Da AI assistita ad agentic AI per data work

Il passaggio da AI assistita ad agentic AI nel lavoro sui dati pone una domanda pratica: come sfruttare l’autonomia di un agente senza trasformare l’analisi in una sequenza di risposte che nessuno può verificare. Il punto non è chiedere all’AI di “fare analisi”, ma progettare un flusso in cui domanda, dati, controlli e decisioni restano tracciabili dall’inizio alla fine.

Questa lezione apre il modulo dedicato all’agentic AI applicata ad analisi dati, data engineering e AutoML, e collega i moduli precedenti a un modo di lavorare diverso. L’idea è guadagnare velocità e copertura sul lavoro sui dati senza cedere la proprietà su definizioni, soglie, segmenti e raccomandazioni.

Il problema da risolvere

Marketing, prodotto e data team devono spesso decidere cosa correggere per primo: il funnel, il tracking, una campagna, un modello o una pipeline. Senza un workflow agentico, l’analista perde ore in passaggi ripetitivi. Con un agente usato male, ottiene spiegazioni che suonano convincenti ma reggono poco alla prima verifica. La scelta operativa è capire quando l’AI assistita basta e quando serve invece un workflow agentico governato, capace di esplicitare dati, assunzioni e controlli minimi.

Come ragionare sul confine

Conviene tenere insieme quattro livelli. Il compito riguarda quale parte del lavoro accelera l’AI: una bozza di query, il profilo di un dataset, una checklist AutoML, un memo. Il contesto riguarda le informazioni che rendono utile l’output, cioè schema, metrica, periodo, segmento e policy. Il controllo riguarda il modo in cui scopri che l’output è sbagliato, attraverso test sul grain, baseline, verifiche di leakage e review dell’owner. La decisione riguarda l’azione che segue se il controllo regge: correggere una pipeline, lanciare un esperimento, fare deploy o formulare una raccomandazione.

Livello	Cosa chiarire	Esempio nel data work
Compito	Quale parte del lavoro accelera l’AI?	Bozza query, profilo dati, checklist AutoML, memo
Contesto	Quali informazioni rendono utile l’output?	Schema, metrica, periodo, segmento, policy
Controllo	Come scoprire se l’output è sbagliato?	Test grain, baseline, leakage, review owner
Decisione	Quale azione segue se il controllo regge?	Fix pipeline, esperimento, deploy, raccomandazione

Questo modo di ragionare evita due errori opposti. Il primo è usare l’AI solo come autocomplete testuale. Il secondo è darle autonomia su decisioni che richiedono giudizio di business. La competenza professionale sta proprio nel tracciare quel confine.

Formalizzare il passaggio

Per analizzare il passaggio da AI assistita ad agentic AI conviene definire l’unità di lavoro, che può essere un task, una tool call, uno stato, uno step di workflow o una decisione automatizzabile. A questa unità si collegano i segnali osservabili: autonomia utile, interventi umani, errori bloccati, tempo ciclo e tracciabilità. La decisione attesa resta quella di scegliere quando basta l’AI assistita e quando serve un workflow agentico governato.

Elemento	Specifica richiesta
Unità di analisi	task, tool call, stato, step di workflow o decisione automatizzabile
Segnale principale	autonomia utile, interventi umani, errori bloccati, tempo ciclo e tracciabilità
Baseline	Processo manuale, periodo precedente, gruppo comparabile o modello attuale
Decisione	scegliere quando basta AI assistita e quando serve un workflow agentico governato
Guardrail	Privacy, costo, qualità dati, interpretabilità, ownership e rischio operativo
Rischio principale	costruire agenti per compiti che richiedono solo prompt migliori e ownership umana

La formalizzazione tiene solo se un reviewer riesce a riprodurre la logica, criticare le assunzioni e arrivare alla stessa decisione partendo dagli stessi dati. Quando il risultato dipende da conversazioni che nessuno ha registrato, il workflow non è ancora maturo.

Un caso concreto

Un team analytics passa dalla chat libera a un workflow strutturato. L’agente raccoglie il contesto, genera i controlli, propone le query e chiede approvazione prima di accedere a dati sensibili o produrre l’output finale. La differenza non sta nella velocità ma nel fatto che ogni passaggio lascia una traccia leggibile.

Evidenza osservata	Lettura prudente	Azione consigliata
Il workflow produce output più rapidamente	La velocità è utile solo se non abbassa qualità e controllo	Confrontare con baseline manuale e review indipendente
Il modello propone spiegazioni plausibili	La plausibilità linguistica non è prova empirica	Tradurre ogni spiegazione in controllo su dati o processo
Il risultato migliora una metrica	Potrebbe esserci effetto composizione, leakage o stagionalità	Segmentare, verificare guardrail e monitorare nel tempo

Un buon caso si chiude con una decisione difendibile: cosa automatizzare, cosa tenere manuale, quale metrica monitorare e quale condizione fermerebbe il processo.

Il workflow in cinque passaggi

Il flusso si articola in cinque momenti che restano gli stessi qualunque sia lo strumento. Si parte dalla decisione da migliorare, con verbo operativo e owner. Si passa al contesto dei dati, cioè fonti, grain, periodo e limiti. Poi il supporto AI, dove si decide quale parte accelerare con un prompt, un tool o una checklist. Segue la verifica, che individua l’errore capace di cambiare la conclusione attraverso controllo, guardrail e baseline. Si chiude con l’handoff: chi decide e con quale criterio, consegnando un memo, un ticket, un modello o una dashboard.

Passaggio	Domanda guida	Output minimo
Decisione	Quale scelta deve migliorare?	Verbo operativo e owner
Contesto	Che cosa sappiamo dei dati?	Fonti, grain, periodo, limiti
Supporto AI	Quale parte può essere accelerata?	Prompt, tool o checklist
Verifica	Quale errore potrebbe cambiare la conclusione?	Controllo, guardrail, baseline
Handoff	Chi decide e con quale criterio?	Memo, ticket, modello o dashboard

Lo schema vale per analisi esplorativa, SQL, data engineering, AutoML e workflow agentici. Nessun output diventa evidenza finché non è collegato a una fonte, a un controllo e a una decisione.

Gli errori che si ripetono

L’errore più comune è usare questo passaggio come etichetta invece che come processo, mostrando un output senza spiegare dati, controlli e decisione. Il secondo errore è scambiare la produttività del singolo per l’affidabilità dell’organizzazione. Il terzo è non aver deciso in anticipo quali azioni sono permesse, quali richiedono approvazione e quali sono vietate.

La correzione richiede tre righe scritte prima di partire. La prima fissa la decisione concreta che vogliamo migliorare. La seconda indica il dato o il controllo che può sostenerla. La terza dichiara il rischio che ci farebbe fermare o chiedere una review.

Riga	Contenuto
Decisione	Quale scelta concreta vogliamo migliorare
Evidenza	Quale dato o controllo può sostenere la scelta
Stop	Quale rischio ci farebbe fermare o chiedere review

Se manca anche solo una di queste righe, il workflow non è pronto. L’AI può ancora aiutare l’esplorazione, ma non un processo decisionale stabile.

Esercitarsi sul passaggio

Per cominciare, scrivi una scheda sintetica del passaggio: la decisione da supportare, gli input richiesti, l’output atteso, il controllo minimo e il rischio principale. Tieniti su un caso semplice, come una variazione di conversione o un modello forecast da valutare.

Quando sei a tuo agio, costruisci una tabella con tre scenari, cioè workflow manuale, AI assistita e automazione più spinta, e per ognuno annota tempo stimato, qualità attesa, rischio operativo, controllo necessario e owner finale.

Il passo più ambizioso è un decision memo revisionabile con ipotesi, dati richiesti, criteri di esclusione, controlli di qualità, soglia decisionale, rischio residuo e piano di monitoraggio. Aggiungi una sezione che descriva cosa farebbe cambiare idea al team.

Come materiali, usa una mappa dei processi del data team, esempi di task ricorrenti, le policy di accesso ai dati e i log degli interventi umani. Se non hai dati reali, costruisci un dataset sintetico con almeno 200 righe, una dimensione temporale, un segmento, una metrica primaria e un campo per gli errori di qualità.

Domande di verifica

Prima di proseguire vale la pena rispondere a cinque domande. Quale decisione concreta dovrebbe migliorare questa lezione. Quale parte del workflow può essere delegata all’AI e quale deve restare sotto un owner umano. Quale baseline useresti per misurare se il nuovo processo migliora davvero. Quale failure mode potrebbe rendere pericoloso un output che sembra corretto. Quale artefatto consegneresti a uno stakeholder, scegliendo tra memo, dashboard, query review, model card, runbook o checklist.

Se non riesci a rispondere in modo specifico, torna al problema reale prima di continuare. Una risposta generica spesso significa che hai automatizzato troppo presto.

Riferimenti tecnici essenziali

• OpenAI Agents SDK: https://developers.openai.com/api/docs/guides/agents
• LangGraph overview: https://docs.langchain.com/oss/python/langgraph/overview
• LangGraph workflows and agents: https://docs.langchain.com/oss/python/langgraph/workflows-agents

Riepilogo operativo

Il passaggio da AI assistita ad agentic AI diventa utile quando produce una decisione più chiara, non quando aggiunge solo terminologia nuova. Il ciclo decisione, contesto, supporto AI, verifica e handoff serve a trasformare la lezione in pratica verificabile.

La regola finale è semplice. Più il workflow usa tool, stato, approvazioni e tracce, più deve essere osservabile. Un output che non puoi ricostruire, revisionare o fermare non è automazione professionale, è solo velocità che nessuno governa.