E-commerce Fest

Dopo l’effetto "wow" delle demo, gli AI Agents devono affrontare la prova più difficile: la produzione.Autonomia, reasoning e tool calling promettono applicazioni potenti, ma senza controllo possono generare costi elevati, latenza, rumore nel contesto e risultati poco prevedibili.L’intervento analizza cosa succede quando un agente passa dal prototipo a un sistema operativo reale.Il percorso parte da un caso concreto, dal quale emergono i principali colli di bottiglia: context overload, tool bloat, payload e web search.Vengono approfondite strategie per ridurre il contesto senza perdere qualità, guidare l’uso dei tool e introdurre logiche di budgeting.Il focus è sulla progettazione di funzioni più leggere, mirate e sostenibili.Non si tratta di limitare l’intelligenza dell’agente, ma di darle un’architettura più controllabile.Spazio anche a monitoraggio, controlli qualitativi automatici e scenari futuri, dai sistemi SLM + LLM alla code execution.Perché un agente AI sostenibile non si improvvisa, ma nasce da scelte precise di design.

Nell’era degli AI agent che agiscono autonomamente, affidarsi soltanto a modelli linguistici di grandi dimensioni (LLM) può diventare inefficiente. I LLM richiedono infrastrutture costose, elevato consumo energetico e non sono adatti a dispositivi periferici . Inoltre, l’invio di dati sensibili al cloud comporta latenza, costi di banda e rischi per la privacy . Il talk introduce i Small Language Models (SLM), modelli con milioni (e non miliardi) di parametri, adatti a compiti specializzati. Questi modelli consumano meno energia, offrono inferenze rapide e possono essere eseguiti su dispositivi edge o embedded . Grazie a tecniche come quantizzazione, pruning e fine‑tuning efficiente, gli SLM permettono di spostare l’intelligenza dal cloud all’edge, abbattendo la latenza e proteggendo i dati locali . Mostrerò casi d’uso dove gli SLM si integrano in architetture distribuite: da robot collaborativi a dispositivi IoT, fino a sistemi federati per la tutela della privacy. Confronterò i costi e le prestazioni con i modelli LLM , illustrerò tecniche di ottimizzazione e presenterò un metodo per migrare agenti basati su LLM verso SLM specializzati, come suggerito da recenti studi di NVIDIA . L’obiettivo è dimostrare che i micro‑modelli linguistici non solo sono sufficientemente potenti per la maggior parte delle funzioni agentic , ma rappresentano anche una soluzione più sostenibile ed economica rispetto ai generalisti, favorendo una AI più democratica e diffusa.

Tra il desiderio del cliente e il prodotto giusto, oggi c'è un nuovo attore: l’agente AI. Scopre, sceglie e acquista — accanto alle persone, prima delle persone, per le persone. Il traffico agentico è cresciuto dell’8000% in un anno. Ma non sono solo numeri: il 72% dei clienti desidera esperienze d’acquisto più immediate, guidate da agenti che confrontano, selezionano ed escludono brand. La SEO tradizionale non basta più: i brand devono essere scelti sia dagli utenti sia dagli agenti. Mentre il marketing si sta reinventando all’esterno, all’interno delle aziende cresce la Frontier Firm: un’organizzazione in cui persone e agenti collaborano, trasformando ambizione, idee e intelligenza in nuovi modelli di business. Due trasformazioni parallele che, insieme, stanno ridefinendo il vantaggio competitivo nell’era agentica.

As enterprises rush to deploy AI agents in customer-facing operations, most rely on one-time audits and manual testing. This approach offers limited coverage, surfaces problems only after the damage is done, and typically focuses on safety while ignoring accuracy, user experience, and operational efficiency. This session presents a practical framework for continuous AI monitoring and evaluation, drawn from deploying automated testing infrastructure across major European enterprises. Attendees will learn why point-in-time testing isn’t enough, how to implement live monitoring that catches failures before they become widespread, and what the EU AI Act actually requires in terms of ongoing oversight versus pre-deployment testing.

Agentic Experience Architectures (AEA) shift AI from task-based automation to journey-structured, context-aware, adaptive intelligence. Agents are organized by user journeys, splitting into: Journey agents that guide intent and decisions, Utility agents that provide memory, retrieval, reasoning, and governance. AEA introduces a layered orchestration model — planner → orchestrators → routers → agents — enabling traceability, safety, and efficient multi-agent collaboration. It fits best where reasoning and user experience must co-evolve (copilots, analytics, Vertical Saas, healthcare, creative tools, enterprise platforms). Security becomes zero-trust, policy-bound, and identity-based across all stages. AEA uses shared state and intent schemas to synchronize reasoning and UX, allowing adaptive, explainable interfaces. With reusable templates, observability, and continuous learning loops, AEA significantly improves:
latency, containment, trust, explainability, cost, and multi-agent yield.

The current landscape of AI technologies often feels like a Swiss Army knife: incredibly powerful, but business leaders are left guessing which tool to use for which problem. Furthermore, early enterprise attempts to deploy AI often rely on fragile, monolithic instructions that lead to unpredictable results, hallucinations, and high costs. This actionable session cuts through the hype to provide a practical, executive-level framework for building reliable AI solutions.First, we establish clear, strategic rules of thumb by walking through relatable enterprise scenarios, from field operations to executive data dashboards. We will demystify core AI architectures by focusing purely on their business utility: when to use AI for secure data retrieval, when to integrate it safely as hands within your existing enterprise systems, and when to deploy autonomous teams of agents to handle complex, multi-step workflows. Next, we introduce a paradigm shift in AI deployment: Agentic Skills. Instead of building unpredictable AI from scratch, attendees will learn how to implement modular, plug-and-play capabilities. These act as strict rulebooks and quality-assurance checkpoints, reducing errors and operational costs. Business leaders will leave this session equipped with the strategic clarity needed to stop experimenting with fragile AI and start deploying scalable, cost-effective solutions that drive tangible enterprise value without getting lost in the technical acronyms.

Supply chain teams spend countless hours on weekly reporting, transfer planning, and answering repetitive questions — high-frequency, low-value work that drains time and energy. We tackled these pain points with 3 purpose-built AI Agents: one auto-generates supply chain weekly reports, compressing hours of data collection and writing into minutes; another simulates transfer plans, rapidly producing multiple scenarios for decision-making; and a third serves as an always-on supply chain assistant, handling routine inquiries that once flooded inboxes. In this talk, I'll break down the design logic, implementation journey, and real-world results of each Agent — giving you a replicable playbook for bringing AI Agents into your own supply chain operations.

An AI roleplay lets a learner practice a real situation, like a negotiation or a difficult conversation, with an AI character that reacts and gives feedback. The hard part is the agentic system behind it. We show how we design the scenarios, orchestrate specialized agents (character, coach, evaluator, etc), set guardrails, and evaluate performance against learning objectives, with the failure modes to avoid. Built at IESE and used by thousands of students. You will leave with a practical blueprint.

Gli agenti AI impressionano sulle attività semplici, ma deludono sul lavoro complesso e ad alta intensità di conoscenza. Perché? I motivi sono molteplici, ma la ragione più profonda non è solo il design o la governance: è che li alimentiamo con contesto grezzo e prompt generici, rumorosi e poveri di informazioni utili, invece che con competenze operative, specifiche, orientate al problema concreto e ancorate alle fonti. L'intervento mostra perché gli agenti generalisti restano superficiali e propone un cambio di approccio attraverso un progetto di ricerca: un sistema che estrae micro-competenze da documenti, manuali e libri, le organizza in un grafo di capacità e, per ogni problema, compone dinamicamente l'agente esperto adatto a ciascuno step di lavoro. Vedremo un caso concreto, i limiti onesti dell'approccio (conflitti tra fonti, tracciabilità, qualità del recupero) e perché la supervisione umana resta decisiva. Un modo diverso di guardare all'Agentic AI: dal contesto alla competenza.

L’AI sta evolvendo rapidamente: da tecnologia di supporto ad agente capace di analizzare, progettare processi e agire al loro interno.In questo scenario, il valore delle persone si trasforma: crescono l’importanza delle competenze, della capacità di interpretare il cambiamento e di una leadership capace di dare direzione, senso e responsabilità all’innovazione. Il nostro ruolo diventa sempre più quello di orchestrare competenze, dati, tecnologie e responsabilità, contribuendo al governo delle decisioni aumentate dall’intelligenza artificiale.La qualità di questa trasformazione dipende anche dal contesto in cui l’AI opera: la cultura che riflette, i valori che incorpora, i dati su cui è addestrata, le infrastrutture e le piattaforme su cui si fonda, le regole che la governano. Per questo la sovranità digitale è la capacità di scegliere e costruire un’AI sicura, affidabile e davvero al servizio delle persone, delle imprese e del sistema Paese.Esploriamo quindi il nuovo ruolo della leadership nell’era dell’AI agentica: guidare l’innovazione, sviluppare competenze, preservare il giudizio umano e passare dalla teoria all’azione. Perché governare l’AI significa comprenderla, sperimentarla e trasformarla in soluzioni sostenibili, con un approccio consapevole, coraggioso e hands-on.

Perché la progettazione degli agenti AI fallisce? Spesso il problema non è la tecnologia, ma è la progettazione. Il Service Design offre un framework per costruire agenti che funzionano davvero: journey mapping, progettazione dei touchpoint e integrazione nei workflow esistenti. I server MCP rappresentano un layer infrastrutturale chiave, permettendo agli agenti di connettersi a dati e servizi esterni e abilitando nuove esperienze che trasformano il software in collaboratori intelligenti e determinando nuovi modelli di interazione più avanzati. Dal service blueprint alla produzione, l’approccio è sistemico e combina design e sviluppo attraverso strumenti come Figma, Claude Code, Replit e vibe coding. Verrà inoltre presentato un caso concreto di progettazione di un agente AI.