Come Ho Costruito un Workflow AI Agent per la Produttività

L'AI non ti ruberà il lavoro. Ma qualcuno che sa orchestrare AI agent mentre tu scrivi ancora email manualmente? Quello sì.

Quando ho iniziato a sperimentare con gli AI agent, mi sono reso conto che la vera differenza non sta nel prompt perfetto. Sta nel costruire un sistema dove l'AI lavora in background mentre tu pensi a cosa fare dopo. In questo articolo ti mostro come ho strutturato un workflow reale con AI agent, task management e automazione che mi permette di operare alla velocità del pensiero.

Il Problema con i Workflow AI Tradizionali

La maggior parte dei professionisti usa l'AI come un chatbot glorificato: apri Claude, chiedi qualcosa, aspetti la risposta, copi, incolli, ripeti. Questo approccio ha un limite fondamentale: il contesto switching. Ogni volta che passi da un task all'AI e poi di nuovo al task, perdi focus. E se hai cinque idee contemporaneamente? Devi metterle in coda mentalmente mentre aspetti che l'AI finisca il primo output.

Ho capito che serviva un cambio di paradigma: invece di usare l'AI, dovevo farla collaborare con me in uno spazio condiviso. Un posto dove potevo buttare giù idee, assegnare task agli agent, e ricevere output pronti per il quality check. Senza stare incollato al terminale.

Il Cuore del Sistema: Workspace Condiviso Umano-AI

Ho costruito il mio workflow su Linear, un tool di project management che uso per tracciare task. La struttura è semplice:

• Inbox: nuovi task appena creati
• Next: task pronti per essere presi in carico
• Doing: task in esecuzione (da umano o agent)
• Waiting: task completati dall'agent, in attesa di verifica
• Done: task approvati e chiusi

La magia sta nel fatto che non sono solo io a lavorare su questa board. Ho configurato un sistema dove, quando taggo un task come "AI ready" e lo sposto in Next, un webhook invia una richiesta a un agent che vive su un server. Questo agent preleva il task, consulta la mia knowledge base (contenente esempi di lavori precedenti, preferenze stilistiche, linee guida operative), e inizia a lavorare autonomamente.

Esempio concreto: ho bisogno di ideare cinque nuovi video YouTube. Creo il task, scrivo una descrizione veloce ("usa contesto dai video pubblicati prima, genera tre opzioni di titolo per ognuno, includi angoli e outline basati su trend attuali"), taggo come AI ready, e sposto in Next. In pochi secondi, l'agent prende in carico il task, lo sposta in Doing, e inizia a produrre output. Io nel frattempo posso fare altro.

Capture: Catturare Idee alla Velocità del Pensiero

Un workflow AI efficace non serve a nulla se è difficile da usare. Ho imparato questo principio leggendo Getting Things Done di David Allen anni fa: serve un metodo di "capture" a bassa friction per trasformare qualsiasi idea in un task tracciabile, ovunque tu sia.

Sul Mac, ho configurato una hotkey (Cmd+Shift+L) che apre una finestra per creare un nuovo task in Linear. Sono in giro, mi viene in mente "fix thumbnails per daily updates channel, il testo è troppo piccolo"? Premo la hotkey, detto il task, e in tre secondi è nel sistema. Posso anche taggarlo come AI ready direttamente dalla finestra di creazione.

Sullo smartphone ho creato uno Shortcut iOS legato al tasto azione: premo, detto il task, e arriva su Linear. Se premo due volte, parte automaticamente come task per agent. Risultato? Non perdo mai un'idea. E non devo ricordarmi di "aprire Linear quando torno alla scrivania". Il pensiero diventa task istantaneamente.

Questo abbatte il vero collo di bottiglia della produttività con AI agent: non è quanto veloce lavora l'agent, è quanto velocemente tu riesci a definire cosa vuoi che faccia.

Knowledge Base e Contesto: Insegnare All'Agent Come Pensi

Un agent senza contesto è solo un LLM che esegue prompt. La differenza tra un output generico e uno utile sta nella knowledge base che dai all'agent. Nel mio caso, l'agent ha accesso a tre risorse:

• Workspace context: tutti i task aperti, file recenti, pipeline di contenuti, progetti in corso
• Knowledge base: documenti testuali con esempi di lavori passati, tone of voice, strategie editoriali, framework decisionali
• Credentials: API keys e password per tool che l'agent deve usare (gestite in modo sicuro)

Quando l'agent prende un task, non parte da zero. Consulta la knowledge base per capire "come Nick farebbe questo task", poi applica il suo ragionamento. Esempio: se chiedo "ideate video YouTube", l'agent sa che i miei video migliori sono tutorial pratici con hook controcorrente, che preferisco titoli brevi e diretti, e che evito clickbait. Questo perché ho documentato questi pattern nella knowledge base dopo aver analizzato i miei video con performance migliori.

La knowledge base non è statica. Ogni volta che completo un task manualmente, aggiungo note su come l'ho fatto e perché. Ogni volta che l'agent produce un output che approvo, quello diventa un nuovo esempio. È un ciclo di miglioramento continuo.

Evals: Guardrail Prima del Quality Check Umano

Gli agent fanno errori. LLM-ismi (tipo usare troppi em dash o frasi generiche come "in conclusione"), tone of voice sbagliato, output che tecnicamente rispondono al prompt ma non catturano la tua visione. Se ogni output richiedesse ore di editing, il workflow sarebbe inutile.

La soluzione? Evals: checklist automatizzate che l'agent esegue prima di marcare un task come "waiting". Ho configurato diverse evals:

• Visual Asset Eval: per render e thumbnail, verifica che il testo sia leggibile, nessun carattere distorto, stile corretto (nel mio caso: ink editorial, bianco e nero), leggibile a dimensione thumbnail, fedele al brief, formato giusto (1280x720 per YouTube)
• Decision Eval: per task strategici, valuta se l'output rispetta i miei principi decisionali (ragionamento first principles, scelte ad alto expected value, tempo minimizzato, verifica basata su dati non plausibilità, leverage check)

Ogni eval assegna un punteggio. Se il punteggio è sotto soglia, l'agent itera automaticamente fino a rientrare nei guardrail. Solo allora il task passa a "waiting" e arriva a me per il quality check finale. Questo riduce drasticamente il tempo che passo a correggere output mediocri.

Sì, le evals consumano token. Ma il costo in API calls è una frazione del tempo che risparmi non dovendo riscrivere output da zero.

Quality Assurance: Il Nuovo Ruolo del Professionista

Con questo sistema, il mio ruolo è cambiato. Prima passavo ore a fare il lavoro: scrivere script, creare thumbnail, fare ricerche. Ora passo la maggior parte del tempo a:

1. Scoping: definire task in modo chiaro, con contesto sufficiente perché l'agent capisca cosa voglio
2. Quality check: valutare output che hanno già passato le evals, applicare il mio gusto per selezionare i migliori
3. Iterazione: dare feedback agli agent per migliorare i guardrail e la knowledge base

Esempio pratico: l'agent mi propone cinque idee per video YouTube. Una mi piace molto ("Ho lasciato AI agent gestire un canale YouTube per 90 giorni"), le altre sono mediocri. Commento sul task: "Mi piace l'idea 3. Genera 10 opzioni di thumbnail per questa + aggiungi al content pipeline con alternative". L'agent riparte con questo feedback. Io nel frattempo sono già sul task successivo.

È un salto di astrazione. Non lavoro nei task, lavoro sui task. È lo stesso mindset che ho imparato quando sono passato da freelancer a gesire un team: non scrivi più ogni articolo, ma definisci la strategia e fai quality check. Solo che ora il "team" include agent AI.

Visibilità e Trail Persistente: La Memoria del Sistema

Un vantaggio sottovalutato di questo workflow: tutto ha una traccia. Ogni task ha una history completa: quando è stato creato, chi (umano o agent) ci ha lavorato, quali modifiche sono state fatte, quali label sono stati aggiunti o rimossi.

Questo è fondamentale per due ragioni:

• Debug: se un agent produce un output sbagliato, posso risalire al task, vedere il contesto che aveva, e capire cosa è andato storto (prompt ambiguo? knowledge base incompleta? eval troppo permissiva?)
• Apprendimento: posso rivedere task passati per identificare pattern. Quali tipi di task funzionano meglio con agent? Quali richiedono sempre intervento umano? Dove sto perdendo tempo inutilmente?

A differenza di una chat con Claude che scompare quando chiudi la finestra, questo sistema costruisce una memoria organizzativa. E quella memoria migliora nel tempo.

Cosa Ho Imparato Implementando Questo Sistema

Tre insight che ho maturato dopo mesi di uso quotidiano:

1. Il collo di bottiglia non è l'AI, sei tu. La velocità dell'agent non conta se impieghi 10 minuti a scrivere un prompt chiaro. Investi tempo nel metodo di capture e nello scoping veloce. Usa template per task ricorrenti.

2. La knowledge base è il tuo vero asset. Non sono i prompt. È il contesto accumulato su come lavori, cosa funziona per te, quali sono i tuoi standard. Documenta tutto. Ogni decisione, ogni preferenza stilistica, ogni errore da evitare. Quella documentazione trasforma un LLM generico in un collaboratore che "ti conosce".

3. Quality check in batch cambia tutto. Invece di stare davanti al terminale aspettando output, lancia 10-15 task in parallelo. Torna dopo due ore, trova 10-15 task in "waiting", e fai quality check in batch. È incredibilmente più efficiente. E libera spazio mentale per pensiero strategico.

Un Sistema Replicabile, Non una Ricetta Rigida

Non devi usare Linear. Puoi replicare questo workflow con Notion, ClickUp, Asana, o anche un semplice Google Sheet con script Apps Script. Il tool non è il punto. Il punto è la forma del sistema:

• Uno spazio condiviso dove umani e AI lavorano sugli stessi task
• Un metodo di capture a bassa friction (hotkey, shortcut mobile, automazioni)
• Una knowledge base che dà contesto agli agent
• Evals automatizzate per filtrare output mediocri prima del tuo intervento
• Una pipeline di quality check in batch per massimizzare focus

Se stai iniziando con AI agent nel tuo lavoro, il mio consiglio è di partire semplice: un task manager che ti piace, un webhook su Make o Zapier che invia task a Claude via API, e una cartella Notion con esempi di lavori passati come knowledge base. Poi itera. Aggiungi evals man mano che identifichi errori ricorrenti. Ottimizza il metodo di capture quando ti accorgi che perdi idee.

L'AI può fare cose straordinarie. Ma solo se costruisci l'infrastruttura giusta per lasciarla lavorare mentre tu pensi a cosa fare dopo. E forse, con un filo di ironia, vale la pena chiedersi: quanto tempo ancora prima che siano gli agent a fare quality check su di noi?