Il 95% dei pilot aziendali sull’AI generativa non ha prodotto finora alcun ritorno economico misurabile. È uno dei dati più netti del 2026 sull’adozione enterprise dell’intelligenza artificiale, citato da Business Insider in riferimento a un’analisi di Informatica. Un numero che pesa, soprattutto considerando che le aziende di tutto il mondo hanno triplicato la spesa in AI generativa nell’ultimo anno, arrivando a 37 miliardi di dollari nel solo 2025 secondo Menlo Ventures.
Gli agenti AI — sistemi autonomi capaci di pianificare ed eseguire sequenze di azioni all’interno di software aziendali — sono ormai ovunque, almeno sulla carta. Secondo Gartner, il 40% delle applicazioni enterprise integrerà agenti specifici per compito entro la fine del 2026, partendo da meno del 5% nel 2025. Eppure la distanza tra l’accesso agli strumenti e il loro uso reale è enorme. Una ricerca McKinsey indica che solo il 23% delle organizzazioni sta effettivamente scalando i propri agenti. IDC rileva che l’88% dei proof-of-concept non raggiunge mai un deployment su larga scala. Il problema non è la tecnologia. È la capacità di integrarla.
Sul fronte dei prodotti, le novità non mancano. MongoDB ha lanciato Atlas Agent Engine per portare gli agenti in produzione senza richiedere un nuovo stack tecnologico. Nvidia ha rilasciato una piattaforma di sicurezza per contenere agenti fuori controllo, risposta diretta a una serie di episodi di violazione documentati. Corvex punta su un’infrastruttura di inferenza con API compatibili con OpenAI e Anthropic, per abbassare le barriere di adozione. Ogni annuncio risponde a un’esigenza concreta, ma nessuno risolve da solo il problema strutturale: la governance. Secondo il Retool State of AI Governance 2026, solo l’8% delle aziende considera robusta la propria gestione degli strumenti AI interni.
Perché succede? Le ragioni sono multiple e si sovrappongono. I dati aziendali sono spesso frammentati tra CRM, ERP, sistemi HR e cloud diversi: l’agente non ha il contesto completo per operare in modo affidabile. I pilot vengono avviati senza KPI definiti prima del deployment, rendendo il ROI non calcolabile a posteriori. I costi infrastrutturali — API per i modelli linguistici, database vettoriali, orchestrazione — erodono i risparmi generati. E quando qualcosa va storto, il 35% delle aziende ammette di non essere in grado di “staccare la spina” a un agente fuori controllo in tempi rapidi. OWASP ha già identificato dieci categorie di rischio specifiche per le architetture agentiche, tra cui il dirottamento degli obiettivi e l’avvelenamento della memoria contestuale.
Il paradosso è visibile nei numeri. Le aziende che riescono a scalare gli agenti in modo efficace riportano un ROI medio del 171%, con un payback di circa sette mesi. Ma si tratta di una minoranza. Gartner stima che oltre il 40% dei progetti agentici verrà cancellato entro il 2027 per costi non sostenibili, valore poco chiaro o controlli del rischio insufficienti. I fallimenti nei pilot costano mediamente tra i 2,1 e i 2,3 milioni di dollari per progetto nelle grandi aziende. La forbice tra chi ce la fa e chi si ferma al pilot è destinata ad allargarsi ancora, e non per motivi tecnici: la vera discriminante sarà la capacità di costruire processi di verifica, accesso ai dati e strutture di controllo prima di scalare, non dopo.
