Tra i dati più citati in materia di intelligenza artificiale ce n’è uno molto severo, secondo cui il 95% dei progetti pilota di AI generativa nelle imprese non genera alcun ritorno misurabile sul conto economico, mentre solo il 5% produce un impatto rapido su ricavi o margini (“The GenAI Divide: State of AI in Business 2025” del MIT NANDA). Qualcuno lo legge come una bocciatura, ma è una lettura parziale, perché ciò che il MIT misura è un divario di integrazione organizzativa — il report lo chiama learning gap — che separa le imprese capaci di inserire l’AI nei propri processi da quelle che si fermano alla sperimentazione.
La distinzione è cruciale visto che il mercato accelera verso l’Agentic AI, cioè verso sistemi che ricevono un obiettivo, interpretano un contesto, scelgono strumenti e attivano workflow, dove un chatbot risponde e un agente agisce, possibilmente raggiungendo l’obiettivo. Un sistema rivoluzionario e con enormi prospettive, tanto che la spesa globale sul comparto è stimata da Gartner in 201,9 miliardi di dollari nel 2026, con una crescita del 141% sull’anno precedente. Entro fine anno, sempre secondo Gartner, il 40% delle applicazioni enterprise includerà agenti AI task-specific, contro meno del 5% nel 2025, mentre IDC prevede oltre un miliardo di agenti in uso nel mondo entro il 2029. Ma se il 95% dei pilot non produce valore mentre gli investimenti crescono a tripla cifra, la domanda rilevante diventa quindi che cosa distingua i progetti che scalano da quelli che restano proof-of-concept.
Indice degli argomenti
Agenti AI in produzione, oltre la demo economy
La prima generazione di progetti ha funzionato secondo la logica che potremmo chiamare della demo economy: si costruiva un prototipo rapido, spesso impressionante, capace di mostrare in pochi minuti ciò che prima richiedeva giorni — un chatbot sui documenti aziendali, un generatore di offerte, un copilota per il project management, una demo per il board. Il limite di questo approccio è che una demo può funzionare una volta, non che possa essere governata mille volte al giorno da centinaia di utenti, con dati sensibili, sistemi legacy, requisiti di audit, vincoli di compliance e budget reali.
I progetti che scalano nascono da una domanda diversa, che ha smesso di essere “possiamo costruire un agente?” per diventare: possiamo costruire un agente che riduca del 30% il tempo di preparazione di un’offerta commerciale, usi solo fonti autorizzate, rispetti le policy di pricing, mantenga traccia delle decisioni, segnali i casi incerti a un umano e produca un output coerente con gli standard aziendali? È questa formulazione, con i suoi vincoli espliciti, a separare l’AI da laboratorio dall’AI da produzione — e le imprese che la adottano non sono quelle con accesso ai modelli più avanzati, ormai largamente equivalenti nell’uso quotidiano, bensì quelle che hanno affrontato per tempo tre problemi organizzativi.
Governance dell’autonomia: chi risponde quando un agente agisce
L’AI generativa poteva sbagliare una risposta; l’AI agentica può sbagliare un’azione: aggiornare un dato nel sistema sbagliato, proporre uno sconto non autorizzato, esporre informazioni sensibili, interpretare male una policy o essere manipolata da un input malevolo — la prompt injection, in questo contesto, cessa di essere un problema di qualità e diventa un rischio operativo. Per questo il primo requisito dell’industrializzazione è una governance dell’autonomia: ogni agente deve avere un owner identificato, un mandato esplicito, un perimetro di dati definito, una lista di strumenti consentiti e di azioni vietate, soglie di escalation verso l’approvazione umana, log obbligatori e procedure di disattivazione. Un agente privo di owner è un rischio non presidiato, e un agente privo di log rende impossibile qualsiasi ricostruzione a posteriori — condizione inaccettabile in settori regolati.
I numeri confermano che il nodo è questo: Gartner stima che oltre il 40% dei progetti di Agentic AI verrà cancellato entro il 2027 per costi crescenti, valore non dimostrato o controlli di rischio inadeguati, e prevede che entro il 2028 il 25% delle applicazioni enterprise basate su GenAI sperimenterà almeno cinque incidenti di sicurezza minori l’anno, contro il 9% del 2025. La cancellazione di un progetto su cinque per “controlli inadeguati” significa che la governance, quando viene affrontata dopo il deployment anziché prima, arriva troppo tardi per salvare l’investimento.
Misurare il valore reale degli agenti AI
Il secondo fattore che distingue i progetti industrializzati riguarda la misurazione. Nella fase pilota il metro di giudizio è quasi sempre la qualità percepita dell’output — la risposta brillante, la sintesi convincente — mentre in produzione un agente va valutato su un bilancio completo che tiene insieme il valore generato e il rischio introdotto: tempo effettivamente risparmiato sul processo end-to-end, errori commessi e loro costo di correzione, numero di escalation richieste all’operatore umano, decisioni prese senza supervisione e, non ultimo, fiducia costruita o erosa presso chi con l’agente lavora ogni giorno.
È una disciplina che la maggioranza delle imprese non ha ancora sviluppato: secondo McKinsey il 62% delle aziende sta sperimentando con agenti AI, ma meno del 25% li ha portati in produzione, e la distanza tra i due numeri è fatta in gran parte di progetti che non sanno dimostrare il proprio valore perché non lo misurano nel modo in cui il CFO lo riconoscerebbe. A complicare il quadro contribuisce il fenomeno che gli analisti chiamano agent washing: dei migliaia di vendor che si dichiarano “agentic”, solo 130 circa offrono capacità di azione autonoma reali, mentre il resto ripropone chatbot e RPA esistenti sotto nuova etichetta, alimentando aspettative destinate a essere smentite dai numeri.
Integrare gli agenti AI nei sistemi aziendali
Il terzo fattore è architetturale. Un agente confinato in una singola applicazione, con accesso a una sola base documentale, riproduce esattamente la frammentazione che dovrebbe superare: diventa l’ennesimo strumento verticale, un silo in più. Il valore emerge quando gli agenti attraversano i sistemi esistenti — CRM, ERP, document management, ticketing, HR — li interrogano, li collegano e li rendono più accessibili, secondo la stessa logica con cui l’ERP ha organizzato i processi amministrativi e il CRM ha strutturato la relazione con il cliente. Nel sales B2B manifatturiero, per fare un esempio concreto, l’agente non genera valore scrivendo una presentazione migliore, bensì accelerando l’intero ciclo di prevendita: analisi del cliente, lettura del CRM, recupero delle offerte precedenti, verifica delle marginalità storiche, bozza dell’offerta custom, instradamento delle approvazioni interne.
Un’architettura enterprise dell’Agentic AI, di conseguenza, non può ridursi al modello linguistico, ma deve includere un orchestratore, connettori verso i sistemi core, knowledge base aggiornate, integrazione con l’identity & access management, policy di autorizzazione che distinguano le azioni a basso rischio da quelle critiche, e strumenti di monitoraggio che misurino performance, errore e valore generato. Costruire questo strato prima di moltiplicare i casi d’uso è ciò che consente di aggiungere il secondo e il terzo agente a costo marginale decrescente, anziché ripartire ogni volta da zero.
I tre errori che frenano l’industrializzazione degli agenti AI
Dall’osservazione dei progetti che falliscono emergono con regolarità tre errori speculari ai problemi appena descritti. Il primo è concedere autonomia a processi che non la giustificano: non tutti i casi d’uso meritano un agente, perché alcuni richiedono soltanto assistenza alla scrittura, altri ricerca e sintesi, altri ancora una semi-automazione con supervisione costante, e la priorità andrebbe riservata ai processi ad alta intensità informativa, ripetitivi, con dati frammentati e rischio governabile — prevendita, customer operations, procurement, finance, compliance, IT service management. Il secondo errore è chiamare “agente” qualsiasi chatbot connesso a una knowledge base, scorciatoia lessicale che genera aspettative sbagliate nel management e rende poi impossibile spiegare perché il progetto non produca i risultati promessi. Il terzo è trattare la governance come una fase successiva al deployment, quando l’evidenza dei tassi di cancellazione dimostra che perimetri, log e soglie di approvazione vanno disegnati insieme all’agente, non dopo.
AI Act e Agentic AI, la lezione europea per le imprese
C’è infine una specificità europea che merita di essere letta al rovescio rispetto alla vulgata. Il Digital Omnibus approvato quest’estate (Regolamento UE 2026/1744, pubblicato in Gazzetta Ufficiale dell’Unione il 24 luglio) ha ridisegnato il calendario dell’AI Act: dal 2 agosto 2026 sono pienamente esigibili gli obblighi di trasparenza — un sistema che interagisce con una persona deve essere riconoscibile come artificiale, i contenuti sintetici vanno marcati — mentre il nucleo più oneroso, quello sui sistemi ad alto rischio dell’Allegato III (gestione del rischio, data governance, tracciabilità, documentazione tecnica, sorveglianza umana), è stato rinviato al 2 dicembre 2027, e quello sui sistemi integrati nei prodotti dell’Allegato I al 2 agosto 2028.
Molte imprese hanno accolto il rinvio come una tregua, ed è l’errore speculare a quello dei pilot. Quell’elenco di requisiti — log, sorveglianza umana, perimetri d’azione, gestione documentata del rischio — coincide quasi voce per voce con ciò che l’industrializzazione degli agenti richiede comunque, a prescindere dalla norma. Spostando la scadenza di sedici mesi, il legislatore non ha tolto il problema: ha aperto una finestra. Chi la usa per costruire ora quella governance si ritrova, con lo stesso investimento, sia l’infrastruttura che separa il 5% dei progetti che producono ritorni dal 95% fermo ai pilot, sia la conformità già pronta alla scadenza; chi la interpreta come un permesso di rinviare rischia di trovarsi, nel 2027, con un progetto AI fallito e un muro normativo lo stesso giorno.
Per il tessuto produttivo italiano, fatto di imprese che raramente dispongono delle risorse per assorbire progetti falliti, questa coincidenza è un’opportunità concreta: il vincolo normativo, se anticipato, funziona da metodo. La prossima fase dell’intelligenza artificiale non sarà definita dal modello più spettacolare, ma dall’organizzazione più capace di trasformare modelli potenti in sistemi operativi affidabili — con obiettivi chiari, dati solidi, responsabilità definite e autonomia governata. È lì, e non nella capacità dei modelli di parlare meglio, che si giocherà la competizione dell’Agentic AI.
Fonti: MIT NANDA, “The GenAI Divide: State of AI in Business 2025”; Gartner; IDC; McKinsey & Company; Regolamenti (UE) 2024/1689 (AI Act) e 2026/1744 (Digital Omnibus).
Partecipa alla community