Abbiamo messo un agente AI in produzione. La parte difficile non era l'AI.
Il primo agente AI che abbiamo messo in produzione funzionava bene in staging. In produzione prendeva decisioni tecnicamente corrette e operativamente disastrose, perché nessuno aveva definito cosa potesse fare da solo. Da allora progettiamo prima permessi, confini e responsabilità. Il modello viene dopo.
Cosa si è rotto in produzione
Il team aveva passato settimane sul prompt engineering e quasi nessun tempo sul logging. Quando l'agente ha iniziato a sbagliare, nessuno riusciva a ricostruire input, decisioni e azioni. Da quel momento ogni passaggio critico lascia una traccia leggibile e ogni azione irreversibile richiede un controllo umano.
Prima di parlare di modelli chiediamo chi risponde quando l'agente compie un'azione imprevista. Se nessuno sa rispondere subito, il sistema non è pronto per la produzione. Ogni passaggio critico deve avere un responsabile e un checkpoint umano esplicito.
Un cliente ci ha chiamati per 'aggiungere un agente AI al loro workflow'. Dopo l'analisi gli abbiamo detto che il loro workflow non era abbastanza strutturato per essere automatizzato da un umano, figuriamoci da un agente. Abbiamo iniziato da lì.
Le regole per quando l'agente si ferma
Il problema emerso in produzione era un agente fermo a metà di un processo critico, senza regole per riprendere il flusso o annullare le azioni già eseguite. Prima del rilascio definiamo questi percorsi e chi deve intervenire.
Ogni workflow ha un responsabile, un elenco di azioni consentite e un punto preciso in cui passa la mano a una persona.
Servizi correlati
Se stai valutando un progetto simile, approfondisci il nostro approccio allo sviluppo AI a Torino. Quando l'agente deve usare strumenti aziendali, leggere dati o attivare operazioni controllate, entra in gioco anche il lavoro su integrazioni API, MCP e CLI. Per il disegno complessivo dell'architettura, conta anche il modo in cui lavoriamo come software house a Torino.