Google Cloud amplia il ruolo di Gemini nell’informatica aziendale, trasformandolo in un agente AI capace di eseguire autonomamente attività complesse, coordinare altri agenti, utilizzare applicazioni e conservare la memoria del lavoro svolto, anche quando l’utente interrompe la sessione. L’evoluzione, presentata durante Gemini at Work 2026, introduce un’architettura nella quale il modello linguistico viene separato dall’agente incaricato di pianificare ed eseguire le operazioni, rendendo possibile utilizzare anche modelli concorrenti, a cominciare da Claude di Anthropic.
Il cambiamento riguarda il rapporto tra persone e applicazioni informatiche: anziché interagire direttamente con i diversi strumenti necessari per completare un’attività, l’utente può assegnare un incarico a Gemini, lasciando che sia l’agente a individuare le risorse appropriate, pianificare le operazioni e coordinarne l’esecuzione. La possibilità di mantenere memoria delle esperienze precedenti e operare senza una supervisione continuativa estende questa modalità di utilizzo ai processi aziendali che richiedono più passaggi, coinvolgono sistemi differenti e possono protrarsi per giorni.
Thomas Kurian, CEO di Google Cloud, sintetizza questa impostazione nella presentazione di Gemini at Work 2026: “Gli assegnate obiettivi, non istruzioni”. Gemini riunisce infatti attraverso un’unica interfaccia e una singola API ricerca e analisi delle informazioni, produzione di contenuti e materiali multimediali, programmazione ed esecuzione di codice e gestione di processi articolati, occupandosi di pianificare le attività e utilizzare gli strumenti necessari per completarle.
La nuova architettura si inserisce in una crescita dell’utilizzo dell’intelligenza artificiale tra i clienti Google Cloud: quasi l’80% delle organizzazioni che adottano la piattaforma utilizza prodotti AI, mentre circa il 90% delle aziende Fortune 100 impiega Gemini Enterprise. Nell’ultimo anno, inoltre, quasi 500 clienti hanno elaborato individualmente oltre mille miliardi di token, un volume che evidenzia la diffusione delle applicazioni AI su larga scala.
Gemini acquisisce autonomia operativa e memoria persistente
La nuova architettura permette di configurare Gemini come assistente personale, collaboratore di un gruppo di lavoro oppure agente specializzato in una determinata funzione aziendale, assegnandogli attività che possono essere eseguite immediatamente, programmate oppure avviate automaticamente al verificarsi di specifici eventi.
Una volta ricevuto l’incarico, Gemini pianifica le operazioni, individua gli strumenti necessari e ne coordina l’esecuzione nel cloud, senza dipendere dalla disponibilità del dispositivo utilizzato per formulare la richiesta. Un’attività che richiede diverse ore o giorni può quindi proseguire anche quando il computer viene spento o l’utente si disconnette, conservando il proprio stato fino al completamento.
L’agente mantiene un contesto operativo condiviso indipendentemente dal dispositivo o dal canale di accesso, passando dal browser alle applicazioni mobili per iOS e Android, dai desktop Windows e macOS alle interfacce a riga di comando. Può inoltre operare attraverso Google Workspace, Microsoft 365 e Slack oppure essere integrato in applicazioni di terze parti come headless agent, senza richiedere un’interfaccia utente dedicata.
Quando il lavoro comprende operazioni differenti, Gemini può creare dinamicamente subagenti temporanei, ciascuno dotato di una propria identità e incaricato di svolgere una parte del processo. Le attività vengono organizzate in sequenza oppure in parallelo, con la possibilità di coordinare più esecuzioni e consolidarne i risultati.
Accanto a questi agenti temporanei, Google introduce i coworker agent, collaboratori AI ai quali viene assegnato un ruolo continuativo nell’organizzazione. Possono disporre di indirizzi email aziendali, spazi di archiviazione dedicati e autorizzazioni specifiche, mantenendo una presenza operativa che attraversa sessioni e attività differenti e collaborando con singoli utenti oppure con interi gruppi di lavoro.
L’organizzazione del lavoro può quindi prevedere agenti dedicati a singoli incarichi, che terminano la propria attività una volta completata l’operazione, e collaboratori persistenti, ai quali affidare funzioni che richiedono disponibilità continuativa e conoscenza del contesto aziendale.
L’orchestrazione multimodello permette a Gemini di utilizzare anche Claude
Gemini agent può utilizzare modelli linguistici differenti, separando le funzioni di pianificazione, coordinamento ed esecuzione dell’agente dalle capacità del modello incaricato di elaborare una specifica richiesta.
Kurian chiarisce il principio alla base dell’architettura: “Gemini è l’agente; il modello è una scelta separata”. Google supporta inizialmente la propria famiglia di modelli Gemini e Claude di Anthropic, con l’intenzione di estendere successivamente la compatibilità ad altri modelli proprietari e open-weight.
La selezione può avvenire dinamicamente in base alle caratteristiche del lavoro: un’operazione relativamente semplice, come la classificazione di documenti, può essere affidata a un modello più economico, mentre le attività che richiedono ragionamento articolato possono utilizzare modelli più avanzati. Anche all’interno di uno stesso processo l’agente può alternare modelli differenti, distribuendo le operazioni secondo criteri di prestazione e convenienza economica.
Questa impostazione consente alle aziende di modificare le tecnologie impiegate per l’inferenza senza dover necessariamente ricostruire strumenti, competenze, integrazioni e memoria utilizzati dagli agenti. Il modello più appropriato può infatti cambiare con l’evoluzione dell’offerta tecnologica, mentre il contesto aziendale e le procedure operative rimangono disponibili all’infrastruttura di orchestrazione.
Il nome Gemini identifica quindi anche l’ambiente agentico che governa l’esecuzione, indipendentemente dal modello responsabile di ogni singola elaborazione, introducendo una distinzione significativa rispetto agli assistenti AI strettamente associati a uno specifico modello linguistico.
Tra le aziende coinvolte nelle prime sperimentazioni figura On, produttore di abbigliamento sportivo che ha testato la selezione dinamica dei modelli per abbreviare i tempi di commercializzazione dei prodotti. Google richiama inoltre le esperienze di Shopify, che impiega modelli differenti nelle applicazioni rivolte ai commercianti, e di PayPal, la cui infrastruttura gestisce circa 10 milioni di richieste multimodello ogni settimana.
Dagli assistenti ai collaboratori autonomi, cambia il ruolo degli agenti AI nelle imprese
L’architettura presentata da Google segna un passaggio nell’evoluzione dell’intelligenza artificiale aziendale, che si sta progressivamente spostando dagli assistenti utilizzati per svolgere singole operazioni verso agenti autonomi, persistenti e integrati stabilmente nei processi di lavoro. La possibilità di conservare le conoscenze acquisite, sviluppare competenze riutilizzabili e operare anche in assenza dell’utente consente alle organizzazioni di affidare ai sistemi AI incarichi continuativi, superando la dimensione della singola richiesta formulata attraverso un’interfaccia conversazionale.
L’agente assume così un ruolo operativo che comprende l’interpretazione dell’incarico, la pianificazione delle attività, la selezione degli strumenti e il coordinamento delle operazioni, anche quando queste coinvolgono più persone e applicazioni. L’autonomia non coincide necessariamente con l’assenza di supervisione umana, poiché la possibilità di delegare un processo deve essere accompagnata da regole che definiscano le decisioni consentite, le verifiche necessarie e le condizioni nelle quali richiedere un intervento.
La separazione tra modello linguistico e infrastruttura agentica modifica anche gli equilibri competitivi. I modelli possono diventare componenti selezionabili e sostituibili in funzione delle caratteristiche del lavoro, mentre memoria, strumenti, procedure e autorizzazioni rimangono associati all’ambiente che governa gli agenti. La competizione tra fornitori si estende quindi dalla qualità dei singoli modelli alla capacità di gestire l’intero ciclo operativo dell’intelligenza artificiale, comprese le interazioni con i sistemi aziendali.
Questa evoluzione incide anche sulle forme di dipendenza tecnologica. Un’impresa può acquisire maggiore libertà nella scelta dei modelli utilizzati per l’inferenza, ma concentrare nell’infrastruttura di orchestrazione le conoscenze operative, le integrazioni e le procedure sviluppate nel corso del tempo. L’interoperabilità dei modelli non coincide necessariamente con la portabilità degli agenti, soprattutto quando la loro memoria e le loro competenze sono strettamente collegate ai servizi della piattaforma che ne gestisce l’esecuzione.
L’introduzione di agenti dotati di identità autonome, indirizzi email, autorizzazioni e memoria persistente richiede inoltre di considerarli come entità operative riconoscibili all’interno dell’infrastruttura aziendale. Le organizzazioni devono stabilire quali attività possano essere delegate, entro quali limiti decisionali e con quali strumenti di controllo, mantenendo la possibilità di ricostruire le operazioni effettuate e attribuirne le responsabilità.
Rimane una distinzione essenziale tra capacità di eseguire un processo e affidabilità della sua esecuzione. La disponibilità di strumenti per pianificare attività complesse, conservare il contesto e coordinare più agenti non garantisce, da sola, che un processo possa essere svolto senza errori o interventi umani. La verifica dei risultati, la gestione delle eccezioni e la possibilità di interrompere o correggere le operazioni assumono un’importanza crescente quando gli agenti intervengono su sistemi critici o informazioni sensibili.
La qualità dei modelli rimane determinante, ma il confronto competitivo si estende alla gestione dell’infrastruttura attraverso cui l’intelligenza artificiale svolge concretamente il lavoro aziendale, integrando dati e applicazioni, governando il comportamento degli agenti e controllando le risorse consumate durante l’esecuzione.
Strumenti, competenze e quattro forme di memoria per gli agenti aziendali
L’autonomia di Gemini si fonda sull’integrazione di strumenti, skill e differenti sistemi di memoria, attraverso i quali l’agente acquisisce le informazioni necessarie, interagisce con le applicazioni aziendali e conserva conoscenze e procedure utilizzabili nelle attività successive.
Gli strumenti consentono l’accesso a piattaforme collaborative come Confluence, Microsoft Office, Teams, Slack e Google Workspace, agli ambienti di sviluppo Git e Jira, alle applicazioni enterprise Salesforce e ServiceNow e ai sistemi dati BigQuery, Databricks, PostgreSQL e Snowflake. L’architettura supporta anche il Model Context Protocol (MCP), attraverso il quale gli agenti possono utilizzare risorse e servizi disponibili all’interno oppure all’esterno della rete aziendale, oltre ad accedere ai file presenti sul computer dell’utente.
Un registro centralizzato consente ai reparti IT e ai gruppi di sviluppo di pubblicare strumenti riutilizzabili, rendendoli disponibili agli agenti autorizzati senza dover predisporre integrazioni separate per ogni nuova applicazione.
Le skill definiscono invece competenze e procedure operative attraverso insiemi modulari di istruzioni e conoscenze, che possono essere predisposti da Google, sviluppati dall’azienda oppure creati dai singoli utenti. Un registro dedicato ne permette la condivisione tra dipartimenti e gruppi di lavoro, mentre Gemini può selezionare autonomamente quelle appropriate al compito ricevuto e perfezionare le procedure sulla base delle esecuzioni precedenti, migliorando la coerenza dei risultati e riducendo il consumo di token.
Per assicurare continuità operativa anche durante processi prolungati, Google distingue quattro categorie di memoria, ciascuna associata a una diversa funzione. La memoria di sessione conserva il contesto di un’attività che può protrarsi per giorni, mentre quella semantica organizza le conoscenze acquisite attraverso documenti, interazioni e collaborazione con altri agenti. La memoria procedurale mantiene le modalità di esecuzione dei processi, comprese le skill generate autonomamente, e quella episodica registra le attività svolte in precedenza, consentendo all’agente di recuperare esperienze rilevanti per nuovi incarichi.
La combinazione di questi meccanismi permette di costruire progressivamente una conoscenza delle persone, delle procedure e dei sistemi dell’organizzazione, che può essere condivisa nei progetti ai quali partecipano più utenti o agenti.
Kurian paragona l’acquisizione di queste conoscenze al percorso di inserimento di un nuovo dipendente: Gemini apprende progressivamente le caratteristiche dell’organizzazione, gli strumenti e le modalità di collaborazione, come un nuovo assunto che familiarizza con l’ambiente professionale. I gruppi di lavoro possono inoltre definire contesti, strumenti e competenze comuni, evitando che tutte le informazioni operative rimangano associate esclusivamente alla memoria personale di un singolo utilizzatore.
Gli agenti lavorano direttamente nelle applicazioni Google Workspace
L’integrazione con Gmail, Drive, Docs, Slides, Sheets, Chat e Calendar consente agli agenti di eseguire attività che attraversano più applicazioni, mantenendo memoria, strumenti e controlli di sicurezza condivisi.
Per organizzare una riunione, per esempio, Gemini può individuare i partecipanti attraverso le conversazioni precedenti, verificare la disponibilità dei calendari e avviare uno scambio di messaggi per concordare l’orario, anche quando sono coinvolti interlocutori esterni all’organizzazione. Analogamente, un incarico di analisi finanziaria può richiedere la ricerca di informazioni di mercato, la costruzione di un modello in Sheets e la successiva preparazione di una presentazione in Slides, con l’agente incaricato di coordinare l’intero processo.
Con Workspace Intelligence, Gemini può inoltre riconoscere attività delegabili direttamente nelle comunicazioni aziendali. Se un responsabile chiede tramite email un aggiornamento di progetto sotto forma di presentazione, il sistema può interpretare la richiesta e suggerire all’utente di affidarne l’esecuzione all’agente, utilizzando le informazioni disponibili nei documenti e nelle conversazioni pertinenti. Le stesse capacità vengono impiegate per individuare i messaggi prioritari nella posta elettronica, considerando il contenuto e il contesto professionale anziché limitarsi all’ordine cronologico.
I coworker agent assumono una presenza esplicita negli strumenti collaborativi grazie alla possibilità di disporre di un proprio account Workspace, completo di indirizzo email, calendario, spazio Drive e presenza nella directory aziendale. Possono quindi essere coinvolti nelle conversazioni di Google Chat oppure menzionati nei commenti di un documento, intervenendo con la propria identità per elaborare contenuti, proporre modifiche e rispondere alle richieste dei colleghi.
Le attività vengono attribuite all’agente anche nella cronologia delle versioni, mentre l’accesso alle informazioni rimane soggetto alle autorizzazioni e alle regole di condivisione già definite nell’ambiente Workspace. Un agente può utilizzare soltanto i documenti e le risorse ai quali è autorizzato ad accedere, una condizione necessaria per impiegare collaboratori AI persistenti in contesti che comprendono informazioni riservate o distribuite tra più dipartimenti.
Dall’analisi dei dati allo sviluppo di modelli di machine learning
Le capacità agentiche di Gemini si estendono alle attività di data engineering, analisi dei dati e sviluppo di modelli di machine learning, consentendo agli utenti di descrivere attraverso il linguaggio naturale i risultati desiderati e di delegare agli agenti una parte delle operazioni tecniche necessarie per ottenerli.
Gli ingegneri possono affidare a gruppi di agenti la generazione di codice PySpark, la preparazione di notebook modificabili e verificabili, l’addestramento dei modelli e la diagnosi dei problemi che interessano le pipeline di elaborazione. Per gli utenti aziendali privi di competenze di programmazione, invece, Google mette a disposizione funzionalità di reporting operativo integrate con BigQuery e Knowledge Catalog, attraverso le quali Gemini interpreta le richieste, costruisce le interrogazioni necessarie e può conservarle per successive esecuzioni, evitando di consumare nuovamente token per generare lo stesso codice.
La possibilità di ottenere risultati coerenti dipende anche dalla disponibilità di definizioni aziendali condivise. Knowledge Catalog associa ai dati le regole necessarie per interpretare correttamente gli indicatori utilizzati dall’organizzazione, come margine netto, fatturato o dimensione del mercato, integrando definizioni e metadati provenienti anche da Databricks, dbt, LookML e SAP. Gli agenti possono così utilizzare criteri comuni anziché ricostruire autonomamente il significato degli indicatori a ogni interrogazione.
Google introduce inoltre Smart Storage, un sistema che arricchisce di informazioni contestuali i contenuti non strutturati, comprese immagini, scansioni, documenti PDF e registrazioni audio. I metadati vengono associati direttamente agli oggetti archiviati, mantenendo i dati nella posizione originale e conservando i controlli di sicurezza esistenti.
L’accesso a informazioni distribuite tra ambienti differenti viene gestito attraverso Borderless Lakehouse, che consente agli agenti di interrogare dataset senza richiederne necessariamente la duplicazione. L’architettura supporta l’accesso ad Amazon S3 e Azure Data Lake senza costi variabili di egress, l’interrogazione diretta delle informazioni presenti in Salesforce Data 360, SAP e Workday e la federazione di tabelle Apache Iceberg attraverso Databricks Unity, Snowflake Horizon e AWS Glue.
Utilizzando Knowledge Catalog per individuare i dataset pertinenti, Gemini può generare codice SQL, Spark o Python ed eseguirlo attraverso BigQuery oppure il servizio Managed Spark con Lightning Engine, elaborando successivamente grafici e dashboard negli strumenti già utilizzati dagli analisti.
Le applicazioni aziendali comprendono quella di Bloomberg Media, che durante lo sviluppo dei propri agenti basati su dati contestualizzati ha registrato un miglioramento del 63% nell’accuratezza delle query SQL. Deutsche Telekom ha invece utilizzato BigQuery, Cloud Storage e Knowledge Catalog per unificare informazioni distribuite su oltre 40 sistemi legacy, ottenendo una velocità operativa dieci volte superiore e affrontando contemporaneamente i requisiti europei di sovranità e sicurezza dei dati.
Etsy ha migrato tre petabyte di dati in un lakehouse basato su BigQuery e Apache Iceberg, riducendo fino al 60% i tempi di alcune operazioni di join, mentre Snap ha collegato il proprio agente Prism agli archivi di storage, abbreviando da 30 minuti a 30 secondi i tempi necessari per determinate attività di diagnostica tecnica.
Gemini si specializza nei servizi finanziari e nelle attività legali
Accanto all’agente generalista, Google introduce versioni di Gemini dedicate a specifici ambiti professionali, nelle quali le capacità di ragionamento e orchestrazione vengono integrate con competenze settoriali, fonti informative specializzate e meccanismi di controllo adeguati alle caratteristiche dei processi aziendali.
Gemini for Financial Services e Gemini for Legal sono disponibili in anteprima, mentre sono previste successive specializzazioni per pubblica amministrazione, sanità e commercio.
La versione destinata ai servizi finanziari comprende oltre 50 skill di base per attività come la ricerca sugli investimenti, l’analisi del credito e la modellazione del rischio, con accesso a informazioni provenienti da FactSet, LSEG, S&P Global, documenti depositati presso la SEC e archivi proprietari delle organizzazioni.
Per agevolare la verifica delle analisi prodotte, le risposte possono includere punteggi di confidenza, descrizioni delle metodologie utilizzate, tracciabilità dell’origine dei dati e citazioni delle fonti. Tra le istituzioni che utilizzano questa specializzazione figurano CME Group e Deutsche Bank.
Gemini for Legal è invece progettato per operare negli ambienti documentali degli studi legali, integrandosi con piattaforme come NetDocuments e iManage e rispettandone le regole di autorizzazione. L’architettura supporta anche gli ethical walls, le barriere informative che impediscono ai professionisti non autorizzati di accedere a documenti riservati, per esempio quando esistono potenziali conflitti di interesse tra clienti.
Tra i partner tecnologici figurano Harvey, per l’automazione di attività legali complesse, e Onit, per la gestione del ciclo di vita dei contratti. Lo studio Cooley sta sviluppando un agente capace di individuare e oscurare automaticamente informazioni personali e contenuti riservati nei documenti destinati al deposito pubblico, riducendo le operazioni manuali di revisione.
Anche Deloitte ha sviluppato una soluzione multiagente per analizzare i processi aziendali e individuare le attività nelle quali introdurre automazioni basate sull’intelligenza artificiale. Il sistema costruisce mappe operative dei processi per identificare quelli più adatti a una riprogettazione agentica, con tempi di realizzazione dei progetti fino a tre volte inferiori.
Identità autonome e controlli di sicurezza per gli agenti aziendali
La possibilità che gli agenti eseguano codice, modifichino documenti e interagiscano autonomamente con sistemi informativi aziendali introduce esigenze di sicurezza differenti da quelle di un assistente conversazionale, soprattutto quando le attività si sviluppano per periodi prolungati o coinvolgono più agenti.
Kurian individua due condizioni decisive per l’adozione aziendale degli agenti: la capacità di “governarlo e sostenerne i costi”, riferita a un programma di utilizzo dell’AI agentica. La gestione delle autorizzazioni e la sostenibilità economica diventano quindi requisiti dell’infrastruttura, da affrontare prima che gli agenti vengano impiegati stabilmente nei processi operativi.
Google introduce un’architettura nella quale ogni agente dispone di un’identità verificata crittograficamente e distinta da quella degli utenti umani, alla quale vengono associate autorizzazioni specifiche secondo il principio del minimo privilegio.
Quando un agente interagisce con sistemi esterni, la sua identità viene propagata attraverso standard come OAuth, mantenendo la possibilità di applicare le policy di accesso definite dall’organizzazione. Le operazioni vengono inoltre registrate in un audit trail e attribuite direttamente all’agente responsabile, anche quando questo crea macchine virtuali per eseguire codice o utilizza strumenti messi a disposizione da altri servizi.
L’esecuzione avviene all’interno di Agent Sandbox, ambienti isolati con propri confini di rete, mentre il traffico in ingresso, in uscita e tra agenti attraversa Agent Gateway, che applica le regole di sicurezza e le limitazioni stabilite dagli amministratori.
Un’azienda può quindi definire centralmente che i documenti riservati a una determinata funzione siano accessibili soltanto agli agenti autorizzati, senza dover configurare individualmente ogni nuova istanza. Le stesse regole continuano a essere applicate quando un agente crea subagenti oppure utilizza strumenti esterni attraverso MCP.
Gli strumenti di monitoraggio di Google Cloud consentono di osservare le attività durante l’esecuzione, associando operazioni, consumi e accessi all’identità dell’agente che li ha generati. L’attribuzione delle responsabilità operative diventa così una componente dell’infrastruttura di gestione, particolarmente rilevante per gli agenti che agiscono con continuità all’interno dell’organizzazione.
Smart Routing e limiti di spesa per governare i costi dell’AI agentica
L’esecuzione autonoma di processi articolati può comportare numerose chiamate ai modelli linguistici, l’utilizzo di strumenti esterni e il consumo di risorse di calcolo per diverse ore. Per le aziende che intendono utilizzare agenti permanenti, il controllo dei costi assume quindi un’importanza paragonabile a quella delle autorizzazioni e della sicurezza.
Google introduce Smart Routing, un sistema che seleziona automaticamente il modello più appropriato per ciascuna operazione considerando le prestazioni richieste e il relativo costo. La possibilità di alternare modelli differenti permette, per esempio, di riservare quelli più avanzati alle attività che richiedono ragionamento complesso, utilizzando soluzioni meno onerose per elaborazioni ripetitive o relativamente semplici.
Gli amministratori possono inoltre configurare limiti di spesa in tempo reale per singolo progetto attraverso Cloud Billing Console, includendo nel calcolo sia il consumo di token sia i costi associati agli ambienti sandbox. Al raggiungimento della soglia configurata, l’esecuzione dell’agente viene sospesa e può essere successivamente riattivata dalla console, mentre la contabilizzazione per progetto permette di attribuire i consumi ai singoli dipartimenti.
Sul versante infrastrutturale, Gemini utilizza AI Hypercomputer, l’architettura Google che integra acceleratori, rete, data center e software per l’elaborazione dell’intelligenza artificiale. Il nuovo sistema TPU 8i offre un rapporto prezzo-prestazioni superiore dell’80% rispetto alla generazione precedente.
La famiglia di modelli comprende Argon per il ragionamento avanzato, Flash per le attività che richiedono velocità e volumi elevati, Omni per la generazione multimediale e Gemma per elaborazioni leggere ed esecuzione su dispositivi edge.
Quest’ultimo viene utilizzato anche dal Jet Propulsion Laboratory della NASA all’interno di un satellite in orbita, dove il software NAVI analizza direttamente a bordo le immagini della Terra e trasmette agli operatori a terra sintesi delle informazioni rilevanti, riducendo la necessità di trasferire integralmente i dati acquisiti.
Gemini Enterprise si diffonde nelle imprese, dalla finanza all’industria
La diffusione di Gemini Enterprise coinvolge organizzazioni finanziarie, industriali, commerciali e di servizi, con applicazioni che spaziano dall’analisi documentale alla gestione delle infrastrutture di telecomunicazione, dalla pianificazione delle attività alla sicurezza degli impianti. L’adozione degli agenti AI si estende a un numero crescente di funzioni aziendali, con risultati che comprendono la riduzione dei tempi di elaborazione, l’automazione di attività ripetitive e un accesso più rapido alle informazioni operative.
Nel settore finanziario, BNP Paribas sta integrando Gemini Enterprise nel proprio assistente interno LLM@CIB, disponibile a oltre 65.000 dipendenti della divisione Corporate & Institutional Banking, mentre Bradesco ha ridotto da un’ora a cinque minuti il tempo necessario per alcune revisioni documentali. Commerzbank ha ottenuto riduzioni analoghe nei processi di analisi, passando da 20 ore a un’ora per determinate attività, e Lloyds Banking Group ha sviluppato una piattaforma agentica già utilizzata da quasi mille ingegneri. Anche DBS Bank, Airwallex e Starling impiegano agenti AI in ambiti che comprendono valutazioni creditizie, assistenza clienti e prevenzione delle frodi.
La pervasività delle applicazioni emerge soprattutto nelle organizzazioni che hanno esteso gli agenti a numerose funzioni interne. SOMPO ha sviluppato oltre 10.000 agenti personalizzati per 34.000 dipendenti, Orange Spain ne ha realizzati più di mille per risorse umane, IT, vendite e assistenza clienti, mentre Tata Steel ha introdotto oltre 300 agenti in nove mesi per attività legate alla sicurezza, alla catena di approvvigionamento e alla gestione dei reclami. Qatar University ha sviluppato più di 2.000 agenti destinati ad attività amministrative e di ricerca.
Nell’industria e nei servizi, i risultati interessano anche processi operativi complessi: Nokia ha registrato riduzioni fino all’80% dei tempi di risoluzione di alcuni incidenti di rete, mentre Tata Steel ha dimezzato quelli necessari per gestire i reclami. Hitachi ha sviluppato oltre 200 casi d’uso nelle proprie soluzioni industriali HMAX, con miglioramenti della produttività fino al 30%, e NTT DOCOMO ha recuperato circa 450.000 ore di lavoro all’anno attraverso l’automazione dell’analisi dei dati.
L’adozione riguarda anche grandi popolazioni aziendali. Ryanair sta distribuendo Gemini Enterprise e Google Workspace a 35.000 dipendenti, mentre Arden University coinvolge oltre 30.000 studenti e dipendenti. Nel commercio, Ulta Beauty utilizza un assistente AI per orientare i clienti tra 30.000 prodotti, con tassi di conversione delle vendite digitali triplicati, e il gruppo Wesfarmers ha registrato circa mezzo milione di ore di lavoro amministrativo risparmiate attraverso un agente interno della catena Bunnings.
Le esperienze comprendono sia applicazioni circoscritte, nelle quali è possibile misurare direttamente la riduzione dei tempi o dei costi, sia distribuzioni estese a migliaia di dipendenti e centinaia di processi. La dimensione organizzativa dell’adozione comincia ad assumere un’importanza paragonabile alle prestazioni dei singoli agenti, soprattutto quando le aziende costruiscono cataloghi di competenze e strumenti condivisi tra funzioni differenti.
L’ecosistema degli agenti coinvolge sviluppatori, fornitori SaaS e società di consulenza
L’espansione di Gemini coinvolge anche le applicazioni aziendali e gli agenti sviluppati da fornitori indipendenti, che possono essere individuati attraverso il nuovo AI Solution Finder, un catalogo di soluzioni e connettori compatibili con l’ecosistema Google Cloud.
Sul versante dei servizi professionali, Accenture ha costituito un gruppo dedicato a Gemini Enterprise per sviluppare progetti di adozione e integrazione nelle aziende clienti, mentre nell’ultimo mese i partner globali di Google Cloud hanno coinvolto complessivamente oltre 100.000 sviluppatori e consulenti in hackathon dedicati alla piattaforma.
L’ampliamento dell’ecosistema di partner accompagna una trasformazione del mercato nel quale gli agenti AI possono diventare componenti condivisi tra applicazioni, infrastrutture e processi aziendali, richiedendo strumenti comuni per la distribuzione, l’integrazione, il monitoraggio e la gestione delle autorizzazioni.
Per le imprese, la scelta di una piattaforma agentica riguarda quindi anche la gestione futura delle conoscenze operative, delle integrazioni applicative e delle procedure sviluppate dagli agenti, elementi che possono acquisire un valore crescente con l’estensione dell’automazione ai processi aziendali.
