Un’analisi di ERGO, Google Cloud e Deloitte descrive come trasformare l’esperienza informale degli esperti in patrimonio aziendale scalabile e governato
Gli agenti autoevolutivi rappresentano oggi uno degli sviluppi più interessanti nell’applicazione dell’intelligenza artificiale al comparto assicurativo, in particolare nella gestione di quella conoscenza pratica che raramente trova posto nei manuali aziendali. Un recente studio firmato da ERGO Innovation Lab, in collaborazione con Google Cloud e Deloitte, affronta il tema partendo da una constatazione tanto semplice quanto trascurata: molte delle competenze più preziose di un’organizzazione non sono mai state messe per iscritto, ma vivono nelle conversazioni, nelle abitudini e nell’esperienza accumulata dai singoli professionisti. Questo patrimonio informale, definito nella letteratura organizzativa come conoscenza tribale, tende a disperdersi con il turnover del personale e con il pensionamento delle generazioni più senior, un fenomeno che in Germania e altrove assumerà nei prossimi anni proporzioni rilevanti.
Il filosofo Michael Polanyi aveva colto con efficacia questa dinamica già decenni fa, osservando che possiamo sapere più di quanto riusciamo a esprimere a parole. È proprio questa distanza tra sapere tacito e sapere documentato che gli agenti autoevolutivi propongono di colmare. A differenza dei sistemi agentici tradizionali, progettati per operare entro flussi predefiniti e stabili, questi agenti sono concepiti per apprendere in modo continuo dall’interazione con gli esperti di dominio, aggiornando progressivamente il proprio comportamento senza richiedere interventi costanti da parte degli sviluppatori. Il modello di riferimento, secondo lo studio, prevede una supervisione umana costante nelle fasi iniziali, con un’autonomia che cresce gradualmente man mano che l’affidabilità del sistema viene dimostrata sul campo, in una logica non troppo dissimile dall’inserimento di un nuovo collaboratore in azienda.
Il documento individua cinque criticità tecniche che ogni implementazione deve affrontare: la tendenza dei modelli a sovrascrivere le conoscenze pregresse quando vengono addestrati su nuovi dati, la mancanza di contesto che può generare errori interpretativi ricorrenti, il naturale invecchiamento delle informazioni dovuto ai cambiamenti normativi e di mercato, la distanza linguistica e metodologica tra esperti di business e team tecnici, e infine i vincoli imposti da sistemi legacy non progettati per un apprendimento continuo. Su quest’ultimo punto lo studio richiama un dato che merita attenzione: secondo una ricerca del MIT, il 95% delle implementazioni di intelligenza artificiale generativa fallisce proprio per l’incapacità di colmare il divario strutturale tra i modelli e l’organizzazione in cui vengono calati.
Lungo la catena del valore assicurativo, dal design dei prodotti alla sottoscrizione, dalla gestione dei sinistri fino all’analisi dei dati, lo studio individua tre grandi aree in cui gli agenti autoevolutivi possono generare valore concreto: la conservazione della conoscenza specialistica, l’intelligenza operativa derivante dalle migliaia di interazioni quotidiane con clienti, agenti e broker, e la ricalibrazione continua di modelli di pricing e riservazione che altrimenti verrebbero validati solo su base trimestrale. Un caso applicativo descritto nel documento riguarda un motore di contenuti sviluppato da ERGO per rispondere ai cambiamenti imposti dalla ricerca generativa: un sistema multi-agente in grado di produrre testi, immagini, video e pagine web complete a partire da una singola parola chiave, con una riduzione dei tempi di produzione da settimane a pochi minuti e un miglioramento misurabile della qualità dei contenuti secondo le valutazioni degli esperti interni.
Lo studio insiste tuttavia sul fatto che l’autonomia non può essere né l’obiettivo immediato né un valore assoluto. Le implicazioni normative sono numerose e si sovrappongono su più livelli: dal Digital Operational Resilience Act al regolamento europeo sull’intelligenza artificiale, fino alla protezione dei dati personali, ogni implementazione deve fare i conti con un quadro regolatorio articolato e in continua evoluzione. Per questo motivo il documento raccomanda alle imprese di dotarsi di strutture di governance solide, sistemi di identità e accesso dedicati agli agenti e meccanismi di osservabilità capaci di tracciare ogni fase dell’apprendimento.
Il percorso delineato non si esaurisce nella capacità di assorbire conoscenza dagli esperti umani, una risorsa preziosa ma non inesauribile. Nelle fasi più avanzate, gli autori ipotizzano che gli agenti possano iniziare a generare autonomamente nuove opportunità di apprendimento, simulando scenari futuri o testando strategie alternative in ambienti controllati, un’evoluzione che secondo la ricerca condotta da Google nell’ambito del progetto Agent Gym potrebbe portare, in alcuni domini specifici, a sistemi capaci di superare le competenze degli stessi esperti che li hanno formati.
A cura di Vincenzo Giudice
Leggi anche: https://www.intermediachannel.it/2025/11/18/pwc-lagentic-ai-sta-ridefinendo-il-settore-assicurativo/
