Ogni settimana esce un nuovo titolo sull'IA agentiva. Gartner afferma che 234 miliardi di dollari di spesa in SaaS sono a rischio. Meta ha appena lanciato un'API a pagamento per sviluppatori per i propri modelli agentivi. Google ha aggiunto "agenti informativi" alla Ricerca. I numeri di adozione sembrano inarrestabili. Ma quasi nessuno mette a confronto questi titoli sull'adozione con i dati sui fallimenti delle stesse società di ricerca, e quando lo si fa, emerge un quadro molto diverso. Questo articolo mette a confronto entrambi i set di numeri, in un unico luogo, in modo che tu possa vedere il vero divario tra ciò che le aziende stanno acquistando e cosa funziona davvero.
La storia dell'adozione che tutti già conoscono
Prima di passare ai dati sui fallimenti, ecco il quadro dell'adozione ampiamente trattato dai media:
Metrica di adozione | figura |
Si prevede che le applicazioni aziendali integreranno agenti di intelligenza artificiale entro la fine del 2026. | 40% (in aumento rispetto a meno del 5% nel 2025) |
Organizzazioni che segnalano l'implementazione di applicazioni GenAI | ~ 78-80% |
I dirigenti affermano che la loro azienda agenti di intelligenza artificiale implementati nell'ultimo anno | 97% |
Aziende che utilizzano almeno un agente di intelligenza artificiale in produzione | ~ 31% |
Gartner prevede una spesa per il SaaS. è esposto all'“arbitraggio da parte degli agenti” entro il 2030 | 234 miliardi di dollari (circa il 20% della spesa aziendale per SaaS) |
A prima vista, questa tecnologia sembra destinata a rivoluzionare il mondo degli affari a una velocità record. E in effetti viene adottata rapidamente, questo è vero. Ciò che manca nella maggior parte degli articoli è ciò che accade dopo l'adozione.
I numeri dei fallimenti che nessuno mette in prima pagina
Ecco i dati che raramente compaiono nello stesso articolo delle statistiche sull'adozione riportate sopra.
Metrica di guasto | figura | Fonte |
Progetti pilota di intelligenza artificiale generativa che non riescono a produrre un impatto misurabile sul conto economico. | ~ 95% | Studio NANDA del MIT |
Complessivamente, i progetti di intelligenza artificiale che falliscono presentano un tasso di fallimento circa doppio rispetto ai normali progetti IT. | ~80%+ | RAND Corporation |
Le organizzazioni che ottengono un ROI significativo dall'IA generativa | ~ 29% | Dati di un'indagine di settore |
Organizzazioni che registrano un ROI significativo, in particolare grazie agli agenti di intelligenza artificiale. | ~ 23% | Dati di un'indagine di settore |
Gli amministratori delegati segnalano sia un aumento dei ricavi che una riduzione dei costi grazie all'intelligenza artificiale. | ~ 12% | Dati di un'indagine di settore |
I progetti di intelligenza artificiale agentica che Gartner prevede saranno cancellati entro la fine del 2027. | % 40 + | Gartner |
Le imprese che hanno esteso l'IA agentiva oltre la fase pilota, nonostante la maggior parte avesse sperimentato | Sotto 10% | Gartner |
In parole povere: quasi tutte le aziende affermano di aver implementato agenti di intelligenza artificiale. Meno di una su quattro dichiara di aver effettivamente riscontrato un ritorno sull'investimento significativo. E Gartner, la stessa società che prevede una spesa per SaaS interrotta pari a 234 miliardi di dollari, prevede separatamente che 4 progetti su 10 di intelligenza artificiale basati su agenti verranno interrotti entro due anni da tale previsione.
Non si tratta di dati contraddittori provenienti da società di ricerca rivali con obiettivi diversi. Spesso provengono dalle stesse fonti e sono stati pubblicati a pochi mesi di distanza l'uno dall'altro. Semplicemente, la storia dell'adozione e quella del fallimento raramente vengono raccontate insieme.
Perché il divario è così grande: cosa ha scoperto realmente il MIT
Il progetto NANDA del MIT ha analizzato circa 300 implementazioni reali e pubbliche di intelligenza artificiale all'interno di aziende, non sondaggi rivolti ai dirigenti per valutarne l'opinione, ma risultati concreti e misurabili. La loro conclusione: circa il 95% dei progetti pilota di intelligenza artificiale generativa non ha mostrato alcun impatto misurabile su profitti e perdite.
I ricercatori hanno identificato quello che hanno definito un "divario di apprendimento". Non si trattava del fatto che i modelli di intelligenza artificiale fossero scadenti, bensì del fatto che la maggior parte delle organizzazioni non sapeva come progettare flussi di lavoro in grado di sfruttare i punti di forza dell'IA gestendone al contempo i punti deboli. Tra i problemi specifici più comuni si annoverano:
Definizioni poco chiare di cosa significasse effettivamente il "successo" del progetto.
Dati aziendali di base deboli o disordinati con cui l'IA ha dovuto lavorare
Scarsa integrazione con le modalità operative abituali di lavoro.
Inseguire la tecnologia in sé piuttosto che un chiaro risultato di business.
I dirigenti sponsor perdono interesse o si allontanano prima che il progetto sia giunto a maturazione.
L'unico numero che predice davvero il successo: costruire o acquistare?
Se c'è una singola statistica in tutto questo set di dati che vale la pena ricordare, è questa. La ricerca del MIT ha rilevato un'enorme differenza nei risultati a seconda di come le aziende hanno ottenuto i loro strumenti di intelligenza artificiale:
Approccio | Tasso di successo |
Acquistare strumenti di intelligenza artificiale da fornitori specializzati o stringere partnership | ~ 67% |
Sviluppo interno completo di strumenti di intelligenza artificiale | ~ 33% |
Le implementazioni di IA fornite da terze parti o basate su partnership hanno avuto successo circa il doppio delle volte rispetto a quelle sviluppate internamente. Questo è un segnale forte e concreto, nascosto tra una montagna di statistiche sull'adozione: la tecnologia in sé non è solitamente il fattore determinante per il successo di un progetto di IA. Chi la sviluppa e quanta esperienza specialistica apporta sembrano essere più importanti.
Dove si concentrano i fallimenti
Non tutti i casi d'uso falliscono con la stessa frequenza. In base ai dati disponibili, emergono ripetutamente alcuni schemi ricorrenti:
Addetti al back-office e amministrativi (pianificazione, documentazione interna, inserimento dati di routine) tendono ad avere i tassi di successo più elevati, perché i compiti sono circoscritti e ripetibili
Agenti a diretto contatto con i clienti o che richiedono un giudizio approfondito (servizio clienti complesso, consulenza finanziaria, attività correlate al settore medico) mostrano tassi di fallimento e cancellazione molto più elevati, perché gli errori sono più costosi e i flussi di lavoro sono meno prevedibili
Progetti con un unico e chiaro KPI (come “ridurre il tempo medio di gestione di X minuti”) hanno più successo rispetto ai progetti incentrati su obiettivi vaghi come “diventare più orientati all’IA”
Progetti con il sostegno esecutivo continuato anche nel secondo anno avevano una probabilità significativamente maggiore di sopravvivere oltre la fase pilota rispetto a quelle in cui la sponsorizzazione è svanita dopo l'annuncio del lancio iniziale
Perché il numero delle adozioni continua a crescere?
Se il tasso di fallimento è così elevato, perché l'adozione continua ad accelerare? Stanno accadendo diverse cose contemporaneamente:
I fornitori, tra cui Meta, Google, Microsoft e Anthropic, sono tutti impegnati in una corsa per integrare gli agenti nei prodotti esistenti, quindi l'“adozione” è sempre più un processo automatico che avviene quando un'azienda aggiorna il proprio software, e non necessariamente una scelta strategica deliberata.
I programmi pilota sono economici da avviare e facili da annunciare pubblicamente, il che gonfia le cifre di adozione rispetto al numero di progetti che effettivamente maturano in implementazioni permanenti e su larga scala.
La pressione competitiva gioca un ruolo importante: le aziende sono spesso disposte a finanziare un progetto pilota fallimentare piuttosto che rischiare di essere considerate in ritardo nel campo dell'intelligenza artificiale.
La definizione di "utilizzo di agenti di intelligenza artificiale" è ampia e incoerente tra i vari sondaggi, quindi un'azienda che utilizza un singolo chatbot semplice per le FAQ interne può essere considerata allo stesso modo di un'azienda che impiega decine di agenti di produzione in tutta l'organizzazione.
Cosa significa questo per le aziende che valutano l'IA agentica
I dati suggeriscono una conclusione piuttosto chiara e pratica: la curva di adozione tecnologica e la curva di realizzazione del valore non coincidono, e trattarle come se lo fossero è la causa principale degli sprechi di denaro. Le aziende che acquistano strumenti di intelligenza artificiale specializzati e collaudati anziché svilupparli da zero, che definiscono un obiettivo chiaro e misurabile per ogni progetto e che mantengono il coinvolgimento degli sponsor senior ben oltre la data di lancio, ottengono risultati significativamente migliori rispetto alle medie generali. La percentuale di fallimento del 95% non è un motivo per evitare l'IA agentiva, bensì un motivo per essere molto più ponderati nella sua implementazione.
Conclusione
La storia dell'IA agentiva raccontata dalla maggior parte dei media è solo una parte della verità. L'adozione è reale e in rapida accelerazione: il 97% dei dirigenti afferma di aver implementato agenti e Gartner prevede che l'IA agentiva rimodellerà un quinto della spesa SaaS aziendale entro il 2030. Ma proprio accanto a questi dati, spesso provenienti dalle stesse società di ricerca, si cela un quadro ben meno incoraggiante: il 95% dei progetti pilota non mostra alcun impatto finanziario misurabile, oltre l'80% dei progetti di IA fallisce su vasta scala e si prevede che il 40% dei progetti di IA agentiva verrà cancellato entro due anni. Il divario tra queste due realtà non è una contraddizione da risolvere, ma lo stato attuale del settore. Le aziende che comprendono questo divario, e in particolare che gli strumenti forniti dai produttori hanno circa il doppio delle probabilità di successo rispetto a quelli sviluppati internamente, sono quelle che hanno maggiori probabilità di rientrare nella piccola percentuale di progetti che funzionano davvero.
Domande frequenti
La maggior parte dei progetti pilota di agenti di intelligenza artificiale fallisce non perché la tecnologia non funzioni, ma a causa di strategie di implementazione inadeguate, metriche di successo vaghe e obiettivi eccessivamente ambiziosi. Un'elevata adozione significa semplicemente che le aziende stanno avviando progetti, non che questi progetti sopravvivano abbastanza a lungo da fornire un valore misurabile.
Le attività di back-office circoscritte e ripetitive, con un unico e chiaro parametro di valutazione, tendono ad avere successo molto più spesso rispetto ai progetti ampi e che richiedono un'ampia capacità di giudizio. I casi d'uso rivolti al cliente o aperti, con obiettivi vaghi, sono tra i punti critici più comuni nelle implementazioni di intelligenza artificiale agentiva.
Una ricerca del MIT suggerisce che acquistare o collaborare con un fornitore è significativamente più efficace, con un tasso di successo di circa il 67% rispetto al 33% circa degli strumenti sviluppati internamente. I fornitori offrono competenze specializzate e flussi di lavoro consolidati che la maggior parte delle organizzazioni non ha ancora sviluppato autonomamente.
Le aziende possono migliorare le probabilità di successo partendo da un caso d'uso circoscritto e ben definito, stabilendo un unico parametro di successo misurabile prima del lancio e valutando seriamente l'utilizzo di strumenti forniti da terzi anziché soluzioni interne. Evitare obiettivi vaghi e ambiti di progetto eccessivamente ampi è uno dei modi più efficaci per non rientrare nel 95% dei progetti che falliscono.
La maggior parte dei ricercatori prevede che i tassi di fallimento miglioreranno gradualmente con l'aumentare dell'esperienza aziendale, la maturazione dei flussi di lavoro e il rilascio da parte dei fornitori di soluzioni più specifiche. Tuttavia, i dati fino alla metà del 2026 non mostrano ancora un calo netto e persiste un divario significativo tra l'entusiasmo per l'adozione e il valore effettivamente realizzato.
