La matematica dietro l'adozione dell'AI agentica nella NetOps

Ogni giorno i sistemi di monitoraggio aziendale generano più di 4.000 avvisi, circa la metà dei quali riguardano la rete. Un ingegnere esperto riesce a investigare e risolvere circa 20 eventi di avviso al giorno. Pulire quella coda manualmente richiederebbe circa 100 specialisti IT, molto più del personale tipico delle aziende, così quasi la metà degli avvisi viene chiusa senza investigazione.

Questo non è segno di un team inadeguato, ma di un team incapace di tenere il passo con una rete sempre più complessa, che genera avvisi più velocemente di quanto le squadre possano rispondere. Per anni i team di network operations (NetOps) sono stati tenuti a offrire prestazioni più elevate gestendo un mix crescente di applicazioni, dispositivi, dipendenze, controlli di sicurezza e telemetria. Tale complessità è stata amplificata dall'AI e dagli agenti, spingendo le squadre a guardare oltre le operazioni manuali.

Diffusione dell'AI agentica e motivi economici

Uno studio del 2026 condotto da Omdia e Cisco su 1.000 leader IT e NetOps rileva che più della metà delle organizzazioni utilizza già l'AI agentica per agire su processi e compiti NetOps in produzione. Le reti cambiano costantemente, il feedback arriva in minuti e gli errori si propagano visibilmente su sicurezza, applicazioni ed esperienza cliente. “I carichi di lavoro AI stanno creando nuovi pattern di traffico, aumentando lo scambio di dati e creando più dipendenze nell'ambiente,” afferma Joe Vaccaro, vicepresidente senior di Cisco e general manager di Network Platform and Assurance.

In queste condizioni, i calcoli dimostrano che l'AI agentica non è più opzionale ma necessaria. Tuttavia, affidare reale autorità agli agenti solleva tre quesiti fondamentali: cosa delegare, come verificare il loro operato e chi ne sostiene i costi.

I rischi dell'inazione

Quando gli esecutivi valutano l’autonomia dell’AI, tendono a pesare i rischi dell’azione e considerare lo status quo neutro. I leader NetOps vedono l’autonomia AI in modo diverso. Non automatizzare non è solo una svista, ma una fonte di vulnerabilità: più gap di sicurezza, frequenza e gravità maggiori di outage e un numero crescente di iniziative AI fallite.

Queste preoccupazioni descrivono sia il presente sia il futuro: i team spendono il 45 % del tempo di investigazione inseguendo falsi positivi, mentre quasi la metà degli avvisi di rete resta inesaminata. Un agente che prende una decisione sbagliata è un rischio reale, ma lo è anche lasciare una minaccia genuina inattiva in una coda di migliaia di avvisi.

La coda lunga degli incidenti di rete

La maggior parte degli incidenti è gestibile, ma alcuni casi complessi hanno un impatto sproporzionato sui tempi di risoluzione, trasformandosi in problemi di giorni o settimane che possono fermare le operazioni aziendali. Un decimo dei rispondenti afferma che gli incidenti richiedono più di una settimana per essere risolti.

Questi incidenti prolungati raramente rimangono confinati a un singolo dominio. I problemi di performance spesso si estendono su più domini, come rete, cloud, sicurezza e applicazioni. Un reclamo di latenza può originarsi da una configurazione errata nel cloud, manifestarsi come rallentamento di un’applicazione e generare contemporaneamente un avviso di sicurezza.

Due implicazioni ne derivano. Prima, un business case focalizzato solo su correzioni di routine più veloci rischia di trascurare il valore di abbreviare indagini lunghe. Seconda, la visibilità deve essere condizione per concedere autorità a un agente. Un agente che vede solo una parte dell’ambiente può risolvere i sintomi visibili peggiorando il problema sottostante.

Governance in un mondo di cambiamenti continui

I board di revisione e le procedure di approvazione presuppongono cambiamenti occasionali. Oggi le reti cambiano costantemente: quasi un terzo delle organizzazioni intervistate effettua più cambiamenti al giorno nella rete di produzione.

Gli esecutivi rispondono a questa sfida non abbandonando la supervisione, ma scomponendola. La maggior parte vuole ancora che gli umani approvino le azioni agentiche, ma la stragrande maggioranza è disposta a lasciare che l’AI effettui cambiamenti in produzione senza permesso per alcune categorie, come il re‑routing del traffico, la regolazione dei parametri wireless o l’isolamento di endpoint sospetti. I decisori concedono autorità azione per azione, analogamente a un manager che amplia la libertà di un nuovo assunto in base al suo track record.

Il design della governance è sottile: se ogni azione richiede approvazione umana, la coda di avvisi diventa semplicemente una coda di approvazioni. La supervisione stessa deve diventare parzialmente automatizzata, con policy predefinite che stabiliscano quali azioni l’agente può compiere autonomamente, quali richiedono decisione umana e quali sono off‑limits.

“L’autonomia agentica non significa trasferire la responsabilità al sistema,” sostiene Vaccaro. “Più autorità diamo a questi sistemi, più è importante sapere cosa hanno fatto, perché l’hanno fatto e quando intervenire.”

Case study: Room & Board

Nel retailer di mobili e decorazioni per la casa Room & Board, un team di rete di tre persone supporta 34 sedi, delegando il monitoraggio di routine, la gestione delle risorse radio e la registrazione a piattaforme agentiche. Il senior network engineer Mark Rodrigue sottolinea che verificare il lavoro di un agente deve costare meno del lavoro stesso.

“Mostra il tuo lavoro,” dice Rodrigue. “Non posso enfatizzare abbastanza. Non abbiamo il tempo e le risorse per gestire strumenti di gestione. Se i vostri strumenti richiedono un babysitter a tempo pieno, avete già perso.”

Il problema del “toil” è anche una questione di talento

La maggior parte dei decisori afferma che il volume di avvisi impedisce ai team di svolgere altri lavori critici. Gli ingegneri esperti sono scarsi e costosi da sostituire; il triage infinito è un rischio di ritenzione.

Il team di Rodrigue sta affrontando vincoli di forza lavoro mentre la rete di Room & Board cresce, e descrive l’AI agentica come un “moltiplicatore di forza”. Le organizzazioni più mature nell’uso dell’AI riportano quasi il 30 % di produttività in più per praticante. Il ritorno più duraturo potrebbe risiedere in ciò che gli esperti smettono di fare e ciò che possono fare invece: progettare guardrail, costruire sistemi e risolvere problemi che richiedono giudizio umano.

Percezione e gap tra NetOps e line‑of‑business

I professionisti NetOps sono due volte più propensi dei dirigenti di linea a vedere il ruolo dell’AI spostarsi da “consulenza” a “azione”. Tuttavia, metà dei leader di business vede ancora l’AI nelle operazioni principalmente come fonte di insight, non come agente autonomo. Spesso sono loro a controllare il budget.

Questo divario lascia i leader tecnici con un business case da costruire, non solo con una tecnologia da implementare. “Come ci rapportiamo alla tecnologia in modo da mantenere efficienza e snellezza ma stare al passo con le richieste?” chiede Rodrigue.

I team NetOps non attendono un quadro perfetto prima di delegare azioni agli agenti. L’alternativa è lasciare migliaia di avvisi senza risposta.

Un quadro operativo per l’autonomia

Quello che hanno è un framework operativo per decidere quando gli agenti agiscono. Iniziano chiedendosi cosa rimane inesaminato, si concentrano sui problemi più difficili piuttosto che sui numeri buoni, insistono che la verifica costi meno del lavoro stesso e spingono i responsabili di budget a capire che l’AI ora agisce tanto quanto consiglia.

Su questi termini, i team non cedono l’autonomia – gli agenti AI la guadagnano, un’azione alla volta.