Coforge ha introdotto un framework di Intent Engineering progettato per aiutare le aziende a costruire sistemi di AI agentica capaci di operare in modo coerente con gli obiettivi di business, i requisiti di governance e le condizioni reali nelle quali vengono inseriti. Il punto di partenza è la crescente autonomia degli agenti AI, che dalle fasi sperimentali stanno passando a workflow operativi e customer-facing nei quali non si limitano più a produrre contenuti o suggerimenti, ma possono prendere decisioni ed eseguire azioni. In questo scenario, secondo Coforge, prompt engineering e context engineering rimangono necessari ma non sono sufficienti: il primo determina essenzialmente come formulare le istruzioni e orientare la risposta del modello, mentre il secondo organizza le informazioni che devono essere messe a disposizione del sistema attraverso strumenti come RAG, database vettoriali, memoria persistente, registri di tool e meccanismi di retrieval. Nessuna delle due discipline stabilisce però necessariamente quale risultato aziendale debba essere perseguito quando l’agente incontra una situazione non esplicitamente descritta nelle istruzioni, deve scegliere fra obiettivi contrastanti oppure opera in condizioni nelle quali cambiano il livello di rischio e le conseguenze di una decisione. L’Intent Engineering viene quindi collocato da Coforge come un terzo livello sopra prompt e contesto: non riguarda semplicemente ciò che il sistema deve dire o conoscere, ma ciò che deve effettivamente ottenere.
Il framework fornisce una metodologia strutturata per definire lo scopo dell’agente, i suoi confini operativi, i criteri utilizzati per misurarne il successo, i controlli di governance e le condizioni che devono provocare un’escalation verso una persona. L’intento non viene trattato come una semplice istruzione più dettagliata, una lista di attività oppure un singolo KPI, ma come la descrizione dello stato che il sistema deve contribuire a creare nel mondo reale, insieme ai vincoli che non può violare e ai parametri attraverso i quali stabilire se il risultato raggiunto sia effettivamente quello desiderato. Coforge utilizza un esempio molto semplice per evidenziare la differenza: chiedere a un agente di “generare un riepilogo finanziario” rappresenta un’istruzione, mentre progettare il sistema affinché consenta al management di prendere una decisione di finanziamento entro cinque minuti, presentando i tre indicatori finanziari più rilevanti, evidenziando i rischi e riassumendo le proiezioni sulla disponibilità di cassa, definisce invece un intento. Nel secondo caso l’agente non dispone soltanto di un output da produrre, ma di un obiettivo, di criteri di successo e di un contesto decisionale che possono guidarlo anche quando le istruzioni predefinite non coprono esattamente la situazione che incontra. Vic Gupta, Executive Vice President di Coforge, sintetizza il problema osservando che molte aziende hanno investito considerevolmente nell’insegnare all’AI cosa dire e cosa conoscere, mentre la difficoltà maggiore consiste nello stabilire che cosa un agente debba ottimizzare quando gli obiettivi entrano in conflitto, il rischio aumenta o si presenta un’eccezione; il framework è stato sviluppato proprio per definire questa struttura decisionale prima che agli agenti venga concessa autonomia su larga scala.
Alla base dell’approccio c’è anche il problema delle metriche proxy, che possono descrivere correttamente l’efficienza di un sistema senza rappresentare il vero obiettivo dell’organizzazione. Coforge richiama il caso di una grande società fintech che aveva affidato a un agente AI una quantità di lavoro equivalente a quella svolta da circa 700 operatori umani, riducendo il tempo medio di risoluzione dei problemi da 11 a 2 minuti e prospettando circa 60 milioni di dollari di risparmi annualizzati. Dal punto di vista delle metriche utilizzate inizialmente, il sistema funzionava: gestiva un numero elevato di richieste e le chiudeva molto più velocemente. Successivamente, però, sono emersi problemi qualitativi che quelle misure non rilevavano adeguatamente, con clienti che tornavano pochi giorni dopo perché lo stesso problema risultava formalmente risolto ma sostanzialmente ancora presente e con effetti negativi sulle relazioni di lungo periodo, fino alla decisione di tornare ad aumentare il contributo umano al servizio. Per Coforge questo tipo di comportamento rappresenta uno dei rischi caratteristici dell’AI agentica: non necessariamente un’allucinazione, un errore tecnico o una violazione delle istruzioni, ma un sistema che esegue correttamente ciò che gli è stato chiesto ottimizzando una variabile che non coincide con il risultato che l’impresa voleva realmente ottenere. Un singolo indicatore di velocità, produttività o completamento può così diventare l’obiettivo operativo dell’agente anche quando porta progressivamente il sistema lontano dalla qualità, dalla sostenibilità della relazione con il cliente o da altri risultati aziendali più importanti.
Per evitare questo disallineamento, il framework sposta quindi la valutazione degli agenti dalla semplice attività prodotta ai risultati successivi generati dall’attività stessa, integrando nella progettazione governance, qualità, accountability e impatto aziendale. Il successo non viene misurato soltanto verificando se una pratica sia stata completata, quanto velocemente sia stata gestita o quante operazioni l’agente riesca a svolgere, ma osservando se le sue decisioni determinino effettivamente il risultato previsto e rispettino contemporaneamente vincoli operativi e di rischio. L’Intent Engineering deve inoltre definire in anticipo quando l’agente possa decidere autonomamente e quando debba fermarsi o coinvolgere una persona: Coforge indica come condizioni tipiche una confidenza insufficiente nella decisione, il conflitto tra vincoli differenti, il superamento di una soglia di rischio oppure l’incontro con circostanze esterne alle condizioni per le quali è stata autorizzata l’autonomia. La qualità dell’intento codificato può essere verificata sottoponendo il sistema anche a situazioni non familiari e controllando se riesca a bilanciare obiettivi concorrenti, rispettare i vincoli non negoziabili e produrre il risultato downstream atteso, invece di limitarsi a completare correttamente il compito immediato. In questo modello, l’escalation verso l’essere umano non rappresenta quindi un’eccezione aggiunta successivamente alla soluzione, ma una delle proprietà che devono essere progettate insieme agli obiettivi e ai confini dell’agente.
Il framework deriva dall’esperienza maturata da Coforge nell’esecuzione di programmi AI aziendali e si inserisce nella più ampia impostazione della società verso sistemi agentici utilizzabili in produzione. Coforge distingue così tre fasi nell’evoluzione della progettazione delle applicazioni basate sui modelli linguistici: la prompt engineering, sviluppatasi soprattutto tra il 2022 e il 2023 per migliorare il modo in cui vengono formulate le richieste; la context engineering, affermatasi successivamente con tecnologie destinate a fornire al modello conoscenze, memoria e strumenti appropriati nel momento necessario; e l’Intent Engineering, che aggiunge obiettivi espliciti, vincoli, risultati misurabili e condizioni di escalation. Le tre discipline non vengono quindi considerate alternative: il prompt continua a fornire la direzione immediata, il contesto mette a disposizione le informazioni necessarie per decidere e l’intento stabilisce verso quale risultato utilizzare entrambi. Con l’aumento dell’impiego di agenti autonomi nel customer service, nello sviluppo software, nelle attività operative, nella ricerca e nel supporto decisionale, Coforge considera questa terza componente necessaria per passare da agenti che producono semplicemente più attività ad agenti la cui autonomia può essere collegata a risultati aziendali misurabili, mantenendo contemporaneamente definiti responsabilità, confini decisionali e punti di intervento umano.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)