Scopri folk il CRM per le aziende basate sulle persone
Un chatbot attende il prossimo comando. Un agente di intelligenza artificiale continua a lavorare. È in grado di interpretare un obiettivo, ricavare informazioni dal contesto in tempo reale, scegliere uno strumento, agire, valutare il risultato e adeguare il proprio approccio senza ricevere istruzioni ad ogni singolo passo.
Allora, come funzionano gli agenti di intelligenza artificiale nel 2026? Operano attraverso un ciclo decisionale iterativo basato su un modello linguistico, dati aziendali, memoria, strumenti e meccanismi di controllo. Un assistente alle vendite basato sull’IA, ad esempio, può cercare nel CRM le trattative in stallo, esaminare la cronologia delle interazioni, identificare il probabile ostacolo, preparare un piano di recupero e aggiornare i campi approvati. Il modello fornisce il ragionamento, ma l’architettura dell’agente trasforma tale ragionamento in un’esecuzione controllata.
Come funzionano gli agenti di intelligenza artificiale? La risposta breve
Gli agenti di intelligenza artificiale operano attraverso un ciclo continuo di ragionamento e azione:
Obiettivo → contesto → piano → utilizzo dello strumento → osservazione → adeguamento → completamento
L'agente parte da un obiettivo piuttosto che da una sequenza rigida di clic. Esamina le informazioni disponibili, decide quale debba essere la mossa successiva e richiama lo strumento appropriato. Tale strumento potrebbe effettuare una ricerca in un CRM, eseguire una query su un database, aprire una pagina web, eseguire del codice o aggiornare un record aziendale.
Lo strumento restituisce un'osservazione: dati, una conferma, un errore o un risultato inaspettato. L'agente aggiunge tale osservazione al proprio contesto operativo e sceglie l'azione successiva. Il ciclo prosegue finché l'attività non soddisfa i criteri di completamento o non richiede l'intervento umano.
Si consideri una richiesta volta a individuare opportunità di vendita trascurate. L'agente potrebbe:
- Eseguire una ricerca nel CRM per individuare le trattative in corso.
- Filtra i record che non presentano interazioni recenti.
- Recupera le note più recenti e gli stakeholder.
- classificare il possibile ostacolo.
- definire il passo successivo per ciascun account.
- Richiedere l'approvazione prima di aggiornare la pipeline.
Un sistema di automazione tradizionale segue un percorso predefinito e fallisce quando l'input non rientra nelle sue regole. Un agente di intelligenza artificiale è in grado di interpretare input variabili, rivedere il proprio piano e selezionare un'azione diversa, pur rimanendo entro i limiti delle proprie autorizzazioni.
Come funziona il ciclo dell'agente IA in 7 passaggi
Il ciclo dell'agente non è un flusso di lavoro prestabilito. Il modello seleziona un'azione, osserva ciò che è accaduto e utilizza il nuovo stato per determinare la mossa successiva.
1. L'agente riceve un obiettivo
Un'attività può avere inizio in seguito a una richiesta, a un evento programmato, a un trigger dell'applicazione, a un avviso di sistema o al passaggio di consegne da parte di un altro agente. La richiesta dovrebbe definire il risultato atteso piuttosto che ogni singola azione intermedia.
“Individua le operazioni aziendali a rischio in questo trimestre e prepara un piano di intervento.”
L'agente riceve inoltre le istruzioni operative: strumenti disponibili, limiti dei dati, regole aziendali, requisiti di approvazione e criteri di completamento.
2. Recupera il contesto pertinente
Il modello non è in grado di prendere una decisione affidabile basandosi esclusivamente sull'obiettivo. Esso raccoglie le informazioni necessarie per il passo corrente da fonti quali:
- Cronologia delle conversazioni
- Record CRM
- E-mail e verbali delle riunioni
- Documentazione interna
- Banche dati
- Applicazioni connesse
- Eventi di sistema in tempo reale
Per le richieste relative alle trattative a rischio, l’agente può recuperare le date di rinnovo, i valori delle trattative, le interazioni recenti, i casi di assistenza aperti, le parti interessate e le azioni successive registrate.
3. Suddivide l'obiettivo in azioni concrete
Il modello di ragionamento valuta lo stato attuale e elabora un piano d'azione. Può decidere di identificare innanzitutto le operazioni idonee, recuperare in secondo luogo il contesto dell'account, classificare il rischio in terzo luogo e, infine, preparare le raccomandazioni.
Questo piano può subire modifiche. Se per una transazione non sono presenti note recenti, l’agente potrebbe controllare la cronologia delle e-mail. Se l’account non ha un titolare, potrebbe segnalare il campo mancante anziché tentare un’assegnazione non autorizzata.
4. Seleziona e richiama uno strumento
L'agente non può accedere ai sistemi aziendali basandosi esclusivamente sul ragionamento. Invia una richiesta strutturata a uno strumento approvato, ad esempio:
- Cerca nei record del CRM
- Eseguire una query su un database
- Leggi un documento
- Navigare in una pagina web
- Esegui il codice
- Crea un'attività
- Aggiornare un campo della pipeline
Una chiamata a uno strumento CRM potrebbe includere, come argomenti strutturati, la pipeline, lo stato dell’affare, il valore minimo, la finestra di rinnovo e la soglia di inattività.
5. Ne osserva il risultato
Ogni richiamo dello strumento restituisce nuove informazioni. La risposta può contenere i record richiesti, dati parziali, un errore di autorizzazione, un risultato vuoto o la conferma che un'azione è stata eseguita con successo.
Il modello integra tale osservazione nel proprio contesto operativo e la valuta in relazione all'obiettivo. Se la ricerca restituisce un numero eccessivo di operazioni, l'agente può affinare i criteri. Se manca un campo obbligatorio, può effettuare una ricerca in un'altra fonte approvata oppure segnalare la lacuna.
6. Applica misure di sicurezza e richiede l'approvazione
I "guardrail" verificano che l'azione proposta rientri nei limiti delle linee guida. Possono convalidare gli argomenti degli strumenti, limitare l'accessibilità dei record, imporre output strutturati, mascherare i dati sensibili o sospendere l'esecuzione prima di un'azione con conseguenze significative.
L'agente può analizzare autonomamente ogni operazione in corso, ma deve richiedere una conferma prima di:
- Invia un messaggio esterno
- Modifiche alla titolarità dell'accordo
- Modifica i record in blocco
- Elimina le informazioni
- Impegna le spese
- Condivide dati riservati
L'approvazione distingue la preparazione autonoma dall'esecuzione autorizzata.
7. Completa, inoltra o trasferisce
Il ciclo termina quando l'agente soddisfa i propri criteri di completamento. A quel punto restituisce l'analisi, aggiorna il sistema approvato e registra quanto accaduto.
Se l'attività esula dalle sue funzionalità o autorizzazioni, l'agente può inoltrarla a un livello superiore con il contesto già raccolto. In un sistema multi-agente, può invece affidare l'attività a un agente specializzato, conservando lo stato pertinente.
Il risultato è un'autonomia controllata: l'agente sceglie come raggiungere l'obiettivo, ma le istruzioni, le autorizzazioni, i limiti di sicurezza e i criteri di completamento definiscono i confini operativi.
Tutti i componenti alla base di un agente di intelligenza artificiale
Un agente di intelligenza artificiale non è un modello linguistico che agisce da solo. Esso combina un motore di ragionamento con istruzioni, contesto aziendale, strumenti, memoria, coordinamento e meccanismi di controllo. Ciascuna componente risolve una parte diversa del problema di esecuzione.
In che modo gli agenti di intelligenza artificiale utilizzano gli strumenti per agire
Un modello linguistico è in grado di ragionare su un’attività, ma non può esaminare una pipeline in tempo reale, modificare un record o eseguire un calcolo senza l’ausilio di strumenti. Gli strumenti mettono a disposizione specifiche funzionalità esterne che l’agente può richiamare tramite richieste strutturate.
Il processo si articola in quattro fasi:
- Il modello individua l'azione necessaria.
- Seleziona uno strumento disponibile.
- Genera gli argomenti richiesti da tale strumento.
- Legge il risultato e decide come procedere.
Ad esempio, un agente che sta esaminando le opportunità inattive potrebbe eseguire una ricerca nel CRM utilizzando parametri strutturati come:
{
"pipeline": "Nuovi affari",
"status": "Aperto",
"minimum_value": 20000,
"giorni_dall'ultima_interazione": 30
}
Il CRM restituisce le trattative corrispondenti. Il modello valuta quindi tali record e può ricorrere a un altro strumento per recuperare note, identificare le parti interessate o aggiornare un campo approvato.
API per operazioni di sistema strutturate
Le API mettono a disposizione funzioni applicative predefinite, quali il recupero di record, la creazione di attività, l’aggiornamento di campi o l’elaborazione di transazioni. Funzionano bene quando la richiesta e la risposta seguono uno schema stabile.
L'agente non gestisce l'interfaccia dell'applicazione. Invia una richiesta leggibile dal sistema direttamente al sistema stesso e riceve in cambio dati strutturati.
Server MCP per l'accesso standardizzato a strumenti e dati
Il Model Context Protocol offre ai client AI compatibili un metodo coerente per connettersi con strumenti e dati esterni. Anziché creare un’integrazione separata per ogni combinazione di modello e applicazione, un server MCP pubblica le funzionalità che un agente può utilizzare.
folk MCP, ad esempio, consente a ChatGPT, Claude, Cursor, VS Code e altri client compatibili di effettuare ricerche e aggiornare uno spazio di lavoro di folk tramite un unico server ospitato. L'agente può gestire persone, aziende, trattative, note, gruppi e la cronologia delle interazioni in base alle autorizzazioni dell'utente autenticato.
Browser per il lavoro basato sull'interfaccia
Alcuni sistemi non mettono a disposizione l’API o lo strumento MCP necessari. Un agente browser è in grado di navigare tra le pagine, leggere gli elementi dell’interfaccia, inserire dati, cliccare sui controlli e analizzare lo stato risultante.
L'uso del browser offre un ampio accesso, ma comporta una maggiore variabilità. Modifiche al layout, finestre pop-up, requisiti di accesso e comandi ambigui possono interrompere il flusso di lavoro. Le azioni sensibili o irreversibili richiedono solitamente una conferma prima del clic finale.
Esecuzione del codice per l'analisi e la trasformazione
L'esecuzione di codice aiuta gli agenti a elaborare dati, verificare ipotesi, trasformare file, eseguire simulazioni o convalidare calcoli. Un agente addetto ai dati potrebbe scrivere codice in Python per unire file CSV e individuare valori anomali. Un agente addetto alla programmazione potrebbe eseguire una suite di test dopo aver modificato il repository.
Il risultato viene restituito all'agente come un'altra osservazione. Un test fallito, una query vuota o un errore di convalida non comportano automaticamente la conclusione dell'attività, ma forniscono al modello un nuovo contesto per la fase successiva del ciclo.
Come funzionano la memoria e il contesto negli agenti di intelligenza artificiale?
Un agente deve disporre di informazioni sufficienti sullo stato per comprendere cosa è già accaduto, cosa rimane irrisolto e quali informazioni sono rilevanti per l'azione successiva. Tale stato può risiedere all'interno della finestra di contesto corrente, in un archivio di memoria esterno o nel sistema aziendale in cui si svolge l'attività.
Contesto operativo dell'attività in corso
Il contesto di lavoro contiene le informazioni disponibili durante l'esecuzione attiva:
- Obiettivo originario
- Istruzioni di sistema
- Messaggi recenti
- Definizioni degli strumenti
- Record recuperati
- Risultati dello strumento
- Piano attuale
- Azioni già completate
La finestra di contesto ha una capacità limitata. Gli agenti che operano per periodi prolungati non possono mantenere attivi a tempo indeterminato tutti i documenti grezzi, i messaggi e i risultati generati dagli strumenti. Possono riassumere le fasi completate, rimuovere i dettagli irrilevanti o recuperare le informazioni solo quando necessario.
Memoria salvata tra una sessione e l'altra
La memoria persistente conserva le informazioni selezionate al termine dell'esecuzione corrente. Può includere le preferenze dell'utente, le decisioni precedenti, i dati specifici dell'account, le attività non risolte o i riepiloghi del lavoro svolto in precedenza.
La memoria utile rimane selettiva. Conservare ogni singola interazione rende il recupero delle informazioni confuso e aumenta il rischio che informazioni obsolete influenzino una decisione futura. I sistemi operativi necessitano quindi di regole che definiscano cosa conservare, aggiornare, rendere obsoleto o eliminare.
I sistemi esterni come memoria operativa
Spesso la fonte di informazioni più affidabile è già presente in un'applicazione aziendale. Un sistema CRM conserva la cronologia delle relazioni. Un help desk archivia gli incidenti precedenti. Uno strumento di monitoraggio dei progetti registra i responsabili, gli ostacoli e le modifiche di stato. Un repository di codice conserva l'implementazione attuale.
Un assistente alle vendite basato sull'intelligenza artificiale collegato a folk non ha bisogno di memorizzare l'intera storia della relazione con il cliente all'interno del modello. Può recuperare gli ultimi contatti, le note, le interazioni e lo stato delle trattative all'inizio dell'attività, per poi reinserire le modifiche approvate nel CRM. folk rimane la fonte autorevole e permanente delle informazioni.
La memoria non implica un addestramento continuo del modello
La maggior parte degli agenti di intelligenza artificiale non aggiorna i pesi del proprio modello di base dopo ogni attività. Sembrano “ricordare” perché il sistema salva le informazioni esternamente e le recupera durante un’esecuzione successiva.
Il feedback può migliorare il comportamento futuro attraverso la correzione dei dati, la revisione delle istruzioni, descrizioni più accurate degli strumenti, esempi approvati o l’aggiornamento della memoria. L’addestramento effettivo del modello rimane un processo a sé stante. Questa distinzione è importante perché il contesto memorizzato può essere esaminato, corretto ed eliminato più facilmente rispetto alle conoscenze incorporate nei pesi del modello.
Come funziona un assistente alle vendite basato sull'intelligenza artificiale con il CRM dell'folk
Un assistente alle vendite basato sull’intelligenza artificiale diventa operativo quando è in grado di accedere ai dati in tempo reale relativi alle relazioni con i clienti e di registrare i risultati approvati nel CRM. folk garantisce tale connessione tramite un server MCP in hosting compatibile con ChatGPT, Claude, Cursor, VS Code e altri client MCP.
Si consideri il seguente compito:
“Individuare le operazioni aperte di importo superiore a 20.000 dollari che non hanno registrato alcuna attività negli ultimi 30 giorni, identificare il probabile ostacolo e preparare un piano di recupero.”
1. Autenticare il client AI
L'utente collega il client AI a folk tramite OAuth sicuro. L'agente riceve lo stesso accesso all'area di lavoro dell'account folk autenticato, in base al proprio ruolo e alle proprie autorizzazioni esistenti.
2. Tradurre l'obiettivo in criteri di ricerca
L'agente ricava le condizioni operative dalla richiesta:
- Stato dell'accordo: in corso
- Valore minimo: 20.000 dollari
- Periodo di inattività: 30 giorni
- Risultato richiesto: causa del blocco e piano di ripristino
Seleziona quindi gli strumenti di ricerca pertinenti folk .
3. Recuperare i dati in tempo reale sulle operazioni
Tramite l'MCP di folk , l'agente effettua una ricerca nell'area di lavoro per individuare le opportunità corrispondenti. Il risultato può includere il nome dell'affare, l'azienda, il titolare, il valore, lo stato attuale e la data dell'ultima interazione.
Questo primo risultato identifica i record interessati, ma non fornisce un contesto sufficiente per diagnosticare il problema.
4. Ricostruire ogni relazione
L'agente recupera le persone, le aziende, le note, i campi personalizzati e la cronologia delle interazioni associate a ciascuna trattativa. Cerca segnali quali:
- Richieste di follow-up senza risposta
- Obiezioni relative al prezzo
- Mancanza di responsabili delle decisioni
- Ritardi negli appalti
- Requisiti del prodotto
- In assenza di ulteriori indicazioni
- Calo dell'impegno
Il CRM funge da memoria operativa. L'agente opera sulla base della cronologia delle relazioni già memorizzata nel folk , anziché fare affidamento sul contesto copiato nel prompt.
5. Classificare il Blocker
Il modello di ragionamento mette a confronto gli elementi di prova e attribuisce una causa probabile a ciascuna opportunità non concretizzata. Dovrebbe distinguere i fatti accertati dalle deduzioni.
Ad esempio:
- Confermato: l'acquirente ha richiesto una verifica di sicurezza SSO.
- Blocco dedotto: l’operazione è in stallo perché, dopo quella richiesta, non è stato aggiunto alcun titolare di titoli.
- Prova mancante: nessuna interazione conferma che l'approvazione del bilancio sia stata completata.
Questa distinzione impedisce che un'interpretazione plausibile venga riportata come un fatto.
6. Preparare il piano di ripresa
L'agente raccomanda un'azione successiva specifica per ogni conto, anziché applicare una sequenza di follow-up generica:
- Presentare un referente tecnico
- Inviare la documentazione di sicurezza richiesta
- Riconquistare l'acquirente economico
- Confermare le tempistiche di approvvigionamento
- Fissa una chiamata per prendere una decisione
- Close un'opportunità senza una via d'uscita credibile
Può inoltre redigere un messaggio contestualizzato sulla base della conversazione registrata e della fase attuale della trattativa.
7. Richiesta di approvazione
La ricerca, l'analisi e la stesura dei documenti possono essere eseguite senza modificare l'area di lavoro. Prima di modificare un'operazione, inviare un messaggio o creare diverse attività, l'agente sottopone le azioni proposte a revisione.
Nella fase di approvazione potrebbe apparire il seguente messaggio:
“Spostare Northstar alla fase di revisione della sicurezza, aggiungere ‘Presentare il solutions engineer’ come passo successivo e salvare il riepilogo del recupero nelle note dell’affare?”
8. Inserire nuovamente il risultato approvato in folk
Dopo la conferma, l'agente richiama gli strumenti folk pertinenti per aggiornare l'affare, aggiungere una nota, modificare un campo o registrare l'azione successiva. Verifica quindi la risposta dello strumento per accertarsi che l'aggiornamento sia andato a buon fine.
Il ciclo completo rimane interconnesso: folk fornisce il contesto relazionale, l’assistente AI lo interpreta e folk archivia il risultato approvato. Non è necessario alcun database separato né middleware personalizzato tra l’analisi e l’esecuzione.
Conclusione
Gli agenti di intelligenza artificiale funzionano ripetendo un semplice ciclo: interpretano un obiettivo, recuperano il contesto, scelgono uno strumento, agiscono e valutano il risultato. I modelli forniscono il ragionamento, mentre gli strumenti, la memoria, l’orchestrazione e i meccanismi di controllo trasformano tale ragionamento in un’esecuzione aziendale affidabile.
Per i team di vendita, il CRM "folk " fornisce agli agenti basati sull’intelligenza artificiale il contesto relazionale in tempo reale necessario per agire in modo mirato. Grazie a MCP, un assistente di vendita basato sull’intelligenza artificiale può analizzare le trattative, preparare le fasi successive e aggiornare i record approvati senza separare la decisione dal flusso di lavoro.
Domande frequenti
In parole semplici, come funzionano gli agenti di intelligenza artificiale?
Gli agenti di intelligenza artificiale ricevono un obiettivo, raccolgono le informazioni contestuali pertinenti, pianificano l'azione successiva, utilizzano uno strumento, verificano il risultato e ripetono il processo fino a quando l'attività non è completata o richiede l'intervento umano.
Quali strumenti può utilizzare un agente di intelligenza artificiale?
Gli agenti di intelligenza artificiale possono utilizzare API, server MCP, database, browser, ambienti di esecuzione del codice, sistemi CRM, help desk, calendari, piattaforme di posta elettronica e altri sistemi aziendali autorizzati.
Gli agenti di intelligenza artificiale imparano da ogni compito?
La maggior parte degli agenti non ricalibra il proprio modello di base dopo ogni attività. Conservano le informazioni utili attraverso lo stato della conversazione, la memoria esterna, i database, i file e i sistemi aziendali come un CRM.
Qual è la differenza tra un sistema a agente singolo e un sistema multi-agente?
Un unico agente controlla l'intero flusso di lavoro e richiama diversi strumenti. Un sistema multi-agente ripartisce il lavoro tra specialisti coordinati da un agente responsabile oppure tramite passaggi diretti di competenza.
Come funziona un assistente alle vendite basato sull’intelligenza artificiale con un CRM?
Un assistente alle vendite basato sull'intelligenza artificiale recupera in tempo reale le informazioni relative ai clienti e alla pipeline, analizza l'account, suggerisce l'azione successiva, richiede l'approvazione quando necessario e registra il risultato approvato nel CRM.
Scopri folk
Come l'assistente alle vendite che il tuo team non ha mai avuto