L’adozione degli agenti AI nel marketing ha già superato la fase delle demo. A settembre 2026, una ricerca di Forrester rileva che l’83% dei decision maker B2C coinvolti nello studio sta implementando attivamente l’agentic AI nei propri workflow. L’85% afferma che queste tecnologie stanno già producendo un valore significativo nelle attività di marketing.
Il dato racconta solo una parte della storia. Quando un sistema AI passa dalla generazione di un testo all’esecuzione di una sequenza di attività, cambia anche il lavoro delle persone che gli stanno intorno.
Un agente può raccogliere dati, produrre insight, preparare contenuti, coordinare passaggi operativi, contribuire all’orchestrazione di una campagna o intervenire nell’esperienza offerta al cliente. Forrester individua sette grandi categorie di applicazione e 52 use case potenziali nel marketing, dalla gestione dei customer profile alla misurazione delle performance, fino alla selezione di interazioni rilevanti sui diversi canali.
Più attività vengono delegate, più acquista peso una capacità che fino a poco tempo fa restava sullo sfondo: supervisionare il lavoro dell’AI.
L’agente AI non è un chatbot più intraprendente
Un chatbot risponde. Un agente, nella sua forma più evoluta, riceve un obiettivo e prova a raggiungerlo attraverso una sequenza di azioni, utilizzando dati, strumenti e istruzioni disponibili.
Per un marketing team la differenza è sostanziale.
Chiedere a un modello di scrivere cinque headline lascia la decisione quasi interamente nelle mani del professionista. Affidare a un agente la preparazione di una campagna significa invece consentirgli di combinare brief, dati sui segmenti, asset esistenti, performance precedenti e regole operative per produrre o eseguire una serie di passaggi.
Lo stesso vale per analytics, CRM, content operation e marketing automation. Un sistema che suggerisce qualcosa ha un raggio d’azione limitato. Un sistema che può agire introduce dipendenze, eccezioni e conseguenze che il team deve saper leggere.
Per questo Forrester include le persone tra le quattro dimensioni utilizzate per valutare la readiness di un’organizzazione, insieme a priorità, processi e tecnologia. La domanda riguarda anche l’organizzazione: sono stati identificati gli stakeholder necessari? Sono stati assegnati ruoli e responsabilità? Le persone sono preparate a gestire quel caso d’uso?
L’autonomia tecnica dell’agente, quindi, aumenta il valore delle capacità umane che orientano il suo lavoro.
La competenza che sale al primo posto è il giudizio
Il dato più netto arriva da uno studio pubblicato il 21 settembre 2026 dall’IBM Institute for Business Value insieme a Oxford Economics.
La ricerca ha coinvolto 1.500 CHRO e senior executive responsabili delle strategie workforce in 21 aree geografiche e 23 settori, oltre a 8.800 dipendenti full time in 28 Paesi. Le interviste sono state condotte tra aprile e giugno 2026.
Per il 71% dei CHRO, la capacità più importante per la forza lavoro è saper supervisionare, validare e, quando serve, correggere o ignorare gli output dell’AI. Solo il 29% dei dipendenti intervistati attribuisce un’importanza analoga al giudizio.
È uno scarto interessante perché mette a fuoco il problema formativo. Imparare a utilizzare un’interfaccia richiede tempi relativamente brevi. Capire quando una risposta è buona, quando è plausibile ma sbagliata e quando manca un pezzo essenziale del problema richiede esperienza, conoscenza del business e metodo.
Nel marketing questo significa riconoscere una segmentazione formalmente corretta ma poco utile, una creatività coerente con il prompt ma distante dal posizionamento, un insight fondato su una correlazione debole o una raccomandazione che ottimizza una metrica locale sacrificando l’obiettivo della campagna.
La qualità del supervisore dipende quindi da ciò che sa prima ancora di aprire uno strumento AI.
E qui emerge la seconda competenza.
Il problem framing viene prima del prompting
Lo studio IBM indica critical thinking e problem framing tra le capacità considerate più importanti dai CHRO nell’era dell’AI. Il 57% degli executive intervistati le include tra le skill prioritarie, mentre il giudizio umano viene indicato dal 48%.
Il problem framing è la capacità di trasformare una richiesta generica in un problema definito: quali risultati vogliamo ottenere, quali variabili contano, quali vincoli esistono, quali dati sono affidabili, quale margine di errore possiamo accettare.
È un passaggio decisivo quando si lavora con gli agenti.
Un obiettivo come “aumentare le conversioni” lascia troppe decisioni implicite. Quali conversioni? Su quale segmento? Con quali limiti di budget? In quale finestra temporale? Quali elementi del brand possono essere modificati? Quali azioni richiedono l’approvazione di una persona?
Più l’agente ha libertà operativa, più queste domande devono trovare risposta prima dell’esecuzione.
Il prompting rimane una competenza utile, ma tende a diventare una parte di un lavoro più ampio: definire obiettivi, fornire contesto, predisporre criteri di valutazione e costruire un perimetro entro il quale il sistema possa agire.
La formazione parte dai workflow reali
Quando gli agenti AI entrano nei processi di marketing, il fabbisogno cambia da team a team. Assessment, obiettivi, casi d’uso e modalità di supervisione possono diventare la base di un percorso costruito sulle attività effettive dell’azienda. Scopri la formazione su misura per aziende di Ninja.
Definire bene il problema aiuta l’agente a partire nella direzione giusta. Resta poi da stabilire fin dove possa procedere da solo.
Dai prompt ai guardrail
Su questo punto la riflessione pubblicata a settembre 2026 da PwC è particolarmente utile.
Con l’aumento del numero degli agenti e della loro autonomia, secondo PwC la supervisione umana tende a spostarsi dal controllo di ogni singola azione alla definizione di obiettivi, guardrail, diritti decisionali e punti di escalation.
Tradotto nel lavoro di un marketing team: il supervisore deve sapere quali decisioni possono essere delegate e quali richiedono un’approvazione.
Un agente incaricato di analizzare migliaia di commenti dei clienti può avere un’ampia autonomia. La pubblicazione di una nuova promessa commerciale richiede un livello di controllo diverso. La variazione automatica di una headline e la modifica del budget di una campagna presentano rischi differenti.
Supervisionare significa quindi anche classificare le decisioni per livello di rischio.
Un team può, per esempio, distinguere attività puramente esplorative, attività che producono una raccomandazione, azioni reversibili e azioni con effetti diretti su clienti, budget, dati o reputazione. A ogni livello corrispondono controlli diversi.
È qui che l’agentic AI smette di essere una questione esclusivamente tecnologica e diventa progettazione del lavoro.
Le cinque competenze che servono a chi supervisiona gli agenti
Le ricerche di Forrester, IBM e PwC convergono su un insieme di capacità che, applicate al marketing, diventano molto concrete:
- Problem framing: trasformare un obiettivo di business in un problema comprensibile all’agente, con vincoli e criteri espliciti.
- Giudizio professionale: valutare attendibilità, utilità e conseguenze di un output, anche quando appare convincente.
- Controllo qualità: definire criteri ed esempi con cui verificare contenuti, analisi, decisioni e azioni prodotte dall’AI.
- Workflow design: stabilire quali compiti spettano alle persone, quali agli agenti e dove inserire approvazioni o escalation.
- Governance operativa: assegnare responsabilità, accessi e limiti, mantenendo visibilità su ciò che il sistema ha fatto e sulle ragioni di un intervento umano.
Sono capacità strettamente collegate. Un buon workflow perde valore se il team non possiede i criteri per valutare ciò che produce. Un professionista esperto può invece trovarsi in difficoltà se responsabilità e soglie di intervento restano ambigue.
Proprio l’ambiguità organizzativa è uno dei problemi rilevati dallo studio IBM: il 36% dei CHRO afferma che responsabilità poco chiare complicano il deployment dell’AI. Il 43% dei dipendenti intervistati sostiene inoltre che, quando qualcosa va storto con l’AI, la responsabilità ricade su di loro.
La supervisione funziona meglio quando il potere di intervenire corrisponde a una responsabilità definita.
Ogni agente ha bisogno di un responsabile umano
PwC usa una formula particolarmente concreta: ogni agente dovrebbe avere un business owner identificabile.
L’owner deve sapere di cosa è responsabile l’agente, cosa gli è consentito fare e in quali circostanze una persona deve approvare, riesaminare o correggere un’azione. La governance comprende inoltre la possibilità di ricostruire ciò che il sistema era autorizzato a fare, quello che ha effettivamente fatto e i punti nei quali è intervenuta una persona.
Per un marketing department questa impostazione può evitare una delle derive più facili: decine di agenti creati da gruppi diversi, collegati a dati e piattaforme differenti, senza una visione precisa di chi li governi.
L’ownership può essere distribuita. Un agente che lavora sul CRM avrà referenti diversi da uno utilizzato per la produzione di contenuti o l’analisi delle performance. Ciò che conta è rendere leggibile la catena delle responsabilità.
Cambia anche il significato di “human in the loop”. Avere una persona formalmente presente nel processo dice poco. Serve stabilire quando deve intervenire e con quali informazioni.
Su campagne ad alta frequenza, controllare manualmente ogni microazione ridurrebbe gran parte del vantaggio dell’automazione. Il lavoro del team si sposta allora verso monitoraggio, soglie, alert ed eccezioni.
Il controllo qualità diventa continuo
Un’altra indicazione di PwC riguarda il ciclo di vita degli agenti. La governance non può fermarsi al test che precede il deployment. Modelli, fornitori, dati e condizioni operative cambiano nel tempo, quindi servono monitoraggio e verifiche anche dopo la messa in produzione.
Per i marketing team questo rende centrale una competenza spesso trattata come attività finale: l’evaluation.
Un contenuto può essere misurato rispetto a correttezza, tono di voce, aderenza al brief, originalità e presenza di affermazioni da verificare. Un agente di analytics richiede criteri differenti: qualità dei dati, solidità dell’interpretazione, capacità di distinguere un segnale da un’anomalia.
Un agente che prende decisioni operative deve invece essere osservato anche in base alla coerenza delle azioni compiute nel tempo.
Le metriche di marketing continuano a contare, ma da sole raccontano il risultato finale. La supervisione richiede di guardare anche come l’agente ci è arrivato.
Un sistema potrebbe migliorare una metrica e contemporaneamente allontanarsi dalla strategia, utilizzare dati inappropriati o adottare scorciatoie incompatibili con le regole aziendali. Il supervisore deve essere in grado di leggere entrambe le dimensioni.
Ed è qui che l’esperienza di marketing torna al centro.
La conoscenza del marketing vale più quando l’esecuzione si automatizza
Gli agenti aumentano la capacità di produrre. Di conseguenza, selezionare cosa merita di essere prodotto acquista più peso.
Chi supervisiona deve conoscere il cliente, il posizionamento, i canali, le metriche e le logiche economiche del business. Deve saper distinguere una variazione creativa da una deviazione dal brand, una personalizzazione utile da una segmentazione priva di significato, un aumento del CTR da un miglioramento effettivo della qualità delle acquisizioni.
L’AI può moltiplicare le alternative disponibili. Il criterio resta una risorsa scarsa.
Lo studio IBM fotografa anche il rischio opposto. Il 60% dei dipendenti intervistati teme che l’AI possa erodere le proprie competenze e il critical thinking è la capacità citata più spesso tra quelle percepite come in declino.
L’uso degli agenti dovrebbe quindi lasciare alle persone occasioni reali di esercitare giudizio. Un processo nel quale il professionista approva automaticamente decine di output rischia di trasformare la supervisione in un gesto burocratico. Un processo che esplicita criteri, errori ed eccezioni può invece diventare uno spazio di apprendimento.
Il punto tocca direttamente il modo in cui le aziende progettano la formazione.
Formare un team significa lavorare su casi, ruoli e responsabilità
Un corso generalista sull’intelligenza artificiale può creare un linguaggio comune. Quando gli agenti entrano nei processi, però, i bisogni diventano molto più specifici.
Un team e-commerce lavora con rischi e metriche diversi da una funzione brand. Un gruppo CRM deve padroneggiare dati, segmentazione e customer journey. Una content operation ha bisogno di criteri precisi su fonti, tono, qualità editoriale e approvazioni.
La domanda utile diventa: quali decisioni vogliamo affidare agli agenti e quali competenze servono alle persone che resteranno responsabili del risultato?
Da qui può partire un assessment del fabbisogno. Seguono la progettazione del percorso, esercitazioni costruite su casi reali e una delivery coerente con organizzazione, seniority e obiettivi del team.
È la logica della formazione tailor made: il programma viene disegnato intorno ai processi che le persone dovranno effettivamente governare, anziché intorno a una sequenza standard di funzionalità.
Dall’assessment al learning design
Ninja for Business progetta percorsi di formazione su misura partendo da fabbisogni e obiettivi aziendali, con esercitazioni e casi studio costruiti sul team e delivery in live webinar, in sede o in modalità ibrida. Richiedi una consulenza sulla formazione tailor made.
La formazione assume così una funzione organizzativa: prepara le persone a lavorare dentro sistemi nei quali parte dell’esecuzione viene affidata a soggetti artificiali.
Il vero salto è imparare a dirigere il lavoro dell’AI
I dati di Forrester mostrano quanto velocemente gli agenti stiano entrando nei workflow di marketing. IBM evidenzia la centralità di giudizio, supervisione e critical thinking. PwC porta la questione sul terreno operativo, fatto di guardrail, ownership, monitoraggio ed escalation.
Il filo che unisce queste ricerche è piuttosto chiaro.
La competenza distintiva dei team marketing si sta spostando dalla semplice capacità di ottenere un output dall’AI alla capacità di progettare e dirigere il lavoro che quell’AI svolge.
Significa sapere cosa delegare, formulare obiettivi abbastanza precisi, riconoscere errori plausibili, creare criteri di qualità, decidere quando una macchina può procedere e quando deve fermarsi.
Gli agenti possono produrre più velocemente, attraversare grandi quantità di dati e coordinare attività che prima richiedevano numerosi passaggi manuali. La responsabilità sul risultato resta però un problema organizzativo e professionale.
Il marketing team che saprà gestirla avrà bisogno di persone meno impegnate a eseguire ogni singola operazione e più capaci di dare direzione, verificare e intervenire.
Ed è probabilmente qui che si giocherà la parte più interessante dell’adozione degli agenti AI: nella qualità delle persone chiamate a supervisionarli.
#Adessonews seleziona nella rete articoli di particolare interesse.
Se vuoi leggere l’articolo completo clicca sul seguente link
