L’AI generativa risponde a domande, l’Intelligenza Artificiale Agentica porta a termine attività. Per un’azienda, oggi il valore non sta nel chiedere un testo, ma nel delegare interi processi, con la sicurezza che ciò che conta resti sotto controllo umano. In questo articolo spieghiamo, senza tecnicismi, come Revelis costruisce agenti affidabili, quando conviene usare modelli in cloud o modelli interni all’azienda (on-premise), e mostriamo un caso concreto, l’automazione del processo delle gare d’appalto, in cui gli agenti generano un vantaggio competitivo misurabile.
L’Intelligenza Artificiale generativa è oggi entrata ormai stabilmente nei processi aziendali, ma il vero salto di valore per le imprese non è chiedere risposte: è delegare attività. È la promessa dell’Intelligenza Artificiale Agentica, in cui sistemi software autonomi pianificano ed eseguono compiti dall’inizio alla fine, coordinando strumenti, dati e modelli. Per un’organizzazione, però, autonomia significa anche responsabilità: affidabilità, sicurezza, tracciabilità e controllo dei costi diventano requisiti irrinunciabili.
In Revelis affianchiamo le aziende in questo passaggio con un principio guida: rendere l’AI azionabile in modo affidabile, ripetibile e governabile. Di seguito descriviamo la nostra visione per realizzare soluzioni agentiche, incluso l’impiego di Small Language Models on-premise, l’architettura che la rende possibile e un esempio applicativo direttamente fruibile.
Dall’AI generativa all’Intelligenza Artificiale Agentica
Con l’AI generativa l’utente formula una richiesta e ottiene una risposta: testo, codice, una sintesi. Con l’Intelligenza Artificiale Agentica l’utente affida un obiettivo: il sistema scompone il problema, decide quali strumenti utilizzare, esegue i passi necessari e restituisce un risultato operativo. È utile immaginarlo come un collaboratore virtuale a cui delegare le attività ripetitive, che hanno un costo in termini di tempo ma non richiedono una decisione di valore.
Questo cambio di paradigma sblocca casi d’uso ad alto valore, dall’automazione del back-office all’assistenza allo sviluppo software, dalla gestione documentale alla preparazione di offerte complesse, ma introduce una sfida tecnica che, nei contesti regolati, diventa decisiva: l’imprevedibilità dei modelli linguistici.
Il nodo critico dell’adozione in azienda: l’imprevedibilità
Per loro natura, i modelli linguistici possono dare risposte diverse alla stessa domanda. In una chat creativa è un pregio; in un processo aziendale è un rischio. Sul piano pratico l’effetto è duplice.
- Conformità e controllo: difficoltà a riprodurre fedelmente un’azione svolta in passato, registrazioni non sempre complete, ostacoli nel rispettare requisiti normativi e di audit (GDPR, ISO, SOC 2).
- Rischi operativi: comportamenti diversi a parità di richiesta, decisioni non sempre tracciabili, costi non prevedibili.
La visione di Revelis parte da qui: l’autonomia degli agenti va incanalata in un’architettura che separa la decisione (cosa fare) dall’esecuzione (come farlo), rendendo quest’ultima affidabile e ripetibile.
La visione di Revelis: orchestrazione affidabile degli agenti
Con l’Intelligenza Artificiale Agentica il framework agentico di Revelis è organizzato in livelli con responsabilità nette. L’idea portante è semplice: l’AI propone, ma non improvvisa. La sequenza di azioni che produce effetti concreti è definita da procedure prestabilite, registrate e verificabili. Così, a parità di richiesta, il sistema esegue sempre gli stessi passi nello stesso ordine, la condizione necessaria perché un’azienda possa fidarsi di un agente.
I livelli dell’architettura, in parole semplici
- Guardrail (sicurezza). Un filtro che blocca a monte le richieste non pertinenti o non conformi, prima che consumino tempo o risorse.
- Process Catalog (memoria dei processi). L’elenco delle attività che il sistema sa svolgere: per ciascuna, quali dati servono e qual è la procedura corretta da seguire.
- Semantic Router (instradamento). Capisce la richiesta espressa in linguaggio naturale e la indirizza all’attività giusta.
- Estrazione dei dati. Ricava in modo ordinato le informazioni necessarie; se manca qualcosa, chiede chiarimenti invece di “inventare”.
- Motore di esecuzione. Esegue la procedura passo dopo passo, con la possibilità di riprendere da dove si è interrotta e di ricostruire ogni azione per i controlli.
- Catena di sicurezza. Quando il sistema non è abbastanza sicuro, coinvolge livelli successivi fino alla persona, senza mai agire alla cieca.
- Memoria/cache. Riusa decisioni già prese per ridurre tempi e costi, senza mai mettere a rischio i dati o ripetere operazioni delicate.
Come lavora il sistema, passo dopo passo
Ogni richiesta segue percorsi prevedibili: un percorso completo, una scorciatoia quando la risposta è già nota, e un blocco immediato per le richieste non ammesse. Il risultato è un sistema veloce dove può esserlo e prudente dove deve esserlo.
Due scenari di adozione, un’unica architettura
La forza di questo approccio è l’adattabilità: la stessa architettura si cala su due punti di partenza molto diversi, senza che l’azienda debba scegliere fra affidabilità e pragmatismo.
A. Contesti già strutturati: valorizzare ciò che si possiede già
Le organizzazioni che hanno già adottato suite di copilot e modelli in cloud dispongono di un patrimonio tecnologico e di processi di governance e sicurezza su cui conviene capitalizzare. In questi casi Revelis riusa l’infrastruttura esistente e vi aggiunge il livello di orchestrazione: gli agenti diventano affidabili e tracciabili sull’infrastruttura che l’azienda già possiede, con un avvio rapido e senza nuovi investimenti hardware.
B. LLM on-premise: Small Language Models (SLM) per sovranità del dato e controllo dei costi
Le PMI e le organizzazioni che vogliono mantenere i dati all’interno del proprio perimetro per riservatezza, conformità o indipendenza dai fornitori possono adottare Small Language Models eseguiti on-premise: modelli compatti che, grazie a tecniche di ottimizzazione, funzionano su hardware contenuto. Inseriti nell’architettura, alimentano un’esecuzione affidabile e ripetibile dei compiti, con costi prevedibili e pieno controllo del dato. È qui che il lavoro di valutazione dei modelli condotto da Revelis diventa un vantaggio concreto.
Small Language Models (SLM) on-premise: i modelli valutati da Revelis
Non tutti i modelli compatti sono uguali. Revelis ha ampliato la sperimentazione a undici small Language Models orientati al coding, misurandone la correttezza del codice generato su un campione di problemi di test. Il traguardo minimo fissato da Revelis era risolvere almeno il 30% dei problemi campione: lo hanno superato quattro modelli su undici. Il risultato più alto è di Qwen3-Coder-Next (60% di problemi risolti), attualmente in fase di test all’interno di un agente di coding con una finestra di contesto fino a 200K token. Segue Gemma4 26B-A4B (48%), il primo nella lista per i prossimi test in agente. Qwen3-Coder-30B-A3B-Instruct (40%) è già stato integrato in un agente di coding, ma nella pratica si è rivelato lento, pesante e penalizzato da un contesto necessariamente ridotto (32K token).
| Modello | Caratteristiche | Contesti applicativi ideali |
Qwen2.5-Coder 7B (base + instruct fine-tuned) | Modello compatto da 7B parametri, disponibile sia base sia instruct ottimizzata per il coding. Footprint ridotto, eseguibile su workstation o server di fascia media. Nei test Revelis: 8% di problemi risolti. | Assistenza alla scrittura del codice, autocompletamento e refactoring leggero in locale. |
Qwen3.5-Coder 9B (Q4_K_M) | Evoluzione a 9B parametri con migliori capacità di ragionamento sul codice, mantenendo un buon equilibrio tra qualità e risorse richieste. Nei test Revelis: 28% di problemi risolti. | Assistente di sviluppo per il team, generazione di documentazione e basi di codice di media complessità. |
DeepSeek-Coder-V2-Lite-Instruct (16B, ~2,4B attivi) | Versione “lite” specializzata sul codice, architettura Mixture-of-Experts con pochi parametri attivi per token. Nei test Revelis non ha risolto alcun problema del campione (0%): un risultato sotto le attese, da verificare in ulteriori sperimentazioni. | Inferenza locale ed edge con risorse minime — idoneità al coding da riconfermare. |
Qwen3-Coder-30B-A3B-Instruct ★ | Architettura Mixture-of-Experts (~3B parametri attivi su 30B): qualità elevata con costi di inferenza contenuti. Nei test Revelis: 40% di problemi risolti, sopra la soglia minima fissata (30%). Integrato in un agente di coding (Opencode, Cline) si è però rivelato lento e pesante, penalizzato da un contesto necessariamente ridotto a 32K token. | Buon termine di paragone per flussi non agentici; utilizzo diretto in agente da valutare con cautela per latenza e contesto. |
Gemma4 26B-A4B | Modello della famiglia Google Gemma con architettura Mixture-of-Experts (~4B parametri attivi su 26B). Nei test Revelis: 48% di problemi risolti — secondo miglior risultato dopo Qwen3-Coder-Next. | Deployment interamente locale su hardware contenuto; primo candidato Revelis per i prossimi test in agente di coding. |
Codestral 22B | Modello dedicato al codice con ampia copertura multilinguaggio e supporto al completamento contestuale, pensato per stack eterogenei. Nei test Revelis: 6% di problemi risolti. | Repository complessi e multi-linguaggio, completamento del codice su più tecnologie — risultati da confermare. |
Devstral 24B | Modello orientato allo sviluppo software in ottica agentica, pensato per l’uso in coding agent su repository reali. Nei test Revelis: 10% di problemi risolti. | Ambienti di sviluppo strutturati; idoneità all’uso agentico da rivalutare alla luce dei risultati. |
| North-Mini-Code (Cohere) | Modello compatto di classe enterprise della piattaforma North di Cohere, progettato con attenzione a sicurezza e riservatezza del dato. Nei test Revelis: 6% di problemi risolti. | Deployment on-premise enterprise con requisiti di conformità, footprint ridotto — prestazioni di coding da monitorare. |
Qwen3.6 27B | Evoluzione della famiglia Qwen a 27B parametri dedicata al coding. Nei test Revelis: 18% di problemi risolti. | Assistente di sviluppo di media complessità per team e progetti di dimensioni medie. |
Qwen3.6 35B-A3B | Architettura Mixture-of-Experts a 35B parametri (~3B attivi). Nei test Revelis: 40% di problemi risolti, sopra la soglia minima fissata (30%). | Alternativa a Qwen3-Coder-Next per flussi agentici, da adottare se latenza e contesto risultano sostenibili. |
Qwen3-Coder-Next ★ | Architettura Mixture-of-Experts da 80B parametri (~3B attivi): il modello con i risultati migliori nei test Revelis finora. Nei test Revelis: 60% di problemi risolti. | Scenari agentici più esigenti, attività autonome in più passi e orchestrazione di strumenti; attualmente in fase di test in un agente di coding (Opencode) con contesto fino a 200K token. |
★ Modelli testati anche integrati con agenti di coding, all’interno di flussi agentici.
Un caso concreto: automatizzare il processo delle gare d’appalto grazie all’Intelligenza Artificiale Agentica
Per capire dove gli agenti generano un vantaggio competitivo reale, conviene partire da un processo che molte aziende conoscono bene: la partecipazione alle gare d’appalto. È l’esempio perfetto di processo complesso, ad alto valore e con molte persone coinvolte, in cui oggi gran parte del lavoro è manuale.
Perché è un processo difficile (e costoso) senza l’uso dell’Intelligenza Artificiale Agentica
Un’organizzazione strutturata può partecipare a centinaia o migliaia di gare ogni anno. Ogni gara porta con sé una mole impressionante di documenti: capitolati, disciplinari e allegati che superano spesso le 200 pagine, talvolta con migliaia di “lotti” da esaminare uno per uno. Tutto questo va letto, interpretato e trasformato in un’offerta entro scadenze rigide e con regole che cambiano da ente a ente.
Il lavoro tocca molte funzioni: l’ufficio gare, il commerciale, gli esperti tecnici, l’amministrazione, il controllo di gestione, fino a chi firma. Oggi si coordinano in gran parte via email e fogli di calcolo, con un effetto a catena: lo stesso capitolato viene letto da più persone, e le ore si moltiplicano. Soprattutto, il margine di errore è minimo: un solo requisito letto male, o un’offerta non conforme, significa l’esclusione dalla gara e la perdita dell’opportunità.
Come interviene l’Intelligenza Artificiale Agentica
Revelis affronta questo processo con l’Intelligenza Artificiale Agentica . Grazie a un sistema multi-agente, un orchestratore coordina più agenti specializzati, ciascuno responsabile di una fase. L’output di un agente alimenta il successivo, fino alla bozza di offerta. Nessun agente “decide” da solo: ognuno prepara, verifica e propone, lasciando alle persone le scelte che contano.
- Scouting & Triage. Monitora i portali, individua le gare pertinenti e assegna un punteggio di convenienza: si concentra l’attenzione dove vale davvero la pena partecipare.
- Analisi del bando. Legge capitolato e disciplinare ed estrae lotti, requisiti, criteri, scadenze e cause di esclusione, citando sempre documento e pagina di provenienza così ogni informazione è verificabile.
- Checklist & Buste. Genera la lista dei documenti per la busta amministrativa, tecnica ed economica, segnala cosa è già pronto e distribuisce i compiti alle persone giuste.
- Supporto al prezzo. Combina la formula della gara, i costi e una stima dei concorrenti per proporre un prezzo motivato e diverse simulazioni. Propone e spiega: la decisione finale resta umana.
- Simulazione della qualità. Si mette “nei panni della commissione”: applica la griglia di valutazione, stima il punteggio della propria offerta e indica come colmare i divari per avvicinarsi al massimo.
- Bozze & Memoria. Prepara le bozze di offerta sui modelli aziendali, senza partire dal foglio bianco, e costruisce una memoria storica del mercato prezzi, esiti, gare simili utile per le partecipazioni future.
Il vantaggio competitivo per le aziende che usano l’Agentic AI
Impiegare l’Intelligenza Artificiale Agentica significa che l’effetto combinato di questi agenti non è solo “fare prima”: è competere meglio. Riducendo drasticamente il tempo di preparazione, l’azienda può partecipare a più gare comprese quelle oggi scartate per mancanza di tempo e concentrarsi su quelle più vincibili. La riduzione degli errori di conformità protegge dalle esclusioni. Una preparazione strutturata aiuta a non lasciare soldi sul tavolo: un’offerta più accurata alza il prezzo medio a cui ci si aggiudica le gare. E la memoria storica trasforma anche le gare perse in intelligence di mercato riutilizzabile.
Governance ed evoluzione controllata con l’Intelligenza Artificiale Agentica
Impiegare l’Intelligenza Artificiale Agentica significa usare un sistema agentico aziendale che non è statico: deve crescere senza perdere il controllo. Nel framework Revelis ogni nuova capacità nasce come attività nel catalogo dei processi e segue un percorso di governo bozza, verifica delle sovrapposizioni, prova “in ombra” (attivazione in parallelo senza eseguire, per misurarne l’affidabilità su casi reali), approvazione e messa in produzione. Ogni intervento umano diventa così un’occasione di apprendimento, che arricchisce il sistema in modo tracciato.
Il risultato è un’AI che osserva, registra e migliora: ogni passaggio è documentato, a beneficio di controllo, sicurezza e ottimizzazione continua.
La visione di Revelis, in sintesi
Introdurre l’AI generativa e l’Intelligenza Artificiale Agentica in azienda non significa rinunciare al controllo. Significa progettare un’architettura in cui l’affidabilità nasce dalla separazione tra decisione ed esecuzione, la sicurezza precede ogni elaborazione e l’esecuzione segue procedure definite, non scelte improvvisate. Che si parta da un ecosistema copilot già strutturato o da una scelta on-premise basata su Small language Models, e che si tratti di automatizzare il back-office o di vincere più gare, l’obiettivo è lo stesso: agenti affidabili, sicuri e governabili, capaci di generare valore misurabile.
Mini-glossario per non addetti ai lavori
È la nostra interpretazione del principio che guida Revelis da sempre: making AI actionable.
AI generativa — Sistemi che producono contenuti (testo, immagini, codice) in risposta a una richiesta.
AI agentica — Sistemi che non si limitano a rispondere, ma eseguono attività delegate, coordinando più passaggi.
Agente — Un “collaboratore virtuale” software specializzato in un compito; più agenti possono cooperare.
Orchestratore — Il coordinatore che assegna i compiti agli agenti e ne compone i risultati.
LLM / Small-LLM — Il modello linguistico che “ragiona” sul testo; gli small-LLM sono versioni compatte, eseguibili su hardware contenuto.
On-premise — Tecnologia installata e gestita all’interno dell’azienda, anziché in cloud: i dati restano in casa.
Human-in-the-loop — L’approccio in cui la persona valida e approva ciò che l’AI propone, mantenendo il controllo.
| Vuoi valutare l’AI agentica nella tua azienda? Revelis affianca imprese e PMI nella progettazione di soluzioni agentiche, dall’analisi dei modelli all’architettura di orchestrazione, in cloud o on-premise. Scrivici a info@revelis.eu |
Autori
Achille Abritta – Enterprise Solution Engineer in Revelis
Francesco Cupello – Enterprise Solution Engineer in Revelis
Luigi Granata – Enterprise Solution Engineer in Revelis
