Il funnel, in numeri
Prima di analizzare le cause, è utile inquadrare le dimensioni del fenomeno. Un’indagine Gartner dell’aprile 2026 su 782 leader di infrastruttura e operazioni, combinata con altre analisi di settore, evidenzia un percorso di conversione molto ristretto:
- Su 1 000 progetti IA finanziati, ne raggiungono la produzione circa 120.
- Di questi, solo 34 soddisfano gli obiettivi di ROI.
- Il sondaggio “Agentic AI Pulse” di Gartner indica che il 41 % delle distribuzioni ottiene un ROI positivo entro 12 mesi, mentre il 19 % non raggiunge mai il pareggio.
Secondo McKinsey, solo l’11 % delle organizzazioni utilizza agenti a scala reale, mentre S&P Global Market Intelligence registra il 31 % con almeno un agente in produzione. È importante distinguere “un agente in produzione” da “agent‑i a scala”, due traguardi molto diversi.
Blocco 1: Scope creep
L’analisi dei progetti bloccati attribuisce il 61 % dei fallimenti a due cause combinate: scope creep e qualità dei dati. I piloti partono con un ambito ristretto, ottengono risultati e poi vengono spinti a gestire flussi di lavoro adiacenti per i quali l’infrastruttura sottostante non è stata progettata. Un agente che inizialmente filtra ticket di supporto viene poi richiesto di risolverli, aggiornare il CRM e infine emettere rimborsi. Ogni espansione introduce nuove integrazioni, permessi e modalità di errore senza aggiungere la base operativa necessaria.
Blocco 2: Accesso ai dati che funziona solo in sandbox
I piloti operano su esportazioni di dati curate, mentre la produzione deve interagire con sistemi live caratterizzati da schemi incoerenti, controlli di accesso variabili e latenza. Le indagini di settore suggeriscono che l’83 % delle imprese necessita di una revisione dell’infrastruttura per supportare l’AI agentica. Il pilota non ha mai toccato l’ERP legacy; la produzione non può evitarlo.
Blocco 3: Mancanza di un sistema di valutazione
Secondo il panel Forrester 2026, solo il 38 % degli agenti in produzione dispone di valutazioni automatiche su ogni modifica del prompt. Nei piloti, un umano controlla ogni output; in produzione, nessuno lo fa. Senza test di regressione automatizzati, ogni piccola variazione del prompt diventa un rischio. I dati Forrester mostrano un tasso di rollback del 47 % per gli agenti privi di valutazioni automatiche, contro il 9 % per quelli con copertura completa. Le organizzazioni che adottano quadri di valutazione sistematici hanno registrato quasi sei volte più alta probabilità di successo in produzione.
Blocco 4: Nessuna responsabilità operativa
Un pilota è tipicamente di proprietà del team di innovazione, ma la produzione richiede un proprietario operativo: qualcuno responsabile quando l’agente compie una decisione errata alle 2 del mattino. Le indagini di governance aziendale collocano la maturità della governance dell’AI agentica intorno al 21 %. Senza un proprietario nominato, un percorso di escalation definito e una voce di bilancio per l’operatività continuativa, il pilota non ha a dove essere trasferito.
Blocco 5: Costi che emergono solo su larga scala
L’analisi dei progetti annullati mostra costi che si gonfiano da due a tre volte rispetto alle stime iniziali. Il consumo di token, i cicli di retry e la profondità del ragionamento aumentano proporzionalmente al volume e ai casi limite. Un agente che esegue 50 task al giorno è economico; lo stesso agente a 5 000 task al giorno, con retry di livello produzione e monitoraggio, spesso costa più del processo che dovrebbe sostituire.
Blocco 6: Autorizzazioni di sicurezza
La ricerca Gravitee 2026 indica che il 54 % delle organizzazioni ha sperimentato o sospettato un incidente di sicurezza o privacy legato a un agente nell’ultimo anno, e solo circa il 20 % ha messo in sicurezza completamente gli agenti in produzione. I team di sicurezza, durante la revisione di un pilota per l’approvazione in produzione, trovano spesso account di servizio con permessi eccessivi e nessuna traccia di audit, bloccando così il lancio.
Cosa fanno diversamente il 14 % delle organizzazioni di successo
I dati dei sondaggi mostrano che le imprese che hanno scalato gli agenti non spendono di più rispetto a quelle che hanno fallito; i budget IA totali sono comparabili. La differenza sta nella allocazione delle risorse:
- Maggiore investimento in infrastruttura di valutazione e minore in engineering dei prompt.
- Maggiore spesa in monitoraggio e osservabilità: registri strutturati di ogni passaggio di ragionamento e chiamata a strumenti.
- Maggiore investimento in personale operativo: figure dedicate al funzionamento dell’agente, non solo alla sua costruzione.
- Autonomia graduata con gate di verifica umana in base al livello di rischio di ciascuna azione.
- Un proprietario di governance nominato per ogni agente e checkpoint ROI per fase, con approvazione finanziaria.
Crunch‑IS, leader nello sviluppo di agenti IA, ha costruito il proprio approccio di consegna attorno a questo str