La tua AI sa parlare. Sa anche portare a termine il lavoro?

Immagina di assumere un assistente sveglio per gestire le prenotazioni dei clienti. Scrive in modo chiaro e capisce le richieste. Ha comunque bisogno dell’accesso al calendario, delle regole di prenotazione, dello storico delle conversazioni e di qualcuno a cui chiedere aiuto nei casi insoliti. Senza questa organizzazione anche una persona capace farebbe fatica. L’AI ha esigenze simili. Capire un messaggio è solo una parte del lavoro.

Il modello AI interpreta le informazioni e genera una risposta o propone un’azione successiva. L’harness è il software circostante che mette in pratica quelle proposte: può recuperare una scheda, eseguire un’azione consentita, riportare il risultato al modello e ripetere il processo finché l’attività è completata o serve aiuto. La documentazione di Cloudflare descrive questo processo continuo come il cuore di un harness. Potresti sentire anche «agente AI»: è il sistema completo che usa un modello e un harness per svolgere un’attività. L’harness è solitamente integrato nel prodotto, quindi potresti non vederne mai il nome su un pulsante.

La domanda utile è quali attività l’intero sistema può portare a termine nella tua azienda.

Questo è un esempio illustrativo, non il resoconto di un progetto per un cliente. Supponiamo che un’impresa di servizi permetta di spostare gli appuntamenti su fasce libere allo stesso prezzo. Con i collegamenti e le regole adatte, un sistema AI potrebbe gestire così la richiesta. Se venerdì sono disponibili più orari, chiede prima al cliente quale preferisce.

• Trovare: Individuare il cliente corretto e l’appuntamento esistente. Se la corrispondenza non è chiara, chiedere aiuto.

• Controllare: Consultare il calendario aggiornato e le regole aziendali per spostare gli appuntamenti.

• Agire: Modificare la prenotazione dopo aver concordato l’orario, se l’azione è consentita. Le eccezioni passano a una persona.

• Confermare: Verificare che la modifica sia stata salvata, poi inviare la conferma e registrare quanto accaduto.

Una risposta ben scritta è utile. Una prenotazione aggiornata correttamente è il risultato che serve al cliente.

Non serve capire il codice per valutare se l’organizzazione ha senso. Chiedi da dove arrivano i fatti, cosa può fare il sistema, cosa ricorda e come riconosce il completamento. Il lavoro di Anthropic sulle attività lunghe mostra perché contano i progressi registrati e le verifiche: senza un supporto adatto un agente può perdere il filo o dichiarare il successo troppo presto.

• Le informazioni giuste: Dati aggiornati e regole chiare, con un modo per individuare dettagli mancanti o contraddittori.

• Gli strumenti giusti: Collegamenti ai sistemi in cui si lavora, con accesso limitato all’attività.

• Una traccia dei progressi: Un registro delle azioni già eseguite, per non ripartire alla cieca dopo un’interruzione.

• Un controllo sul risultato: La prova che la modifica sia riuscita, con un punto chiaro in cui fermarsi o coinvolgere una persona.

È una domanda rivelatrice durante una dimostrazione. Se manca un orario adatto, il sistema dovrebbe proporre alternative disponibili o passare la richiesta a qualcuno. Se il calendario non è raggiungibile, dovrebbe segnalare il problema e lasciare una traccia del lavoro incompleto. Se una modifica non restituisce un risultato chiaro, dovrebbe controllare cosa è successo prima di riprovare. Altrimenti potrebbe creare un duplicato. Questi comportamenti vanno progettati e verificati; la parola «harness» non li garantisce.

Scrivere «chiedi sempre prima di fare un’eccezione» in un’istruzione non equivale a far rispettare quella regola dal software.

L’AI può fraintendere una richiesta. I tuoi dati possono essere sbagliati. Un controllo può non rilevare un errore. Un harness aiuta a gestire il lavoro, ma non rende il sistema infallibile e non decide le regole aziendali al posto tuo. Qualcuno deve stabilire le modifiche consentite, chi gestisce le eccezioni e cosa significa completare l’attività. Quella persona deve poter rivedere le azioni e sospendere il sistema. Parti da un’attività in cui gli errori siano facili da individuare e correggere.

Molti prodotti AI includono già parte di questa organizzazione. Verifica cosa supportano davvero e se si collegano ai tuoi sistemi. Una soluzione su misura può avere senso quando gli strumenti esistenti non soddisfano le esigenze del processo. Per un’attività che segue sempre gli stessi passaggi può bastare l’automazione tradizionale. Nelle indicazioni per costruire agenti, Anthropic raccomanda di partire dalla soluzione adatta più semplice. L’obiettivo è alleggerire il lavoro del team, e puoi valutarlo senza inseguire ogni nuovo termine.

Scegli una richiesta quotidiana e seguila fino alla fine. Osserva le fonti delle informazioni, i dati modificati e cosa succede quando manca un dettaglio. Avvia poi un piccolo progetto pilota e confronta attività completate, tempo di revisione del personale, errori e costo totale con il processo attuale. Includi casi difficili, come un orario non disponibile o una richiesta ripetuta. Avrai una base concreta per decidere prima di affidare altro lavoro al sistema.

Chiedi: «Potete mostrarmi il risultato finale e cosa succede quando l’attività non può essere completata?»