AI Agents: quando un freelancer può fare il lavoro di un team

L'AI non ti ruberà il lavoro. Ma qualcuno che sa usare l'AI, sì. E la cosa interessante? Quel qualcuno potrebbe essere un freelancer singolo, con gli strumenti giusti e una buona dose di curiosità.

Quando ho iniziato a sperimentare seriamente con Claude Code e gli AI agent a fine 2024, ho avuto quella sensazione che probabilmente molti di voi hanno provato: la consapevolezza improvvisa che le regole del gioco stavano cambiando. Non tra cinque anni. Adesso.

Quello che sto per condividere non è teoria da conferenza: sono esperimenti concreti, errori inclusi, su come un professionista può usare gli AI agent per automatizzare parti significative del proprio lavoro. E sì, anche qualche riflessione su dove ci porta tutto questo.

Perché gli AI Agent sono diversi dalle automazioni tradizionali

Pensate agli agent come a Zapier, ma con un cervello. Non eseguono solo sequenze predefinite di azioni: prendono decisioni, interpretano contesti, adattano il comportamento in base ai dati che ricevono.

Facciamo un esempio pratico. Ho costruito un sistema di supporto clienti completamente autonomo usando Claude. Il flusso è questo: un cliente scrive, l'agent analizza la richiesta, decide se può rispondere direttamente o se deve coinvolgere il dev agent per fixare un bug. Se il problema è critico (sicurezza, funzionalità bloccante), mergia automaticamente la pull request su GitHub. Altrimenti, prepara la PR e mi notifica per l'approvazione.

Risultato? Mi sveglio con le issue risolte e i clienti che hanno già ricevuto risposta. Non è fantascienza: è Claude Code + API + qualche buona decisione di design.

La differenza rispetto a un workflow tradizionale? Un'automazione classica avrebbe bisogno di mappare ogni possibile scenario in anticipo. L'agent, invece, ragiona sul problema caso per caso. Ovviamente non è perfetto: a volte sbaglia il triage, altre volte la risposta è troppo generica. Ma la percentuale di successo è abbastanza alta da cambiare concretamente il mio carico di lavoro.

Come ho costruito un SaaS gestito interamente da agent

Un esperimento che ho portato avanti nelle ultime settimane: costruire un prodotto SaaS da zero e farlo girare in modo quasi completamente autonomo. L'idea era semplice: un tool per test di personalità basato su framework psicologici validati, con output generati da AI.

Perché l'ho fatto? Primo, volevo testare fino a che punto potevo spingere Claude Code in un progetto reale. Secondo, volevo capire se un prodotto del genere può reggere senza un team tradizionale.

Ho costruito tutto in poche settimane: frontend, backend, sistema di pagamenti, email automation. Il design l'ho fatto io (con un po' di aiuto dall'AI per il copy e le sfumature UX). Il codice? Quasi tutto generato da Claude Code. Costo totale di sviluppo: probabilmente 10-15k€ in token API, molto meno di quanto avrei speso assumendo anche solo un developer freelance per un paio di mesi.

Ma la parte interessante viene dopo il lancio. Ho configurato tre agent principali:

• Support agent: gestisce ticket, risponde ai clienti, inoltra i bug al dev agent
• Dev agent: fixa issue, crea PR, mergia codice per problemi critici
• Marketing agent: analizza dati da PostHog, gestisce campagne su Meta e Reddit, crea varianti di ad creative, ottimizza budget

Quello che mi ha sorpreso di più? Il marketing agent. Gli do accesso ai dati di comportamento degli utenti, a un budget pubblicitario e a una serie di obiettivi (es. "aumenta le conversioni del 10% mantenendo il CAC sotto X€"). Lui fa A/B test, testa creative diverse, sposta budget tra canali. Ovviamente lo monitoro e intervengo quando serve, ma il grosso del lavoro operativo lo fa lui.

Siamo ancora in fase early (qualche decina di migliaia di euro di fatturato), ma il punto non sono i numeri: è la dinamica. Un prodotto del genere, fino a un anno fa, avrebbe richiesto almeno 3-4 persone a tempo pieno. Oggi può girare con un freelancer part-time che supervisiona gli agent.

Il problema (reale) degli AI Agent: debug e affidabilità

Ora, la parte meno sexy. Gli agent sono potenti, ma anche imprevedibili. Passo circa il 50% del mio tempo a debuggare comportamenti anomali, il 30% a migliorare i prompt e le configurazioni, e solo il 20% a fare lavoro produttivo diretto.

È il classico trade-off della productivity tech: passi più tempo a ottimizzare il sistema che a usarlo. La differenza è che, quando funziona, l'output è esponenzialmente superiore a quello che potrei ottenere manualmente.

Un esempio concreto di problema che ho dovuto affrontare: l'agent di supporto ogni tanto "allucinava" informazioni sui clienti, mescolando dati di utenti diversi. Dopo un po' di debugging, ho capito che il context retrieval dal vector database non era abbastanza preciso. Soluzione? Migliorare il chunking dei dati e aggiungere metadata più specifici per ogni chunk.

Un altro issue: gli agent tendono a essere troppo proattivi. Il marketing agent, per esempio, una volta ha aumentato drasticamente il budget su un canale che stava performando bene... senza considerare che era un picco anomalo legato a un evento temporaneo. Ho dovuto aggiungere una regola: "se vuoi fare modifiche di budget superiori al 30%, chiedi conferma prima".

La lezione? Gli agent non sono dipendenti autonomi. Sono più simili a stagisti molto intelligenti ma con zero esperienza. Vanno supervisionati, corretti, istruiti. E questo richiede tempo.

Vector database e memoria: la chiave per agent davvero utili

Una delle limitazioni più grosse degli LLM è il context window. Anche con 1 milione di token (come Claude 3.5), non puoi caricare tutta la documentazione della tua azienda, tutte le email degli ultimi anni, tutti i progetti passati.

Qui entrano in gioco i vector database. In pratica: prendi una massa enorme di dati (documenti, email, trascrizioni di call, codice), li chunki in pezzi più piccoli, li trasformi in embedding numerici e li carichi su un servizio come Pinecone. Quando l'agent ha bisogno di informazioni, fa una query semantica sul database e recupera solo i chunk rilevanti.

Ho costruito un sistema del genere per il mio family office (in pratica, la mia holding personale). Ho caricato:

• Tutti i dati finanziari degli ultimi anni
• Documentazione di tutti i progetti e investimenti
• Email e comunicazioni con partner e fornitori
• Trascrizioni di meeting (uso Fireflies per registrare tutte le call)

Ora posso chiedere cose tipo: "Quanti investimenti in minority venture ho fatto negli ultimi tre anni? Quanti sono in gain, quanti in loss?" E l'agent mi restituisce un report dettagliato in pochi secondi.

Oppure: "Analizza l'ultimo trimestre e dimmi se ci sono red flag: spese in crescita anomala, cali di revenue, problemi operativi". Ovviamente non è infallibile (ogni tanto sbaglia un numero o attribuisce un dato alla company sbagliata), ma come "eye of Sauron" per tenere d'occhio tutto, funziona benissimo.

Un altro use case concreto: ho tutti i miei contatti personali e professionali in un database vettoriale. Posso chiedere: "Sto cercando investitori per un progetto nel settore beverage. Chi conosco che potrebbe essere interessato?" L'agent scandaglia email, note, trascrizioni di call e mi restituisce una lista con motivazioni per ciascuno. Poi gli chiedo di scrivere email personalizzate per ognuno. Risparmio ore di lavoro.

Automazione totale: utopia o distopia vicina?

La domanda che mi faccio (e che probabilmente vi state facendo anche voi): fino a che punto possiamo spingere l'automazione? Avremo davvero "aziende autonome" gestite interamente da AI?

Risposta breve: non ancora. Risposta lunga: dipende da cosa intendiamo per "autonomo".

Ho visto alcune startup che vendono "autonomous companies": carichi la tua idea, l'AI sviluppa il prodotto, lancia le ads, gestisce il supporto, scala il business. Tutto da solo. Bello, no? Peccato che nella pratica non funzioni così. O meglio, funziona per task molto specifici e ben delimitati, ma non per gestire un'intera company end-to-end.

Quello che possiamo fare oggi è automatizzare parti del business: supporto, alcuni task di sviluppo, gestione ads, analisi dati, email outreach. Ma servono ancora decisioni umane per strategie di prodotto, partnership, assunzioni, pivot, fundraising.

Gli agent di oggi sono come Zapier con un cervello, ma restano tool che devono essere istruiti passo-passo. Non sono ancora CEO in a box. Forse tra 6-12 mesi lo saranno. O forse no. Difficile dirlo.

Quello che è certo: il costo di fare impresa sta crollando. Cose che richiedevano team di 10 persone, ora le puoi fare in 2-3 con gli agent giusti. Questo cambia radicalmente chi può competere e come.

Software non è morto, ma il moat è scomparso

C'è una narrativa che gira: "il software è morto, l'AI ha ucciso il SaaS". Non sono d'accordo. Il software non è morto, ma è diventato un commodity.

Fino a qualche anno fa, costruire un buon prodotto software richiedeva un team costoso e competenze rare. Questo creava una barriera all'ingresso naturale: se avevi il team e il capitale per sviluppare un SaaS serio, avevi un vantaggio competitivo.

Oggi? Chiunque con un po' di dimestichezza con Claude Code può costruire un prodotto funzionale in poche settimane. Il costo di sviluppo è crollato. La velocità è aumentata. Il risultato? Più concorrenza, meno differenziazione, pressione al ribasso sui prezzi.

È come il settore dei ristoranti: non è che i ristoranti non funzionano, è che ci sono troppi ristoranti. Se tutti possono aprirne uno, i margini si comprimono.

Questo non significa che non si possano più costruire software business di successo. Significa che il moat non può più essere "abbiamo un buon prodotto". Devi avere altro: un brand forte, una community, un network effect, dati proprietari, relazioni esclusive.

Il mio test di personalità? Tecnicamente, chiunque può replicarlo in una settimana. Il vero valore sarebbe avere una figura credibile del settore psicologia/wellbeing che lo promuove. Senza quello, è solo un bel progetto personale.

Se dovessi consigliare a un giovane imprenditore dove investire tempo oggi, direi: costruisci prodotti veloci per testare idee e fare qualche migliaio di euro al mese. Ma per i soldi veri, investi in asset con moat reali. O, se proprio vuoi restare nel tech, punta su infrastruttura AI (data center, chip, piattaforme di distribuzione) piuttosto che su app consumer.

Conclusione: il momento è adesso, ma con gli occhi aperti

Siamo in un momento strano. Da un lato, non è mai stato così facile costruire, lanciare, scalare. Un singolo professionista con Claude Code, Make, OpenRouter e un po' di budget API può fare cose che fino a ieri richiedevano team interi.

Dall'altro, non è mai stato così difficile difendere una posizione competitiva. Quello che costruisci oggi può essere replicato domani. I margini si comprimono. Le barriere all'ingresso crollano.

Il mio consiglio? Sperimenta, costruisci, lancia. Ma non innamorarti troppo del prodotto. Innamorati del problema, delle persone che lo hanno, delle relazioni che costruisci attorno ad esso. Perché il codice, ormai, lo scrive l'AI. Il valore vero sta altrove.

E ogni tanto, tra un prompt e l'altro, chiediti: sto usando l'AI per amplificare la mia creatività, o sto diventando un operatore di macchine sempre più sofisticate? La risposta, probabilmente, la scopriremo nei prossimi mesi. Insieme.