Il 79% delle aziende ha adottato agenti AI, ma solo l’11% li gestisce in produzione. Questo dato, emerso dalle analisi di settore nel settembre 2026, è il punto di frattura più visibile dell’intelligenza artificiale generativa in ambito enterprise. Non è un problema tecnologico. È un problema di architettura, governance e capacità operative.
La fase dei pilot sembra non finire mai. Nel 2025 e nel 2026, praticamente ogni azienda della Fortune 1000 ha avviato almeno un pilot con l’AI generativa — molte ne hanno avviati decine. Eppure solo il 29% dei manager vede un ROI significativo dall’AI generativa, nonostante guadagni di produttività individuale che in alcuni casi raggiungono cinque volte i livelli precedenti. Il divario è strutturale, e si allarga.
Quasi otto aziende su dieci hanno distribuito l’AI generativa in qualche forma, e circa la stessa percentuale non riporta alcun impatto materiale sui risultati economici. McKinsey chiama questo il “paradosso della gen AI”. La prima ondata ha prodotto copilot, chatbot e strumenti per riassumere documenti — strumenti che hanno reso i singoli individui marginalmente più veloci, senza però spostare le performance aziendali nel loro complesso, perché erano progettati per migliorare task individuali, non per cambiare come il lavoro viene fatto.
Il salto verso i sistemi agentici — capaci di prendere decisioni autonome, coordinare workflow multi-step e interagire con sistemi esterni — è la risposta strutturale a questo paradosso. Ma porta con sé rischi diversi. Con l’AI generativa, i rischi principali riguardano i contenuti: allucinazioni, bias, uso improprio degli output. Sono reali, ma delimitati. Con l’AI agentica, i rischi diventano operativi: proliferazione di agenti, azioni autonome basate su ragionamenti errati, e una superficie di attacco che la maggior parte delle aziende non è ancora attrezzata a difendere.
Sul fronte dello sviluppo software, i numeri raccontano un’accelerazione concreta. Gli agenti di coding AI sono ormai parte dell’ingegneria quotidiana: un’indagine di JetBrains su oltre 15.000 sviluppatori professionisti ha rilevato che tra maggio e luglio 2026, il 90% usava agenti AI almeno una volta a settimana, e il 68% ogni giorno. Produrre codice più velocemente, però, non si traduce automaticamente in consegne più rapide. Oracle ha registrato che circa l’80% dei propri dipendenti ha adottato ChatGPT Enterprise e Codex entro tre mesi dal rollout, e che alcuni lavori che richiedevano due o tre trimestri ora si completano in circa una settimana.
Il lavoro di sviluppo AI sta cambiando profondamente: riguarda sempre più la progettazione di workflow e l’accesso agli strumenti, piuttosto che il semplice avvolgimento di un’interfaccia attorno a un LLM. Le aziende che avanzano, secondo le analisi, sono quelle che hanno smesso di trattare ogni applicazione AI come un progetto isolato. Stabilire connettori riutilizzabili, workflow condivisi, pattern di valutazione e servizi di integrazione riduce la duplicazione e crea maggiore coerenza man mano che l’adozione si espande.
La governance resta il nodo più duro. Le decisioni autonome introducono sfide di compliance e supervisione etica, e le strutture di controllo faticano a tenere il ritmo dei deployment. Chi distribuisce sistemi agentici deve mettere al centro framework di supervisione che monitorino sicurezza, correttezza e conformità nelle operazioni principali. Intanto, il 67% dei dirigenti ritiene che la propria azienda abbia già subito una violazione dei dati a causa di strumenti AI non approvati.
Chi riuscirà a chiudere il divario tra pilot e produzione nei prossimi mesi avrà un vantaggio difficile da recuperare per i ritardatari. Il problema non è più capire se l’AI generativa funziona — funziona. È costruire le fondamenta di dati, governance e competenze operative che la facciano funzionare in modo affidabile, a scala, nel tempo. Le aziende che trattano ancora questo passaggio come un progetto tecnico, e non come una trasformazione del modello operativo, rischiano di restare per sempre nella fase dei pilot.
