Agenti AI: il 75% delle aziende prova, ma nessuno sa

Tre dirigenti enterprise su quattro hanno lanciato progetti con agenti AI. Suona impressionante, finché non scopri che quasi nessuno li ha portati oltre la fase pilota. E qui inizia il vero problema.

Quello che mi colpisce di questa dinamica è quanto sia ricorrente nel ciclo delle tecnologie aziendali. C’è sempre questa fase iniziale di euforia, dove tutti provano, sperimentano, annunciano investimenti. Poi arriva il momento della verità: orchestrare davvero questi sistemi in produzione, integrarli nei flussi esistenti, farli parlare con le legacy system. E lì, nella maggior parte dei casi, le aziende si fermano.

Il punto cruciale è che quello che molti chiamano “agente AI” in realtà non lo è affatto. Spesso si tratta di chatbot tradizionali, sistemi di automazione rule-based con una verniciata di intelligenza artificiale, o al massimo assistenti che fanno una cosa sola bene. Un vero agente autonomo dovrebbe operare con un certo grado di indipendenza, prendere decisioni contestuali, orchestrare più azioni in sequenza, adattarsi a situazioni impreviste. Invece, quello che vedo diffuso nelle aziende italiane ed europee sono tool molto più semplici, mascherati da qualcosa di più sofisticato.

Perché succede? Primo motivo: la mancanza di competenze. Non è banale sapere come strutturare un sistema di agenti, come farli collaborare, come gestire i fallimenti, come garantire tracciabilità e control. Le aziende assumono data scientist che sanno addestrare modelli, ma orchestrare agenti in produzione è un’altra cosa. Richiede architetture diverse, framework specifici, una mentalità di systems thinking che non è scontata.

Secondo motivo: i dati. Un agente che funziona ha bisogno di contesti ricchi, accesso a fonti affidabili, integrazioni pulite con i sistemi aziendali. La realtà è che la maggior parte delle aziende ha data governance balcanizzata, silos informativi, pipelines fragili. Connettere un agente a questa jungla è complesso. Più di quanto sembra sulla carta.

Terzo motivo: il ROI non è immediato. A differenza di un chatbot di customer service dove il valore è evidente, un agente che automatizza processi cross-functional ha un payoff più lungo da calcolare. Significa che quando il progetto pilota finisce e viene il momento di finanziare la scalabilità, non c’è una business case cristallina che giustifichi l’investimento.

Ma quello che mi preoccupa davvero è una cosa diversa. Vedo un grande rischio di delusion a breve termine. Se il 75% delle aziende prova e il 95% di chi prova non riesce a produrre valore reale, allora tra uno o due anni inizieranno a dire che “gli agenti AI non funzionano per il nostro caso d’uso”. E invece il problema non è la tecnologia. È il gap enorme tra quello che promettono i vendor e quello che è davvero possibile fare oggi, nella realtà dei sistemi legacy, dei dati sporchi, dei budget limitati.

Le aziende che avranno successo saranno quelle che cominciano da cose semplici. Non cercano il mega-agente autonomo che fa tutto. Partono da un singolo processo ben definito, con dati buoni, con un outcome misurabile. Lo portano in produzione. Imparano. Poi espandono. È il classico approccio iterativo, ma nel chaos dell’AI hype, molti lo dimenticano.

In Italia, poi, aggiungo un fattore: abbiamo poche grandi aziende tech-native con la struttura interna per gestire questo tipo di complessità. Molte delle nostre realtà sono PMI e mid-market che si affidano a system integrator e consulenti. E qui il problema si amplifica, perché non sempre chi vende le soluzioni ha davvero capito come gestire l’orchestrazione di agenti multipli in ambienti eterogenei.

Quello che emerge è che il mercato degli agenti AI in 2026 è ancora in una fase molto immatura. Non di tecnologia – gli LLM e i framework esistono. Ma di capability aziendali, di competenze interne, di processi e governance. E questo è il vero collo di bottiglia.

A te, che stai leggendo: se lavori in un’azienda che sta considerando di lanciare un progetto di agenti AI, la domanda non è “quale vendor scelgo?”. La domanda è “abbiamo i dati, le competenze, la governance e il focus strategico per portarlo davvero in produzione?”. Se la risposta è no, non avrai un agente. Avrai una costosa proof of concept che finisce in un cassetto.

Articolo originale su: Tom’s Hardware Italia