Agentic AI non è più una promessa da laboratorio per le telecomunicazioni. È entrata nelle operation degli operatori, ma lo ha fatto seguendo una traiettoria precisa: prima nei processi meno rischiosi, poi nei domini dove servono decisioni più rapide, dati aggiornati e maggiore autonomia. Il punto, oggi, non è più chiedersi se gli agenti intelligenti arriveranno nelle telco. La domanda è dove possono già produrre valore e dove, invece, occorre ancora costruire fiducia.
Il report “Agentic AI in telecoms: what is live now and coming next?” di Stl Partners, firmato da Amy Cameron, fotografa questa fase di passaggio. L’analisi delle demo e degli annunci presentati al Mwc 2026 mostra un settore in piena accelerazione, ma non ancora pronto a consegnare all’AI agentica le decisioni più delicate sulle reti. La tecnologia sta penetrando nelle operation, soprattutto in aree come billing e manutenzione sul campo, che non richiedono dati real time né interventi diretti sulle funzioni core di rete.
Il messaggio è chiaro: l’Agentic AI sta diventando concreta, ma la sua autonomia resta selettiva. Funziona meglio dove il contesto è ricco, i rischi sono circoscritti e la risposta corretta può essere verificata. Diventa molto più complessa quando deve agire su domini operativi critici, dove una scelta sbagliata può incidere sulla qualità del servizio, sugli Sla o sulla continuità della connettività.
Indice degli argomenti
Dal clamore alla messa a terra
L’interesse del settore non manca. Stl Partners ha raccolto 64 annunci e dimostrazioni rilevanti sull’Agentic AI presentati al Mwc 2026. Secondo il report, si tratta solo della parte più visibile di un fenomeno più ampio. At&t avrebbe già implementato oltre 400 agenti AI nel proprio business, mentre SK Telecom ne conterebbe più di 2.000 a uso interno.
La portata del cambiamento emerge anche dalle parole di Howard Watson, chief security and networks officer di BT: “Il modo più semplice in cui penso all’Agentic AI è che significa AI che fa cose”. La frase coglie il passaggio essenziale. Non si parla più solo di modelli che generano testi, analizzano dati o supportano un operatore umano. Si parla di sistemi capaci di interpretare un obiettivo, attivare strumenti, coordinare azioni e completare attività.
Tuttavia, proprio questa capacità apre il nodo industriale più delicato. Nelle telecomunicazioni, “fare cose” significa spesso intervenire su processi ad alta complessità. Può voler dire rispondere a un cliente, aggiornare un Crm o proporre un’offerta. Ma può anche significare modificare parametri di rete, reagire a un degrado di servizio o avviare una remediation automatica.
La distanza tra questi due mondi spiega perché l’adozione procede a velocità diverse. Nei servizi clienti l’Agentic AI ha già spazio operativo, mentre nelle reti resta più spesso in fase di trial, Poc o soluzione tecnica ancora da consolidare.
Perché il customer care corre più veloce
La maturità maggiore si registra nel customer engagement. Il motivo non è solo organizzativo, ma strutturale. I grandi modelli linguistici lavorano meglio quando possono accedere a dati contestuali consolidati. Nel customer care questi dati esistono già: conversazioni precedenti, sistemi Crm, cataloghi di servizio, informazioni di billing e storico delle interazioni.
Stl Partners osserva che le applicazioni agentiche sono più mature nei servizi clienti proprio perché i modelli possono essere addestrati su basi informative più ricche e stabili. Nelle operation di rete, invece, l’uso si concentra ancora su domini specifici, come ottimizzazione Ran, field operation e assurance, senza arrivare nella maggior parte dei casi a decisioni real time e multidominio.
Il customer care offre inoltre un profilo di rischio più contenuto. Un errore può generare un’esperienza negativa, ma difficilmente compromette un’intera funzione di rete. Per questo gli operatori possono sperimentare con maggiore libertà, lasciando agli agenti il compito di risolvere richieste ricorrenti, assistere gli operatori umani o personalizzare le interazioni.
L’obiettivo finale va oltre la semplice automazione del call center. Le telco puntano a servizi più reattivi e personalizzati: assistenti capaci di adattare linguaggio e tono, proporre pacchetti su misura, rispondere in dialetti locali o modulare il troubleshooting in base alla competenza tecnica dell’utente.
ùQuesta evoluzione cambia anche il ruolo degli operatori. La relazione con il cliente non si limita più alla connettività. Può diventare un’interfaccia digitale più ampia, integrata con pagamenti, commercio elettronico, servizi finanziari o gestione della vita quotidiana. In questo scenario, l’Agentic AI diventa uno strumento per espandere il perimetro competitivo delle telco.
Frodi e assistenti digitali: i primi casi real time
Il real time, nei servizi clienti, compare soprattutto nella protezione dalle frodi. Secondo il report, al momento solo un tipo di implementazione usa dati in tempo reale: i servizi di rilevamento delle chiamate scam basati su AI di SK Telecom e LG Uplus. Si tratta però di soluzioni app-based, disponibili per i clienti che rispondono tramite le app proprietarie degli operatori.
Il tema diventerà sempre più rilevante. L’AI generativa aumenta il rischio di frodi vocali, impersonificazioni e chiamate automatizzate sofisticate. Di conseguenza, gli operatori possono assumere un ruolo più attivo nella protezione del cliente, sfruttando dati di rete, segnali comportamentali e analisi real time.
Il report cita i trial di e&, Singtel e Deutsche Telekom attraverso la joint venture Syntelligence. Singtel testa una funzione di AI Call Screening che consente di trasferire chiamate in ingresso a un agente AI, capace di generare una trascrizione in tempo reale. Deutsche Telekom sperimenta una valutazione del rischio associato al numero chiamante, mentre e& lavora anche sul monitoraggio vocale per identificare voci false.
La seconda direzione riguarda gli assistenti personali. Docomo SyncMe viene indicato come uno degli esempi più avanzati mostrati al Mwc 2026. L’assistente si sincronizza con app diverse, tra calendario, acquisti e messaggi, e può generare notifiche, promemoria e raccomandazioni.
Qui si intravede una possibile ridefinizione del business telco. Se l’operatore possiede dati, relazione e canali digitali, può provare a costruire un assistente realmente utile. Ma deve farlo senza trasformare la personalizzazione in invasività. Anche in questo caso, la fiducia resta la variabile decisiva.
Nelle reti l’autonomia resta più prudente
La parte più strategica riguarda le reti. Al Mwc 2026 sono emerse soluzioni agentiche già attive in ambienti live: efficienza energetica, ottimizzazione Ran, gestione inventariale, riconciliazione, supporto alla manutenzione sul campo e ispezione visuale degli apparati. Tuttavia, Stl Partners sottolinea che la maggioranza dei casi resta limitata a un singolo dominio operativo. Inoltre, nessuna implementazione live dipende da dati real time sotto il secondo.
Questa prudenza non sorprende. Una rete di telecomunicazioni non è un ambiente statico. Cambia di continuo, assorbe picchi di traffico, gestisce priorità diverse e deve garantire qualità anche in condizioni imprevedibili. Per un agente AI, intervenire su questi sistemi significa ragionare su dati che possono diventare obsoleti nel giro di pochi istanti.
Il report individua due barriere tecnologiche centrali. La prima è la latenza di inferenza: i cicli di ragionamento degli agenti sono ancora troppo lenti per decisioni sotto il secondo. La seconda è la data currency, cioè l’attualità del dato. Anche con un’inferenza istantanea, un agente che lavora su dati quasi real time può prendere decisioni su uno stato della rete già superato.
A queste difficoltà si aggiunge un problema di fiducia. Le telco non sono ancora pronte ad affidare all’AI decisioni indipendenti quando non esiste una risposta chiaramente corretta o sbagliata. La maturità del reasoning, quindi, non basta. Serve una governance capace di definire limiti, responsabilità, supervisione e percorsi di escalation.
Il caso Deutsche Telekom e la Ran intelligente
Uno degli esempi più significativi riguarda Deutsche Telekom, che ha collaborato con Google Cloud allo sviluppo della soluzione Mindr, Multi-Agentic Intelligent Network Diagnostics & Remediation. Il programma include due capacità principali: Ran Guardian Agent, già avviato in produzione live in Germania nel novembre 2025, e Multi-Agent Intelligence for Service Operations, ancora in sviluppo.
Ran Guardian Agent usa modelli Google Gemini per monitorare il comportamento della rete durante i picchi di traffico. Il sistema implementa automaticamente azioni correttive per evitare carichi eccessivi sui siti Ran e preservare l’esperienza degli utenti finali. Durante la stagione dei mercatini di Natale in Germania, secondo il report, ha ridotto del 95% il tempo dedicato alla gestione delle operation di rete durante grandi eventi, portandolo a circa un minuto. Solo oltre l’1% dei 611 siti coinvolti, a servizio di 130 eventi con più di 10mila persone, ha registrato picchi di carico.
Il dato è rilevante perché mostra dove l’Agentic AI può produrre impatto immediato. Non sostituisce l’intera gestione della rete, ma automatizza un contesto specifico, ben delimitato e misurabile. È un approccio coerente con la fase attuale: procedere per domini, ridurre gradualmente il ruolo dell’uomo nel loop e costruire fiducia attraverso risultati verificabili.
La prospettiva successiva è più ambiziosa. Il report indica come prossima evoluzione la gestione Ran di 237.000 eventi su larga scala nel 2026. Questo significa portare l’automazione agentica da alcuni scenari ad alta visibilità verso una gestione più industriale dei picchi e delle congestioni.
Api, slicing e orchestrazione chiusa
Il passaggio più complesso riguarda l’orchestrazione multidominio. Le telco non cercano solo agenti più intelligenti, ma sistemi capaci di coordinare rete mobile, rete fissa, cloud, edge e servizi avanzati. Qui entrano in gioco le Api standardizzate e i modelli di closed-loop orchestration.
Stl Partners cita il trial condotto da Colt, Orange, Google Cloud e Mplify, che combina Agentic AI e Api di rete standardizzate per orchestrare servizi su reti cablate e wireless. Nella demo, gli agenti AI richiedono dinamicamente Quality on Demand tramite Api Camara sulla rete mobile Orange e invocano nello stesso tempo Api di lifecycle service orchestration di Mplify per breakout privati su rete fissa Colt. Il caso d’uso riguarda veicoli autonomi per attori automotive come Tata Elxsi e Denso.
Questo scenario indica una direzione strategica per il settore. Le reti non dovranno solo trasportare traffico. Dovranno interpretare intenzioni, configurare risorse e garantire qualità in modo dinamico. L’Agentic AI diventa quindi un livello di intelligenza operativo, ma la sua efficacia dipende dalla disponibilità di interfacce standard, dati affidabili e policy rigorose.
La stessa logica emerge nell’intent-based provisioning. L’utente esprime in linguaggio naturale ciò di cui ha bisogno, mentre l’agente traduce la richiesta in una configurazione di rete coerente con policy e risorse disponibili. Nel caso AgentRan, presentato da Northeastern University, SoftBank e Keysight Technologies, le richieste vengono scomposte in azioni per agenti specializzati lungo lo stack Ran, con il supporto di un Large Telecom Model proprietario e di un digital twin radio frequency.
Il nodo della governance umana
La questione non riguarda solo la tecnologia. Ogni aumento di autonomia obbliga le telco a ridefinire il rapporto tra uomo e macchina. Oggi molte implementazioni mantengono l’essere umano nel loop o sopra il loop. L’agente può raccomandare, eseguire compiti delimitati o attivare escalation, ma raramente governa processi critici senza supervisione.
Secondo Stl Partners, il percorso verso modelli più autonomi sarà graduale. Gli operatori dovranno addestrare modelli e agenti affidabili in ambienti complessi, riducendo passo dopo passo la presenza umana nei processi decisionali. In parallelo, dovranno superare le barriere tecnologiche al decisioning real time nei singoli domini, a partire dalla Ran.
Questa progressione ha una logica industriale. Prima si automatizzano attività semplici e ripetitive. Poi si passa a sottofunzioni complete. Infine si affrontano processi che attraversano più domini e fasi del ciclo di vita. Il salto finale, però, richiede una capacità di audit e controllo molto più robusta.
La governance dovrà includere criteri di autorizzazione, tracciabilità delle decisioni, gestione degli errori e meccanismi di rollback. Senza questi elementi, l’Agentic AI rischia di restare confinata a casi d’uso a basso rischio. Con questi elementi, invece, può diventare una leva per reti più resilienti, proattive e sostenibili.
Partecipa alla community