Come costruire un agente AI in azienda: guida pratica senza developer

Stefano Giurin — SEO Strategist e consulente AI per PMI B2B. Founder di DNArt, ha guidato l’implementazione di agenti AI in oltre 12 PMI B2B italiane nel 2024-2025.

Questo articolo fa parte del cluster Agenti AI per PMI B2B. Se non hai ancora chiaro cosa sono gli agenti AI, leggi prima la guida introduttiva.

In sintesi

Costruire il primo agente AI in azienda richiede 4 componenti: un modello LLM (il cervello), strumenti digitali collegati (le mani), una memoria, e un orchestratore che li fa parlare tra loro. Con piattaforme no-code come n8n o Flowise, si può costruire un agente funzionante in 6-10 ore senza scrivere codice.

Numeri chiave:

• Tempo per il primo agente funzionante (no-code): 6-10 ore
• Costo setup fai-da-te: 30-100€/mese (piattaforma + API LLM)
• Errori evitabili nel 90% dei casi: partire da un processo troppo complesso

Introduzione

La barriera per costruire un agente AI non è più tecnica.

Tre anni fa, costruire un sistema autonomo richiedeva conoscenza di Python, API di LLM, database vettoriali e qualche notte di debug. Oggi le piattaforme no-code ti danno un’interfaccia visuale dove colleghi blocchi come in un diagramma di flusso.

Il vero ostacolo non è il codice. È sapere da dove cominciare.

Questa guida ti porta dalla domanda “vorrei costruire un agente AI” all’agente funzionante e in produzione, step per step.

I 4 componenti di un agente AI (e perché servono tutti)

Prima di toccare qualsiasi strumento, devi capire cosa stai costruendo. Un agente AI ha 4 componenti. Senza uno di questi, non è un agente — è qualcosa di meno.

1. Il modello LLM (il cervello)

È il motore che ragiona, interpreta e decide. I modelli principali per uso aziendale:

• GPT-4o (OpenAI): bilanciato, buona velocità, ottimo per agenti che scrivono testi
• Claude 3.5 Sonnet (Anthropic): eccellente nel seguire istruzioni complesse e ragionare su documenti lunghi
• Gemini 1.5 Pro (Google): finestra di contesto enorme, buono per agenti che devono leggere molti documenti

Per una PMI che parte, GPT-4o è il default più sicuro: documentazione abbondante, supporto tecnico disponibile, costi prevedibili.

2. Gli strumenti (le mani)

Gli strumenti sono le azioni che l’agente può eseguire nel mondo. Senza strumenti, un LLM risponde solo alle domande. Con gli strumenti, agisce.

Strumenti tipici per agenti B2B:

• Lettura e scrittura email (Gmail API, Outlook API)
• Aggiornamento CRM (HubSpot, Pipedrive, Salesforce API)
• Ricerca web (Serper, Tavily)
• Lettura di file PDF e documenti
• Invio notifiche Slack o Teams
• Query su database aziendali

3. La memoria

La memoria determina cosa l’agente “ricorda” tra una sessione e l’altra. Senza memoria, ogni conversazione riparte da zero.

Ci sono tre tipi che ti servono:

• Memoria di sessione: cosa è successo in questa conversazione (gestita nativamente dall’LLM)
• Memoria di lungo periodo: informazioni che persistono — preferenze dei clienti, storico conversazioni, dati dell’azienda. Si implementa con un database vettoriale (Pinecone, Qdrant, Supabase) o anche solo con un Google Sheet per casi semplici
• Knowledge base: documenti dell’azienda che l’agente può consultare (listino prezzi, FAQ prodotto, contratti tipo). Si carica una volta e rimane disponibile

4. L’orchestratore

È la piattaforma che fa parlare LLM, strumenti e memoria tra loro. È dove “costruisci” l’agente. Le opzioni principali: n8n, Flowise, Make (con nodi AI), CrewAI (per chi sa Python).

Quale piattaforma scegliere: il confronto pratico

Piattaforma	Codice richiesto	Costo	Memoria LT	Ideale per
Flowise	No	0€ (self-hosted) + VPS	Sì (vettoriale)	Primo agente, chatbot su documenti
n8n	No (visual)	20-50€/mese (cloud)	Sì (nodo Vector Store)	Agenti integrati in workflow esistenti
Make	No	9-29€/mese	Limitata	Automazioni semplici, pochi step decisionali
LangChain/CrewAI	Python	Solo API LLM	Sì (molto flessibile)	Architetture avanzate, developer disponibile
AutoGen (Microsoft)	Python	Solo API LLM	Sì	Multi-agente, aziende con stack Azure

Per approfondire la scelta dello strumento in relazione ai workflow di automazione, leggi automazione workflow AI per B2B.

Come costruire il primo agente in 6 passi

Questo tutorial usa n8n come orchestratore e GPT-4o come LLM. Si può replicare su Flowise con passaggi analoghi.

Passo 1 — Scegli il processo (30 minuti)

Il primo agente deve soddisfare tre criteri: input definito, output verificabile, basso rischio. Non partire dal processo più importante: parti dal più semplice.

Buoni candidati: risposta automatica alle FAQ del sito, qualifica di lead con criteri chiari, generazione di report settimanali dal CRM, follow-up automatici post-evento.

Passo 2 — Configura l’account e le API (1 ora)

1. Crea un account n8n Cloud (o installa su VPS con Docker)
2. Crea un account OpenAI e genera una API key
3. Collega le API dei tuoi strumenti (Gmail, HubSpot, ecc.) tramite le credenziali n8n
4. Verifica che tutte le connessioni funzionino con i nodi di test

Passo 3 — Costruisci l’architettura del flusso (2 ore)

In n8n, ogni agente ha questa struttura base:

1. Trigger (webhook, schedule, email in arrivo)
2. Nodo AI Agent (collega il modello LLM)
3. Tool (i nodi azioni: aggiorna CRM, manda email, cerca online)
4. Memoria (nodo Memory per la sessione, Vector Store per LT)
5. Output (risposta, notifica, aggiornamento)

Costruisci il flusso collegando questi blocchi visualmente. Il nodo “AI Agent” di n8n gestisce automaticamente il loop ragionamento-azione-ragionamento.

Passo 4 — Scrivi il system prompt (2 ore)

Il system prompt è la parte più importante. È qui che definisci chi è l’agente, cosa può fare, come deve comportarsi.

Struttura base di un buon system prompt:

1. Ruolo: “Sei l’assistente commerciale di [Nome Azienda]…”
2. Obiettivo: “Il tuo compito è qualificare i lead in entrata e scrivere il primo messaggio di contatto…”
3. Contesto: informazioni sull’azienda, sul prodotto, sull’ICP
4. Regole: cosa puoi fare, cosa non puoi fare, quando escalare
5. Tono: esempi di email già inviate che hanno funzionato

Il prompt si affina con i primi 20-30 test. Aspettati di riscriverlo 3-5 volte.

Passo 5 — Testa con casi reali (1 ora)

Non testare con dati fittizi. Usa lead, email e situazioni reali del tuo contesto. Guarda cosa fa l’agente in ogni caso, confrontalo con cosa avresti fatto tu, correggi il prompt dove si discosta.

Testa almeno 20 casi prima di considerarlo pronto.

Passo 6 — Metti in produzione con supervisione attiva (prime 2 settimane)

Non lasciarlo girare senza controllo. Nella prima settimana, rivedi ogni output prima che venga inviato. Nella seconda, supervisione campionaria (1 output su 5). Dal terzo mese, supervisione spot.

Configura sempre un alert Slack o email quando l’agente fa qualcosa di insolito o va in errore.

I 3 errori più comuni nella costruzione del primo agente

Errore 1: prompt troppo vago. “Sei un assistente commerciale utile” non funziona. L’agente ha bisogno di contesto dettagliato: chi sei, cosa vendi, a chi vendi, come parli. Più specifico il prompt, più preciso l’agente.

Errore 2: troppi strumenti subito. Inizia con 2-3 strumenti. Ogni strumento che aggiungi aumenta la complessità del ragionamento dell’agente e i possibili punti di fallimento. Aggiungi strumenti uno alla volta, solo dopo che quelli esistenti funzionano bene.

Errore 3: nessuna supervisione nei primi 30 giorni. Un agente non monitorato può fare danni silenziosi: email sbagliate, aggiornamenti CRM errati, prospect che ricevono messaggi inadeguati. La supervisione attiva nelle prime settimane è non negoziabile.

Per capire perché i progetti multi-agente falliscono più spesso di quelli semplici, leggi architetture multi-agent AI: perché il 40% dei progetti fallisce.

Fonti e metodo

Le stime di tempo (6-10 ore per il primo agente) e i benchmark di errore derivano dall’analisi di 12 implementazioni in PMI B2B italiane seguite da DNArt nel 2024-2025. I costi delle piattaforme sono aggiornati a giugno 2026. La struttura del tutorial è basata su n8n 1.x e GPT-4o (gpt-4o-2024-11-20).

Domande frequenti

Posso costruire un agente AI con ChatGPT senza account OpenAI?

R: ChatGPT non è un agente — è un’interfaccia conversazionale. Per costruire agenti che agiscono in autonomia (aggiornano CRM, mandano email, eseguono azioni) serve accedere alle API di OpenAI o di altri provider, non ChatGPT. L’account API è separato dall’account ChatGPT e si paga a consumo.

Quanti token consuma un agente AI al mese?

R: Dipende dal volume di operazioni e dalla lunghezza dei prompt. Un agente commerciale che gestisce 100 lead/mese con GPT-4o consuma orientativamente 500.000-1.500.000 token al mese, pari a 10-45€ di API. Usa il monitoraggio dei token in n8n o direttamente nella dashboard OpenAI per controllare i costi.

Il mio CRM è compatibile con n8n?

R: n8n ha integrazioni native con HubSpot, Salesforce, Pipedrive, Zoho CRM, Copper, e decine di altri. Se il tuo CRM ha API REST, puoi collegarlo via nodo HTTP generic. Se non ha API esposte (CRM molto vecchi o gestionali proprietari), serve sviluppo aggiuntivo.

Posso usare modelli open source invece di GPT?

R: Sì. Modelli come Llama 3 (Meta) o Mistral possono girare su server locali (con Ollama) o su provider cloud (Groq, Together.ai) a costi più bassi. La qualità del ragionamento è inferiore a GPT-4o e Claude per compiti complessi, ma sufficiente per molte automazioni B2B standard. Valuta in base alla sensibilità dei dati e al budget.

Dopo quanto tempo l’agente “impara” dal mio business?

R: L’agente non impara autonomamente in modo continuo (non è machine learning classico). Migliora quando aggiorni il system prompt, aggiungi esempi alla knowledge base o affini le regole di qualifica. Con Flowise o n8n puoi aggiungere una memoria vettoriale che fa crescere la base di conoscenza nel tempo — ma richiede configurazione esplicita.

Hai bisogno di supporto per il primo agente AI?

In DNArt affianchiamo PMI B2B nell’implementazione degli agenti AI: dalla scelta del processo alla configurazione, al testing e al monitoraggio in produzione.

Prenota una call gratuita — 30 minuti per capire se e come ha senso per il tuo caso.