Formazione avanzata · Per i team aziendali

Corso avanzato. Agenti AI e automazioni.

Vai oltre la chat. Impara a progettare agenti che consultano documenti, usano strumenti e coordinano attività. Collega LLM, automazioni e sistemi aziendali, mantenendo il controllo su ciò che l’AI può fare.

Un percorso pratico su agenti, RAG, MCP, AI locale e Claude Code. Le tecnologie si scelgono in base agli obiettivi del team: non una raccolta di tool, ma competenze da trasferire nel lavoro.

Parliamo del corso avanzato Esplora il programma

Workspace tecnologico per lavorare con modelli linguistici e agenti AI

AL TERMINE DEL PERCORSO

Dalla conversazione a flussi più consapevoli

Progettare agenti utili

Trasformare un’esigenza in obiettivi, strumenti, fonti e condizioni di stop. Capire quando basta un agente e quando ha senso coordinare più ruoli.

Collegare dati e azioni

Combinare recupero della conoscenza, API e workflow. Distinguere le proposte dell’AI dalle regole che autorizzano e verificano un’operazione.

Valutare prima di affidarsi

Preparare test, controllare le fonti e leggere le tracce di esecuzione. Definire quando il sistema può proseguire e quando deve chiedere una revisione.

SEI MODULI

Il programma, dall’agente al controllo

Ogni modulo unisce concetti, strumenti da valutare e un’attività pratica da adattare al contesto del team.

Modulo

LLM, contesto e conoscenza

Un modello linguistico genera e trasforma contenuti. Il passo avanzato è dargli istruzioni, fonti e formati adatti al processo. Con il RAG recuperiamo documenti pertinenti prima della risposta: la conoscenza aziendale diventa contesto consultabile, non una promessa di infallibilità.

Scrivere istruzioni di sistema, esempi e regole di escalation.
Progettare risposte JSON e validarle prima dell’utilizzo.
Preparare fonti, metadati, segmentazione e ricerca semantica.
Confrontare risposte corrette, ambigue e prive di evidenza.

Strumenti e ambienti

OpenAI
Claude
Gemini
RAG
JSON

In laboratorio

Costruire un assistente per procedure di esercitazione, con riferimenti alle fonti e uno stato esplicito quando serve verifica.

Modulo

Agenti, tool e sistemi multiagente

Un agente usa un LLM per scegliere il prossimo passo e chiamare strumenti. Progettiamo obiettivi circoscritti, memoria, passaggi tra ruoli e controlli sulle azioni. MCP permette di esplorare un collegamento standardizzato con tool e risorse: le autorizzazioni restano una responsabilità del sistema.

Definire obiettivo, tool disponibili e condizioni di arresto.
Collegare strumenti con schemi e parametri verificabili.
Gestire memoria di sessione e informazioni riutilizzabili.
Confrontare agente singolo, supervisore, specialisti e handoff.

Strumenti e ambienti

MCP
OpenAI Agents SDK
LangGraph

In laboratorio

Un agente consulta un catalogo di test, chiarisce dati mancanti e prepara una proposta. Una seconda configurazione separa ricerca e revisione.

Modulo

Automazioni che collegano il lavoro

Da un evento a un’azione controllata: email, documenti, CRM e report possono entrare nello stesso flusso. Impariamo a separare validazioni e instradamenti deterministici dai passaggi AI di estrazione, classificazione o bozza, prevedendo duplicati, errori e approvazioni.

Progettare trigger, webhook e chiamate HTTP/API.
Inserire l’AI dove interpreta, senza delegarle ogni regola.
Evitare doppie operazioni con identificativi stabili.
Gestire approvazioni, errori, ritenti mirati ed escalation.

Strumenti e ambienti

n8n
Make
Webhook
API

In laboratorio

Ricevere un documento, proporre i campi estratti e aggiornare un CRM di test solo dopo validazione e approvazione.

Modulo

AI locale e modelli open-weight

Esploriamo modelli eseguiti su hardware locale, dalla configurazione di Ollama all’integrazione tramite API. Valutiamo CPU, GPU, memoria, contesto e quantizzazione sul compito reale. La licenza si verifica per ogni modello: open-weight non significa automaticamente open source.

Scegliere una configurazione compatibile con il modello.
Avviare un runtime locale e collegarlo a un’applicazione.
Confrontare qualità, velocità e memoria nelle prove.
Mappare rete, endpoint e integrazioni che usano il cloud.

Strumenti e ambienti

Ollama
Modelli open-weight
API locali

In laboratorio

Provare un modello su dati di esercitazione, confrontare configurazioni e documentare quali componenti restano locali.

Modulo

Claude Code e sviluppo agentico

Portiamo l’approccio agentico nel software: leggere un repository, proporre un piano, modificare file ed eseguire controlli. Claude Code lavora nell’ambiente autorizzato; nelle sessioni locali il contesto viene inviato al provider configurato, non a un modello necessariamente offline.

Leggere struttura, dipendenze e convenzioni del progetto.
Separare analisi, piano e modifica circoscritta.
Usare test, lint, build e diff Git per la revisione.
Configurare istruzioni, permessi, sandbox e collegamenti MCP.

Strumenti e ambienti

Claude Code
Git
CLAUDE.md
Test

In laboratorio

Correggere una funzione in un repository didattico, aggiornare un test e controllare il diff prima di accettare la modifica.

Modulo

Controllo, sicurezza e valutazione

Un agente va osservato anche per ciò che può leggere e fare. Definiamo privilegi minimi, separazione dei segreti, conferme sulle azioni sensibili e test ripetibili. Documenti, email e risposte esterne sono dati da verificare, non istruzioni che possono cambiare le autorizzazioni.

Limitare accessi, strumenti e operazioni per ruolo.
Riconoscere prompt injection e contenuti non attendibili.
Legare un’approvazione a destinatario e parametri precisi.
Usare tracce, metriche e test per rilevare regressioni.

Strumenti e ambienti

Guardrail
Evaluation
Tracing
Human-in-the-loop

In laboratorio

Provare un’azione sensibile su dati simulati, verificarne il blocco senza approvazione e controllare che le tracce non espongano segreti.

SEI ATTIVITÀ PRATICHE

Laboratori su casi d’uso controllati

Si parte da esigenze operative e si chiarisce dove fermarsi, verificare e chiedere approvazione.

Un assistente sui documenti

Attività: Trovare procedure e informazioni senza rileggere ogni file.
Flusso: Recupero dei passaggi pertinenti, risposta con fonti e richiesta di verifica quando le evidenze non bastano.
Verifica: Test su fonti corrette, obsolete, in conflitto e su domande senza risposta.

Richieste più facili da gestire

Attività: Classificare un’email o una richiesta e individuare i dati mancanti.
Flusso: L’AI propone categoria e bozza; le regole validano i campi e una persona approva l’eventuale invio.
Verifica: Confronto tra classificazione attesa, output strutturato e destinazione del flusso.

Dal documento al CRM

Attività: Trasferire informazioni da un documento a una scheda di lavoro.
Flusso: Evento, estrazione proposta, controllo antiduplificazione, approvazione e aggiornamento di un CRM di test.
Verifica: Campi validati, nessuna doppia operazione sullo stesso identificativo e gestione degli errori.

Ricerca e revisione coordinate

Attività: Preparare un riepilogo di informazioni distribuite in più fonti.
Flusso: Un agente raccoglie, uno specialista controlla le evidenze e il supervisore organizza una proposta da rivedere.
Verifica: Fonti tracciabili, assenza di affermazioni non supportate e condizioni di stop esplicite.

Sviluppo assistito e test

Attività: Intervenire su una funzione senza perdere il controllo del repository.
Flusso: Esplorazione con Claude Code, piano approvato, modifica limitata, test e lettura del diff Git.
Verifica: Confronto fra richiesta, modifiche effettive e output dei controlli eseguiti.

Un’applicazione con AI locale

Attività: Sperimentare un modello nell’ambiente disponibile al team.
Flusso: Runtime locale, API e interfaccia di prova; confronto tra modelli e configurazioni su richieste rappresentative.
Verifica: Misure di memoria, tempi, qualità e mappa delle eventuali dipendenze esterne.

APPROFONDIMENTI

Tre prospettive per progettare con criterio

Ambiente di lavoro digitale per progettare flussi e automazioni con agenti AI

Dal suggerimento all’azione

Dare strumenti all’AI. Non carta bianca.

La differenza non è far scrivere di più al modello. È permettergli di cercare una fonte, interrogare un sistema o preparare un’operazione attraverso strumenti definiti. Un agente può proporre il prossimo passo; il software deve verificare se quel passo è autorizzato.

Nel percorso distinguiamo lettura e scrittura, memoria e istruzioni, proposta e approvazione. Partiamo da un agente singolo e aggiungiamo ruoli soltanto quando aiutano a separare compiti e responsabilità.

Tool con input validati e operazioni circoscritte.
Memoria utile, aggiornata e pertinente al compito.
Conferma umana per azioni con effetti rilevanti.

Esplora il modulo agenti

Workstation e notebook per sperimentare modelli AI su hardware locale

Modelli e infrastruttura

AI locale: scegliere il perimetro, non uno slogan.

Eseguire un modello sulla propria macchina apre possibilità di sperimentazione e integrazione. La scelta dipende da hardware, licenza, dimensione del contesto e qualità richiesta: le prove contano più del nome del modello.

Locale non significa automaticamente offline. Download, funzionalità cloud, endpoint e strumenti collegati possono cambiare dove transitano i dati. Impariamo a documentare il percorso e a scegliere consapevolmente quali componenti usare.

CPU, GPU, RAM e VRAM dimensionate sul compito.
Quantizzazione valutata insieme alla qualità.
Licenze, rete e accessi verificati prima dell’integrazione.

Approfondisci l’AI locale

Sviluppo e automazione tecnica

Claude Code: dal piano al diff verificato.

Un assistente agentico può esplorare il repository, proporre una modifica ed eseguire comandi. Il team mantiene la decisione su obiettivo, perimetro e accettazione: istruzioni condivise, permessi e test diventano parte del lavoro.

Claude Code non va confuso con un LLM interamente locale: anche lavorando dal computer, nelle sessioni locali il contesto viene inviato al provider configurato. Lo usiamo per imparare a leggere le modifiche e verificarle, non per saltare la revisione.

Analisi e piano prima delle modifiche.
Test, build e diff prima dell’accettazione.
Permessi e strumenti coerenti con l’ambiente.

Scopri il modulo Claude Code

DESTINATARI E PREPARAZIONE

A chi è rivolto il percorso

Un corso per chi vuole rendere più concreto l’uso dell’AI, con responsabilità e passaggi comprensibili.

Imprenditori e responsabili

Per valutare opportunità, delimitare un caso d’uso e decidere cosa automatizzare, chi approva e come osservare il risultato.

Team operations

Per lavorare su documenti, richieste e sistemi aziendali, combinando strumenti visuali, regole e passaggi assistiti dall’AI.

Sviluppatori e referenti IT

Per approfondire API, MCP, repository, runtime locali e controlli tecnici, in relazione all’ambiente disponibile.

METODO

Competenze trasferibili, oltre il singolo strumento

Una mappa del processo

Imparare a descrivere dati, passaggi, responsabilità e criteri di successo. Scegliere dove l’AI interpreta e dove una regola deve restare deterministica.

Configurazioni riutilizzabili

Lavorare su istruzioni, schemi, fonti e workflow di esercitazione. Documentare le scelte per adattarle al contesto, senza dipendere da un singolo strumento.

Un metodo di verifica

Preparare casi normali, ambigui e limite, leggere tracce e test, decidere quando correggere, fermare o far intervenire una persona. I controlli riducono i rischi, non li annullano.

DOMANDE FREQUENTI

Cosa chiarire prima di iniziare

Dubbi pratici su strumenti, competenze e percorso.

È diverso dal corso ChatGPT per aziende?

Sì. Qui il focus è progettare sistemi: agenti con strumenti, recupero della conoscenza, automazioni e sviluppo assistito. Il corso ChatGPT resta il riferimento per consolidare le basi d’uso; il percorso avanzato approfondisce integrazione, controllo e valutazione.

Bisogna essere programmatori?

Non per ogni parte. Responsabili e operations possono lavorare su processi, fonti e strumenti visuali. Gli approfondimenti su API, MCP, Claude Code e runtime locali richiedono competenze tecniche proporzionate all’esercizio e si scelgono in base al team.

Un agente può agire completamente da solo?

Può operare entro gli strumenti, i permessi e le regole che gli sono concessi. Non è un’autorizzazione generale: letture, scritture, azioni sensibili e condizioni di stop vanno definite nel sistema. Il corso insegna anche dove inserire approvazioni e verifiche.

L’AI locale funziona sempre senza internet?

Dipende dalla configurazione. Un modello può essere eseguito localmente, ma download, funzioni cloud e servizi collegati possono usare la rete. Si analizzano hardware, endpoint e integrazioni prima di definire il perimetro di una soluzione.

Claude Code è un modello AI locale?

No: è un ambiente agentico per lo sviluppo. Può lavorare sui file e sui comandi autorizzati nel computer o nell’ambiente scelto; nelle sessioni locali il contesto viene inviato al provider del modello configurato. È diverso dall’esecuzione di un modello tramite un runtime locale.

Dobbiamo usare tutti gli strumenti del programma?

No. OpenAI, Claude, Gemini, Ollama, n8n, Make e i framework agentici sono riferimenti di un ecosistema in evoluzione. Strumenti, accessi e laboratori vengono selezionati in base a obiettivi, ruoli e sistemi disponibili; le competenze devono restare trasferibili.

Fonti e approfondimenti

FORMAZIONE PER IL TEAM

Progettiamo il percorso sul tuo team.

Raccontaci quali attività vorresti collegare, quali sistemi utilizzate e da dove parte il gruppo. Possiamo definire il focus fra agenti, workflow, conoscenza, AI locale e sviluppo assistito.

Parliamo del corso avanzato