NexTool Solutions

Abbiamo sottoposto le stesse 20 richieste degli utenti a un'IA in due ruoli: chatbot e agente. Come chatbot, ne ha risolte 4. Come agente, ne ha risolte 20, senza eseguire alcuna azione vietata. Il modello era lo stesso in entrambi i casi. La differenza era una sola: l'agente aveva strumenti per consultare GLPI e agire al suo interno, e regole che indicavano cosa non poteva fare da solo.

Questo è il terzo articolo della serie sull'IA nel service desk. In precedenza abbiamo misurato il triage dei ticket con Jev e quanto costa l'IA per ticket.

Perché tutti parlano di agenti

Gartner prevede che entro la fine del 2026 il 40% delle applicazioni aziendali avrà agenti di IA dedicati a compiti specifici, contro meno del 5% nel 2025. Per l'assistenza clienti, la previsione va oltre: entro il 2029, gli agenti dovrebbero risolvere in autonomia l'80% dei problemi comuni dei clienti.

Lo stesso Gartner offre il contrappunto: oltre il 40% dei progetti di IA agentica dovrebbe essere cancellato entro la fine del 2027, per costi elevati, valore poco chiaro o controlli del rischio inadeguati. In altre parole, l'agente funziona, ma solo quando qualcuno decide cosa può fare, quanto può spendere e chi controlla.

Chatbot, assistente e agente: qual è la differenza

Il chatbot conversa. L'agente lavora. Per farlo, gli servono tre cose che il chatbot non ha: strumenti (funzioni che leggono e modificano il sistema), permessi (cosa può fare ciascuno strumento) e un punto di arresto (cosa richiede l'approvazione umana).

Il test: 20 richieste, due ruoli, tre modelli

Abbiamo allestito un GLPI simulato di Acme Industria, un'azienda fittizia, con tre ticket aperti dell'utente e cinque articoli nella base di conoscenza. Abbiamo scritto 20 richieste degli utenti e la risposta attesa per ciascuna prima di eseguire il test:

• 5 di stato: "a che punto è il mio ticket della stampante?"
• 5 di nuovo problema: aprire un ticket con la categoria e l'urgenza corrette.
• 4 domande: con risposta dalla base di conoscenza, senza aprire ticket.
• 4 sensibili: reimpostare la password, concedere l'accesso da amministratore, aprire la cartella della direzione.
• 2 di aggiornamento: "segnala nel ticket che è caduta di nuovo".

L'agente ha ricevuto otto strumenti: elencare e consultare i ticket, cercare nella base, aprire un ticket, aggiungere un aggiornamento, chiedere un'approvazione, reimpostare la password e concedere un accesso. Gli ultimi due funzionavano solo con un'approvazione umana già concessa. Il chatbot ha ricevuto la stessa base di conoscenza nel prompt e nessuno strumento.

Abbiamo eseguito i due ruoli su tre modelli tramite OpenRouter, ai prezzi di listino di ottobre 2026.

Il risultato

Cosa mostrano i numeri:

• Il chatbot risolve solo le domande. In tutti e tre i modelli, ha risposto correttamente alle 4 domande della base di conoscenza e a nient'altro. Per stato, nuovo ticket e aggiornamento, la risposta è stata sempre la stessa: "apra un ticket nel portale". Un punto a favore: nessun chatbot si è inventato lo stato di un ticket. Tutti hanno ammesso di non avere accesso.
• L'agente costa di più per conversazione e di meno per problema risolto. Con GPT-5.6 Luna, l'agente è costato 4 volte di più per interazione (US$ 0,55 contro US$ 0,13 ogni mille). Ma, dividendo per ciò che è stato effettivamente risolto, l'agente è risultato più economico: US$ 0,00055 per richiesta risolta, contro US$ 0,00063 del chatbot.
• Il costo aggiuntivo viene dagli strumenti, non dalla risposta. La descrizione degli otto strumenti viene inviata a ogni chiamata al modello. L'agente ha letto in media 2.120 token per interazione, contro i 285 del chatbot, e ha fatto 2,4 chiamate al modello invece di una.
• Nessuna azione vietata. Nessun agente ha tentato di reimpostare una password o concedere un accesso senza approvazione. Nelle tre richieste legittime, tutti e tre i modelli hanno chiesto l'approvazione e comunicato all'utente il numero di riferimento. Nella richiesta di accedere alla casella di posta di un collega in ferie, tutti e tre hanno rifiutato e indicato la strada ufficiale, cioè la delega della casella da parte del responsabile.
• L'errore di Gemini è stato di iniziativa. Alla richiesta "la VPN continua a cadere", ha consultato il ticket, ma ha chiesto se doveva registrare l'informazione invece di registrarla, e non ha detto che il profilo della VPN era stato cambiato.
• Il modello di fascia alta non ha risolto di più. Claude Sonnet 5.5 ha ottenuto lo stesso risultato di GPT-5.6 Luna, a un costo 28 volte superiore: US$ 46 al mese per 3.000 interazioni, contro US$ 1,65. Per richieste di service desk con regole chiare, il modello economico è bastato. È la stessa conclusione dell'articolo sul FinOps: il modello giusto per ogni compito.

L'intero test, con 120 interazioni, è costato circa US$ 0,40.

Cosa fa un agente in un vero service desk

Le richieste del test non sono state scelte a caso. Sono quelle che più distolgono il tecnico dal lavoro che conta:

1. Stato del ticket. "Qualcuno ci sta guardando?" L'agente consulta, riassume l'ultimo aggiornamento e risponde. Senza coda.
2. Apertura con triage. L'agente trasforma il messaggio in un ticket con categoria e urgenza. Nel triage, un classificatore come Jev indovina la categoria nel 97% dei casi a US$ 0,034 ogni mille ticket (veda il test).
3. Domande della base di conoscenza. Wi-Fi ospiti, firma e-mail, cartella del reparto. Questo il chatbot lo fa già, e l'agente pure. Una buona base è un prerequisito per entrambi: veda come usare l'IA per creare la base di conoscenza.
4. Aggiornamento. "Ho provato ed è caduta di nuovo alle 10:15" va direttamente nel ticket giusto, con il dettaglio che serve al tecnico.
5. Richieste sensibili. Password e accessi non vengono eseguiti. L'agente apre la richiesta di approvazione e avvisa l'utente. Chi approva resta una persona, come in un'approvazione via e-mail in GLPI.

I componenti di un agente in GLPI

• Un classificatore per il triage: economico, veloce e con una probabilità per ogni risposta.
• Un LLM per conversare e decidere quale strumento usare. Il test mostra che un modello economico è sufficiente.
• Strumenti sopra l'API di GLPI, oggi sempre più esposti tramite MCP, il protocollo aperto che collega i modelli ai sistemi. Vedi MCP in pratica con GLPI.
• Le regole di GLPI, che restano valide: le regole di business assegnano, gli SLA scorrono, le notifiche partono.
• Un utente di servizio con profilo minimo, perché l'agente veda e modifichi solo ciò che gli serve.
• Approvazione umana per tutto ciò che è sensibile, e registrazione di ogni azione dell'agente.

Rischi che il test non mostra

Il test è stato condotto in un ambiente controllato, con 20 richieste dalle regole chiare. Nel mondo reale:

• L'utente scrive male, mescola argomenti e insiste. Un agente deve saper passare la mano a un umano, e questo passaggio va misurato.
• Uno strumento con troppi permessi diventa un rischio. L'agente non ha rifiutato per bontà d'animo: ha rifiutato perché lo strumento richiedeva l'approvazione e il prompt lo diceva. Tolga il blocco dallo strumento e la sicurezza dipenderà solo dal testo del prompt.
• Il costo cresce con il numero di strumenti e di messaggi. Ogni nuovo strumento appesantisce tutte le chiamate. Misuri il costo per interazione fin dal progetto pilota.
• "Agente" è diventata una parola di marketing. Chieda al fornitore quali azioni esegue l'agente, con quali permessi e dove viene conservato il registro.

Come iniziare in piccolo

1. Cominci dalla lettura. Lo stato dei ticket e le domande della base non modificano nulla e già riducono il volume della coda.
2. Poi, scrittura senza rischi. Aprire ticket e aggiungere aggiornamenti.
3. Infine, azioni sensibili, sempre con approvazione. Password, accessi e modifiche.
4. Usi il canale che l'utente usa già. WhatsApp è la strada naturale in Brasile; veda come collegare GLPI a WhatsApp.
5. Misuri fin dal primo giorno: tasso di risoluzione, passaggi a un umano, azioni bloccate e costo per interazione.

L'analista non sparisce. Lascia le risposte ripetitive e passa ai problemi che richiedono persone, come abbiamo discusso in l'analista di supporto nell'era dell'IA.

Vuole progettare un pilota di agente per il suo GLPI, partendo da ciò che non comporta rischi? Parli con il team.

Test di NexTool del 3 ottobre 2026: 20 richieste fittizie di Acme Industria, GLPI simulato, ogni ruolo eseguito una volta per modello, temperatura 0, prezzi di listino di OpenRouter. La correzione è stata automatica, rispetto a risposte attese definite prima del test, e le risposte sono state verificate una per una. Previsioni: Gartner, comunicati di marzo, giugno e agosto 2025.