From Personal Productivity to Multi-Agent Systems: Generative AI Adoption in Industrial Automation through Reverse Mentoring Dalla Produttività Personale ai Sistemi Multi-Agente: l'Adozione dell'Intelligenza Artificiale Generativa nell'Automazione Industriale Attraverso il Reverse Mentoring

L'IA generativa e agentica viene spesso discussa in termini di capacità dei modelli, ma la sua adozione all'interno di un'impresa consolidata e fortemente strutturata è più difficile di quanto questa prospettiva lasci intendere: è vincolata tanto dalla frammentazione dei dati, dagli strumenti legacy, dalle catene di approvazione dominate dai processi e dalla fiducia organizzativa quanto da ciò che il modello è effettivamente in grado di fare. In questa tesi documento come tale adozione si è concretamente sviluppata nell'arco di dodici mesi in System Logistics, azienda di medie dimensioni che produce sistemi di magazzino automatizzati, attraverso il Reverse Mentoring. Si tratta di un programma strutturato, facilitato da una società esterna di consulenza organizzativa, che mi ha posto, in quanto dipendente junior, in un rapporto di lavoro diretto con i dirigenti senior, affinché le competenze sull'IA potessero fluire verso l'alto e non soltanto verso il basso. I problemi che ho affrontato erano concreti e ricorrenti, ciascuno radicato in un modo di lavorare che l'azienda aveva consolidato molto prima dell'arrivo dell'IA generativa: conoscenze tecniche disperse tra manuali e conversazioni informali in reparto; un processo di analisi dei dati del Pre-Sales troppo fragile per andare oltre un singolo prompt; colli di bottiglia più piccoli ma frequenti nelle aree Legal, HR e Vendor Rating. Ho sviluppato e messo in uso operativo un agente di memoria tecnica interrogabile, che ancora ogni risposta a una fonte citabile anziché a una ricerca basata sul recupero, insieme a tre agenti low-code più leggeri. Per il Pre-Sales ho progettato, ma non ancora realizzato, un'architettura multi-agente basata su codice. Questa architettura suddivide l'attuale processo a prompt singolo tra agenti specializzati, con accesso limitato agli strumenti e punti di controllo umani. Valuto l'impatto di ciascun sistema secondo il percorso di valutazione, quantitativo o qualitativo, che le evidenze disponibili effettivamente consentono, anziché ricorrere a un unico dato gonfiato, ed espongo i limiti che ne derivano con la stessa chiarezza dei risultati. Il mio contributo specifico è triplice. Il primo consiste nell'aver realizzato personalmente l'agente di memoria tecnica e gli agenti più leggeri e nell'aver progettato l'architettura proposta per il Pre-Sales, sempre in collaborazione con i colleghi. Il secondo consiste nell'aver definito i criteri di selezione e il quadro di valutazione applicati in modo coerente a tutti i casi d'uso. Il terzo consiste nel dimostrare che il percorso di Reverse Mentoring che ha reso possibile questo lavoro ha esteso l'adozione dell'IA generativa in un'azienda manifatturiera di medie dimensioni lungo un cammino che va dalla produttività personale ai sistemi multi-agente. Questo cammino dipende meno dalla sofisticazione dei modelli che dal partire da un problema reale e dal commisurare onestamente lo sforzo ingegneristico al suo impatto misurato.

Generative and agentic AI are frequently discussed at the level of model capability, yet adoption inside an established, highly structured enterprise is harder than that framing suggests: it is constrained as much by fragmented data, legacy toolchains, process-heavy approval chains and organisational trust as by what the model itself can do. I document in this thesis how such adoption actually unfolded over twelve months at System Logis- tics, a mid-sized manufacturer of automated warehouse systems, through Reverse Mentor- ing, a structured programme, facilitated by an external organisational-consulting firm, that placed me, a junior employee, in a direct working relationship with senior executives so that AI literacy could flow upward rather than only downward. The problems I addressed were concrete and recurring, each embedded in a way of working the company had set- tled long before generative AI arrived: technical knowledge scattered across manuals and informal shop-floor conversations; a Pre-Sales data-analysis process too fragile to scale beyond a single prompt; and smaller but frequent bottlenecks in Legal, HR and Vendor Rating. I built and put into active use an interrogable technical-memory agent, ground- ing every answer in a citable source rather than retrieval-based search, together with three lighter low-code agents. For Pre-Sales, I designed, though have not yet built, a code-based multi-agent architecture that splits the existing single-prompt process across specialised agents with restricted tool access and human checkpoints. I report each system’s impact against whichever evaluation track the available evidence actually supports, quantitative or qualitative, rather than a single inflated figure, stating the resulting limitations as plainly as the results themselves. My specific contribution is threefold: personally building the technical-memory agent and the lighter agents, and designing the proposed Pre-Sales ar- chitecture, all in collaboration with colleagues; establishing the selection criteria and eval- uation framework applied consistently across every use case; and showing that the Reverse Mentoring placement which made this work possible scaled generative-AI adoption in a mid-sized manufacturer along a path from personal productivity to multi-agent systems, one that depends less on model sophistication than on starting from a real problem and matching engineering effort honestly to its measured impact.