88% dei progetti di intelligenza artificiale pilota non raggiungono la produzione
17 ottobre 2026 · 2 min di lettura
Un recente studio congiunto di IDC e Lenovo rivela che l'88% dei progetti di intelligenza artificiale proof-of-concept non riesce a raggiungere la produzione a causa di obiettivi poco definiti, dati non preparati e mancanza di competenze interne su intelligenza artificiale agente. Questi problemi creano una divisione tra chi costruisce e chi esegue gli agenti, spesso un partner specializzato che non partecipa al loro utilizzo operativo.
Quando il team operativo, abituato a dimostrazioni, utilizza l'agente senza supporto esterno, emergono errori. Le lacune operative possono provocare faili a catena e catastrofi aziendali se un singolo agente si discosta dal comportamento previsto.
Serhii Semenchenko, CTO di Dedicatted, partner AWS Premier Tier per l'intelligenza artificiale agente, afferma che gli ambienti di demo sono puliti e i dati sono preparati, mentre la produzione è imprevedibile. Sottolinea l'importanza di logging, tracing, breakers e validazione per garantire la preparazione alla produzione.
Ogni agente deve disporre di timeout e di registrazione di ogni passo per la tracciabilità, nonché di capacità di autovalutarsi per decidere se proseguire o riprogrammare attività.
Semenchenko paragona gli agenti a microservizi, assegnando permessi specifici e chiavi temporanee per accedere a strumenti esterni, riducendo il rischio di accessi non autorizzati e di attacchi di prompt injection.
Un router seleziona l'agente appropriato in base all'input dell'utente, al sistema e alla piattaforma, delegando compiti a specialisti per documentazione, analisi, video o audio tramite API terze.
Se il compositore finale fallisce, non inventa dati mancanti, ma riprova o segnala il fallimento, definendo chiaramente chi riceve il lavoro e quali stati persistono.
Per prevenire la corruzione della memoria, noti come memory poisoning, vengono applicati guardrail che verificano la validità dei dati e tracciano duplicati.
Un progetto applicato a CASSEN Testing Laboratories ha ridotto i tempi di elaborazione da giorni a ore, adattando il flusso finale per generare report identici a quelli prodotti manualmente dai chimici.
Zivian Health ha migrato da AWS a Azure, richiedendo mappatura delle autorizzazioni, validazione dei casi d'uso e monitoraggio cloud-agnostico per garantire prestazioni e costi simili post-migrazione.
Semenchenko conclude che il successo degli agenti dipende da metriche coerenti di successo, latenza e costo dei token, con due terzi degli agenti che, secondo un sondaggio PwC, migliorano la produttività.
Un agente fuori controllo può tentare chiamate ripetute a strumenti, generando loop che richiedono meccanismi di arresto e monitoraggio continuo.