Workshop BNL AI Native / AI Agentica
Una giornata di lavoro per condividere una cornice comune sull’AI agentica, sperimentare su scenari controllati, individuare le piste più promettenti da approfondire e chiudere con una visione concreta su adoption, governance e valore nel tempo.
Obiettivo del workshop
Il workshop è pensato come una giornata pratica, non come una presentazione frontale. L’obiettivo è aiutare i partecipanti a capire cosa significa lavorare con agenti AI dentro un contesto bancario: quali attività possono leggere, preparare o supportare; quali limiti devono rispettare; quali condizioni servono per passare da un’idea a un esperimento sicuro.
La giornata alterna momenti di allineamento, lavoro a gruppi e restituzione. Alla fine il gruppo avrà una shortlist di 2–3 piste da approfondire, con una prima lettura di valore, fattibilità, dati necessari e presidi di governance.
1. Logica della giornata
| Momento | Perché esiste | Output |
|---|---|---|
| Allineare | Mettere tutti sullo stesso piano: cosa sono agenti, tool, MCP/API, context layer, human-in-the-loop e policy. | Un vocabolario comune e una cornice non ideologica. |
| Sperimentare | Far vedere che in poche ore si può costruire o simulare qualcosa di utile, senza usare dati reali BNL. | Tre prototipi/canvas di gruppo su scenari sintetici. |
| Decidere cosa esplorare | Capire quali piste meritano un secondo passo e quali condizioni minime servono per non fare teatro. | Shortlist 2–3 esperimenti, criteri e owner BNL. |
| Lasciare visione | Chiudere con il salto di scala: dal singolo demo a un layer di contesto che apprende e genera compound effect di valore. | Una direzione chiara per adoption e roadmap 3–6 mesi. |
2. Cornice di partenza
Punto di partenza
- L’AI agentica consente di ripensare attività operative in cui oggi convivono dati, controlli, decisioni e passaggi tra sistemi.
- Il tema non è introdurre un nuovo chatbot, ma capire dove un agente può leggere contesto, preparare output utili e proporre azioni dentro regole chiare.
Perché serve lavorare su casi concreti
- Il gruppo potrebbe avere livelli diversi di familiarità con agenti, tool, API, context layer e human-in-the-loop.
- La parte pratica serve a spostare la conversazione da “cosa è possibile” a “cosa possiamo provare davvero, con quali limiti”.
- Il laboratorio permette di discutere valore, rischio e fattibilità sullo stesso oggetto, non su concetti astratti.
Vincoli e accortezze
Nessun dato reale BNL nel lab. Solo dataset sintetici, casi inventati o pain point raccontati in forma non sensibile.
Predisporre tre postazioni di lavoro, una per gruppo, con strumenti già testati, materiali di partenza e dataset sintetici. I device personali dei partecipanti possono restare di supporto.
La facilitazione alterna momenti plenari, lavoro a gruppi e restituzione, mantenendo il confronto operativo e accessibile anche ai partecipanti meno tecnici.
3. Struttura proposta della giornata
| Orario | Modulo | Formato | Obiettivo |
|---|---|---|---|
| 10:00–10:20 | Setup e contratto della giornata | Plenaria | Chiarire il patto: giornata pratica, dati sintetici, confronto aperto, nessuna decisione di prodotto da forzare. |
| 10:20–11:20 | Keynote + Q&A | 30’ keynote + 30’ domande | Allineare la stanza su AI agentica, MCP, tool layer, context layer, policy e audit. Le domande servono a far emergere dubbi veri prima del lab. |
| 11:20–11:35 | Brief del laboratorio | Plenaria | Presentare i tre scenari, le postazioni di lavoro, le regole del gioco e il canvas unico per i gruppi. |
| 11:35–13:00 | Lab 1: prototipare o simulare | 3 gruppi facilitati | Ogni gruppo lavora su uno scenario e produce un primo flusso: cosa legge l’agente, cosa prepara, cosa non può fare, chi approva. |
| 13:00–14:00 | Pausa pranzo | Informale | Usare la pausa per ascoltare obiezioni, sponsor naturali e casi che non sono ancora usciti in plenaria. |
| 14:00–15:25 | Lab 2: rendere il flusso presentabile | Gruppi facilitati | Stabilizzare demo/canvas, chiarire valore, rischi, dati necessari, policy e primo esperimento sicuro. |
| 15:25–15:40 | Pausa | — | Preparare le restituzioni: 10 minuti netti per gruppo. |
| 15:40–16:20 | Presentazione gruppi | 10’ per gruppo + cambio | Far vedere cosa si è riusciti a fare in poche ore e raccogliere i pattern comuni: valore, blocchi, dipendenze, condizioni di sicurezza. |
| 16:20–16:55 | Scelta delle piste da esplorare | Plenaria guidata | Arrivare a 2–3 ipotesi da approfondire: cosa merita un prototipo, cosa richiede dati/architettura, cosa va scartato o rimandato. |
| 16:55–17:35 | Chiusura: dal demo al valore nel tempo | Chiusura ispirazionale pragmatica | “Abbiamo visto cosa si può fare in poche ore. Questo è ciò che potremmo fare nel tempo”: context layer, intelligenza organizzativa, adoption reale, valore che si accumula. |
| 17:35–17:50 | Next step leggeri | Plenaria finale | Concordare follow-up, materiali da produrre e chi deve essere coinvolto nel passaggio successivo. |
4. Scenari da valutare per il laboratorio
Scenario A — Processo assistito con dati sintetici
Usare un caso controllato per mostrare come un agente può leggere contesto, preparare un output spiegabile e proporre il passaggio successivo. Tutto avviene su dati finti e richieste realistiche, senza esporre dati o decisioni reali.
Scenario B — Un pain dall’assessment
Partire da un dolore concreto emerso dal mini-assessment o dalla stanza e costruire un agente che lo riduce: leggere contesto, preparare una risposta, generare un controllo, proporre un’azione con approvazione.
Scenario C — Caso inventato, sorpresa anche per loro
Preparare prima un caso sintetico ben studiato: azienda, fatture, movimenti, scadenze, anomalie e vincoli. Il gruppo lo scopre in sala e lavora come se fosse un cliente reale, ma senza rischi.
Progressione comune
Ogni scenario segue la stessa scala: read-only, prepare-only, execute-with-approval. Così business, tecnologia e rischio discutono sullo stesso oggetto.
Ruolo risk/DPO nel gruppo
In ogni gruppo una persona deve fare il “red team” del flusso: bloccare ciò che non sta in piedi, chiedere audit, imporre limiti, trasformare l’obiezione in design.
Output wall
A fine lab tutti usano lo stesso canvas. Si appendono i risultati, si vota e si sceglie cosa esplorare: non il caso più spettacolare, ma quello con miglior rapporto valore/fattibilità/sicurezza.
5. Canvas per i gruppi
| Campo | Domande guida |
|---|---|
| Scenario | Che attività o frizione stiamo affrontando? Chi è l’utente o il beneficiario? |
| Valore | Quale tempo, errore, attrito, rischio o mancata adoption riduciamo? |
| Dati | Quali dati servono? Possono restare nel perimetro BNL? Cosa va sintetizzato o mascherato? |
| Azioni | L’agente legge, prepara o esegue? Quali azioni richiedono firma, approvazione o doppio controllo? |
| Policy | Quali limiti servono: importo, beneficiario, nuovo IBAN, frequenza, ruolo, rischio, audit? |
| Esperienza | Come rendiamo l’output comprensibile e fidato per una persona non tecnica? |
| Esperimento | Qual è il primo test sicuro in 4–6 settimane? |
6. Mini-assessment da mandare prima
- Domanda 1: qual è un processo o momento operativo in cui oggi perdete più tempo tra dati, controlli e decisioni?
- Domanda 2: dove un assistente AI sarebbe utile solo se restasse dentro regole molto chiare?
- Domanda 3: quale dato, sistema o policy rende difficile passare da idea a sperimentazione?
- Domanda 4: quale output vi farebbe dire “questa cosa vale la pena approfondirla” alla fine del workshop?
Formato consigliato: survey secca, 5 minuti, risposte aperte brevi. Nessun dato sensibile o caso cliente identificabile.
7. Setup operativo
Tre postazioni pronte, una per gruppo, con strumenti testati, dataset sintetici e prompt/scenari pre-caricati.
Lista partecipanti con funzione, conferma su eventuali device personali di supporto e vincoli non negoziabili già noti.
Il team di facilitazione guida i momenti plenari, supporta i gruppi, raccoglie domande e mantiene la conversazione concreta.