giusto, non il “giocattolo” del momento

Infine Technology: la scelta dell’insieme applicativo che meglio si sposa con:

la tecnologia e i dati giá esistenti nell’organizzazione;
le esigenze evolutive dell’ecologia (leadership, governance, relazioni vitali);
la traiettoria di sviluppo di cultura e competenze (literacy).

Qui rientrano temi come:

piattaforme di agentic AI e orchestrazione di workflow;
integrazione con sistemi legacy e con i dati aziendali reali;
sicurezza, privacy, compliance e tracciabilità delle decisioni;
strumenti per osservare e correggere il comportamento degli agenti nel tempo.

Le analisi recenti convergono su due punti:

1. il futuro prossimo non è un singolo “super-agente”, ma portafogli di agenti specializzati che cooperano tra loro e con i team umani (IBM Institute for Business Value, 2025; PwC, 2024);

2. la scelta tecnologica non è neutrale: determina chi può sperimentare, quanto è costoso cambiare rotta, quanto è semplice spegnere un agente che non sta producendo gli effetti desiderati.

Per CIO e COO, alcune domande utili sono:

quanto è facile per un team di business comporre o adattare un agente, senza dover aprire un progetto IT ogni volta?
che visibilità abbiamo su cosa stanno effettivamente facendo gli agenti in produzione?
quali feedback loop esistono tra chi subisce le decisioni degli agenti (clienti, frontline) e chi li progetta?

Dunque, CdA, a chi spetta guidare questa trasformazione?

Se mettiamo insieme questi tre pilastri, l’immagine diventa chiara: l’IA agentica non è un progetto IT, è una trasformazione socio-tecnica di sistema.

L’IT porta in dote competenze irrinunciabili su infrastrutture, dati, sicurezza, vendor. Ma chi ha la responsabilità di:

leggere le implicazioni sul lavoro, sui ruoli, sui percorsi di carriera?
ripensare policy, sistemi di performance e incentivi in team dove una parte del lavoro è svolta da agenti?
curare benessere, fiducia e senso di equità in un contesto di riallocazione di compiti e potere decisionale?

Questa è, da sempre, la terra di mezzo della funzione HR. Allora, una mossa lucida oggi potrebbe essere questa:

1. Costruire una cabina di regia mista (HR + IT + business + risk), con mandato esplicito non solo sugli strumenti, ma sul disegno dei team aumentati e sulle regole del gioco.

2. Investire in sperimentazione disciplinata, con pochi esperimenti ben disegnati, metriche chiare e cicli rapidi di apprendimento, invece che in rollout massivi “big bang” (Berndt et al., 2026).

3. Ancorare ogni progetto IA a domande semplici ma esigenti:

che parte della nostra ecologia stiamo toccando?
quali salti di literacy richiede alle persone coinvolte?
come questa tecnologia rende il lavoro più umano, non meno?

Un invito per te

I dati che abbiamo a disposizione, sia dalla ricerca internazionale sia dal lavoro con team reali, puntano tutti nella stessa direzione: i team aumentati esistono già e, quando sono ben progettati, portano guadagni sostanziali di produttività, qualità e capacità di innovazione (Brynjolfsson et al., 2025; Dell’Acqua et al., 2025; Stanford HAI, 2024).

Non c’è però una “ricetta segreta” da copiare. C’è un percorso da costruire, passo dopo passo, nelle condizioni specifiche di ogni organizzazione.

Per questo ti invitiamo:

a partecipare alla ricerca in corso, contribuendo con i tuoi team ad arricchire il quadro di evidenze su come funzionano davvero i team umano–IA;
oppure a contestualizzare questa riflessione alla tua realtà organizzativa, esplorando insieme da dove ha senso cominciare, con quali esperimenti e con quali garanzie di sicurezza.

Se sei ai vertici decisionali della tua organizzazione, o in una funzione HR o IT, o guidi un team chiave, sei in una finestra di opportunità rara: decidere ora che tipo di relazione vuoi che le tue persone abbiano con i loro futuri colleghi artificiali.

Contattaci

Non si tratta semplicemente di adottare una nuova tecnologia. Si tratta di riscrivere nuovamente le regole del lavoro, in modo che umani e agenti IA possano, insieme, dare davvero origine a una nuova generazione di organizzazioni.

Riferimenti essenziali

Angus, D. C. (2025). AI, Health, and Health Care Today and Tomorrow. JAMA, 334(12), 1151–1160.

Berndt, J., Englmaier, F., Sadun, R., Tamayo, J., & von Hesler, N. (2026). A Systematic Approach to Experimenting with Gen AI. Harvard Business Review, 104(1–2), 76–87.

Brynjolfsson, E., Li, D., & Raymond, L. R. (2025). Generative AI at Work. Quarterly Journal of Economics, 140(2), 889–942.

Carter, W. R., et al. (2024). Toward a theory of AI–human team effectiveness. European Management Review. Advance online publication.

Cui, Z. K., Demirer, M., Jaffe, S., Musolff, L., Peng, S., & Salz, T. (2025). The Effects of Generative AI on High-Skilled Work: Evidence from Software Development. Working paper.

Dell’Acqua, F., Ayoubi, C., Lifshitz-Assaf, H., Sadun, R., Mollick, E., Mollick, L., Han, Y., et al. (2025). The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise. NBER Working Paper No. 33641.

Hu, M., Zhang, G., Chong, L., Cagan, J., & Goucher-Lambert, K. (2024). How Being Outvoted by AI Teammates Impacts Human–AI Collaboration. International Journal of Human–Computer Interaction, 41(7), 4049–4066.

IBM Institute for Business Value. (2025). Orchestrating Agentic AI for Intelligent Business Operations.

Li, N. (2024). Generative AI Enhances Team Performance and Reduces Coordination Costs. arXiv preprint arXiv:2405.17924.

Microsoft. (2025). The 2025 Annual Work Trend Index: The Frontier Firm is Born.

Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 1121–1124.

OECD. (2025). The Effects of Generative AI on Productivity, Innovation and Entrepreneurship.

PwC Middle East. (2024). Agentic AI – The New Frontier in GenAI: An Executive Playbook.

Schmutz, J. B., et al. (2024). AI-teaming: Redefining collaboration in the digital era. Journal of Safety Science and Resilience.

Stanford Institute for Human-Centered AI (HAI). (2024). AI Index Report 2024: Measuring Trends in AI.Trist, E. L., Higgin, G. W., Murray, H., & Pollock, A. B. (1963). Organizational Choice: Capabilities of Groups at the Coal Face under Changing Technologies. London: Tavistock.