Forward Deployed Engineering: come trasformare processi aziendali con AI e agenti

L'AI non ti ruberà il lavoro. Ma qualcuno che sa usare l'AI sì. E oggi voglio parlare di una figura professionale che incarna esattamente questa realtà: il forward deployed engineer (FDE), specialista nell'implementazione di agenti AI all'interno di aziende esistenti.

Quando ho iniziato a esplorare questo mondo, una cosa mi ha colpito subito: si parla molto di "applicare l'AI" alle aziende, ma raramente si entra nel concreto di come farlo davvero. In questo articolo ti mostro il processo end-to-end che uso personalmente quando lavoro con clienti per automatizzare flussi di lavoro complessi, con esempi reali e lezioni apprese sul campo.

Perché l'AI non si "applica" come una mano di vernice

Immagina di entrare in un'azienda e dire: "Usiamo l'AI per migliorare tutto." Bello, no? Il problema è che questa frase non significa niente. L'AI non è un coating che spalmi sopra processi esistenti sperando che tutto migliori magicamente.

La realtà che ho visto lavorando con piccole e medie imprese italiane è molto più complessa. Ogni azienda è un ecosistema di sistemi diversi: hanno acquisito altre società negli anni, operano in regioni diverse, usano software eterogenei. Milano potrebbe essere su SAP e Salesforce, mentre Torino usa NetSuite e HubSpot. E ognuno fa le cose a modo suo.

Vuoi un esempio personale? Pensa alla tua vita digitale: quante inbox hai? Gmail personale, Gmail di lavoro, forse una PEC. E poi ci sono WhatsApp, Slack, iMessage. File sparsi tra Google Drive, Notion, Dropbox, il desktop del Mac. Se è complicato capire come TU usi i tuoi sistemi, immagina un'azienda con 200 dipendenti e 15 anni di storia.

Questo è il motivo per cui "applicare l'AI" fallisce nel 90% dei casi: non si parte dalla comprensione profonda di come funzionano davvero i processi.

Process mapping: la fase che nessuno vuole fare (ma che cambia tutto)

Il primo step quando entro in un'azienda come consulente AI non è installare agenti o integrare Claude. È sedermi con le persone e capire cosa fanno, come lo fanno, e perché lo fanno in quel modo specifico.

Uso tre approcci paralleli:

• Interviste umane : parlo con i responsabili di ogni dipartimento (finance, sales, ops) e scendo nella gerarchia. Scopro che Maria in contabilità "fa quella cosa" da 15 anni e nessuno sa esattamente come. L'informazione vive nella sua testa, non in un documento.
• Mining dei sistemi : osservo in tempo reale cosa succede su Salesforce, NetSuite, Make. Se un record viene modificato il 70% delle volte dopo essere stato inserito, c'è un problema di processo, non di tecnologia.
• Documentazione esistente : leggo quello che hanno scritto (spesso obsoleto) su SharePoint, Drive, Notion. Serve, ma da solo non basta mai.

Ho fatto questo lavoro con un'azienda SaaS italiana: sulla carta, il loro processo di gestione quote aveva 5 step. Nella realtà? 20 step con 7 loop di eccezioni. Il 61% delle richieste tornava indietro almeno una volta. Nessuno lo sapeva con precisione finché non l'abbiamo mappato.

Quando ho mostrato il diagramma di flusso reale al CFO, mi ha detto: "Hai capito il nostro dipartimento meglio di noi." Non perché sia un genio, ma perché nessuno prima aveva fatto questo lavoro di fotografia completa del sistema.

Come decidere cosa automatizzare (e cosa no)

Una volta mappato il processo, divido ogni singolo step in quattro categorie. Questo framework mi ha salvato ore di lavoro inutile:

• Cancella : alcuni passaggi non hanno più senso di esistere. Erano workaround per software vecchi o policy superate. Via.
• Codice deterministico : se è un semplice "se X allora Y", scrivo una regola. Niente AI necessaria. API call, switch case, automazione con Make o n8n.
• Agenti AI : quando serve giudizio, contesto, decisioni basate su dati storici. Esempio: valutare una fattura complessa, capire quale categoria di spesa assegnare a una voce ambigua.
• Human in the loop : approvazioni finali, firme contrattuali, pagamenti. Qui l'umano rimane al comando, sempre.

Nel caso dell'azienda SaaS, dei 20 step originali: 3 li abbiamo cancellati, 8 sono diventati codice semplice, 5 li gestiscono agenti AI (costruiti con Claude e LangGraph), 4 rimangono umani. Risultato: da 24 giorni di ciclo medio a 6 giorni, con accuratezza al 98%.

Lavorare dentro i sistemi esistenti, non contro di loro

Uno degli errori che vedo più spesso: qualcuno propone di rimpiazzare Salesforce con un "CRM AI-native". Boom, hai perso il cliente.

Le aziende hanno speso anni e centinaia di migliaia di euro per implementare i loro sistemi di record. Non li sostituiranno per te. La mossa vincente? Costruire agenti che vivono DENTRO Salesforce, NetSuite, HubSpot.

Io uso principalmente:

• Automazione: Make per orchestrare flussi tra sistemi
• Agenti: Claude via API (a volte OpenRouter per routing tra modelli), framework come LangGraph quando serve stato complesso
• Interfaccia: Slack per notifiche e approval umane

L'utente finale non vede "un nuovo tool AI". Vede Salesforce che funziona meglio. Le quote si generano da sole, i dati si puliscono automaticamente, le anomalie vengono segnalate in Slack. Zero curva di apprendimento.

Questo approccio ha un altro vantaggio: non devi riqualificare nessuno. Il team continua a usare gli strumenti che conosce, solo che ora quegli strumenti sono potenziati da agenti invisibili che lavorano in background.

Modelli AI: frontier vs open source, quando usare cosa

Una domanda che mi fanno spesso: "Quale modello devo usare?"

La verità? La maggior parte dei task di automazione aziendale non richiede modelli frontier. Non serve GPT-4 o Claude Opus per elaborare una fattura o aggiornare un campo CRM.

Nel mio lavoro:

• Uso Claude Sonnet 3.5 per task che richiedono ragionamento complesso o comprensione di contesto lungo (analisi di contratti, email multi-thread)
• Modelli più leggeri (anche open source via OpenRouter) per classificazione, data extraction, routing
• GPT-4o-mini quando serve velocità e il task è semplice

Testo sempre multipli modelli per ogni workflow specifico. A volte un modello meno blasonato performa meglio per quel caso d'uso particolare, e costa un decimo.

Per le aziende italiane ed europee c'è un tema importante: la compliance. Molti preferiscono routing attraverso Azure, AWS Bedrock o Google Vertex per garanzie contrattuali su data retention. Zero training sui dati del cliente. Questo è un requisito non negoziabile per banche, assicurazioni, healthcare.

Risultati concreti: numeri che convincono i CFO

Quando presento un progetto di automazione, parlo la lingua dei CFO: KPI misurabili.

Esempio reale (dettagli modificati per privacy): studio contabile con 60 persone, 400 clienti, 12M€ di fatturato annuo. Processo di gestione fatture passive mappato: 17 step, 6 loop di eccezione, 24 giorni di ciclo medio.

Dopo la re-ingegnerizzazione con agenti:

• Step: da 17 a 7
• Ciclo medio: da 24 giorni a 6
• Loop di eccezione: da 6 a 1
• Straight-through rate: da 18% a 87%
• Costo per fattura: da 31€ a 6€ (riduzione 80%)

Questi numeri si traducono in margini. E i margini si traducono in valutazioni aziendali più alte, capacità di investimento, competitività.

Il punto non è "licenziare persone". Le aziende con cui lavoro vogliono vincere, crescere. Preferiscono avere il loro miglior contabile che fa analisi strategica invece di inseguire fatture mancanti. È riallocazione di risorse umane verso attività a più alto valore.

Come iniziare se vuoi diventare forward deployed engineer

Se questo mondo ti affascina e vuoi muovere i primi passi, ecco il mio consiglio pratico:

Lunedì: Mappa tutti i sistemi che usi personalmente. Email, drive, note app, calendar, banking app. Scrivi dove vive ogni tipo di informazione.

Martedì: Elenca 20 task che hai fatto la settimana scorsa. Pagare una bolletta, inviare una fattura se sei freelance, prenotare un viaggio, cancellare un abbonamento.

Mercoledì: Scegli UN task e mappalo step-by-step. Ogni singolo click, ogni decisione, ogni eccezione possibile.

Giovedì: Classifica ogni step: cancella, codice, agente, umano.

Venerdì: Trova 10 piccole imprese locali (parrucchieri, studi legali, negozi) e offri di automatizzare QUEL processo specifico. Gratis se serve, per fare esperienza. La prossima volta potrai chiedere migliaia di euro.

Gli strumenti li conosci già: Claude Code per scrivere automazioni, Make o n8n per connettere sistemi, Slack per interfacce. Parti da lì.

La parte difficile non è la tecnologia. È capire i processi, parlare con le persone, vedere cosa non funziona. Quella skill si sviluppa solo sul campo, un cliente alla volta.

L'opportunità nascosta (e la domanda scomoda)

Siamo in un momento straordinario. Un professionista singolo, con gli strumenti giusti, può automatizzare processi che prima richiedevano team di 10 persone. Ho visto studi di 5 persone competere con multinazionali perché hanno capito come usare agenti AI in modo strategico.

Ma c'è una domanda che mi tengo aperta, con curiosità: fino a quando saremo noi a usare questi strumenti, e non viceversa? Costruiamo agenti che prendono decisioni sempre più autonome, che "capiscono" contesti sempre più complessi. A un certo punto, chi sta davvero ottimizzando chi?

Non ho una risposta. So solo che oggi l'opportunità è enorme per chi sa navigare questo spazio. Che tu voglia diventare un forward deployed engineer, ottimizzare la tua azienda, o semplicemente capire dove sta andando il mercato del lavoro nei prossimi anni: il processo che ti ho mostrato funziona.

Parti da un processo piccolo. Mappalo con ossessione maniacale. Ri-progettalo con intelligenza. Automatizza quello che ha senso automatizzare. Misura i risultati. Ripeti.

Se stai iniziando, il mio consiglio è di partire da qualcosa che conosci bene. Il tuo flusso di lavoro personale, quello di un amico freelance, una microimpresa locale. L'esperienza che fai lì vale più di 100 corsi online. E quando avrai automatizzato il tuo primo processo end-to-end, capirai esattamente di cosa sto parlando.