Agente AI per aziende: cosa non include la licenza

Il 62% delle organizzazioni sta almeno sperimentando sistemi agentici, ma solo il 23% ne sta scalando uno; e appena il 39% dichiara un impatto sull’EBIT attribuibile all’AI. Sono i dati dell’ultimo State of AI di McKinsey, e raccontano una sproporzione precisa: quasi tutti hanno comprato qualcosa, quasi nessuno riesce a dire quanto vale. Non perché il modello sbagli le risposte: perché il lavoro che sta intorno al modello è un’altra voce, e non è nel contratto. Un agente AI per aziende non è un software che si installa, è un processo che si riprogetta, e la parte che decide l’esito non è la licenza, è l’onboarding.

È una distinzione che i numeri del 2026 rendono difficile da ignorare. La tecnologia funziona, l’adozione cresce, e allo stesso tempo la stragrande maggioranza delle implementazioni resta bloccata prima di produrre un euro di margine. Vale la pena capire dove si rompe la catena, e soprattutto quanto costa la parte che nessuno mette a listino.

In questo articolo scoprirai:

• Perché il 23% delle aziende scala un agente e tutte le altre restano al pilota
• Il modello è una commodity: il valore si è spostato sul contesto e sui permessi
• Cosa compri davvero quando compri un agente AI per aziende
• Discovery: la fase che decide il ritorno prima ancora di scrivere codice
• Integrazioni MCP: dove l'agente incontra CRM, ERP e documenti aziendali
• Guardrail, supervisione umana e AI Act: cosa serve prima del go-live
• Formazione e adozione: cosa insegnano i casi SK Telecom e Slack
• Gestione continua: un agente non si installa, si tiene in esercizio

Perché il 23% delle aziende scala un agente e tutte le altre restano al pilota

La fotografia più affidabile arriva dall’ultimo State of AI di McKinsey. Secondo i dati ripresi da CX Today, il 62% delle organizzazioni sta almeno sperimentando sistemi agentici, ma solo il 23% ne sta scalando uno da qualche parte in azienda. Il dato che pesa di più, però, è un altro: appena il 39% dichiara un impatto sull’EBIT attribuibile all’AI. Tradotto: quasi tutti hanno qualcosa in funzione, quasi nessuno riesce a dire quanto vale.

Se si scende al livello della singola funzione aziendale il quadro peggiora. Forbes, commentando la stessa ricerca, riporta che in nessun reparto più del 10% delle aziende sta effettivamente scalando agenti, e che chi ci riesce li ha in una o due funzioni al massimo. L’articolo attribuisce l’attrito a fattori operativi, ritardi negli acquisti, revisioni legali, vincoli sulla residenza dei dati, dati aziendali disorganizzati, non ai limiti dei modelli.

Gartner ha messo un numero anche sul finale della storia: oltre il 40% dei progetti di AI agentica verrà cancellato entro la fine del 2027, per costi crescenti, ritorno poco chiaro e controlli di rischio inadeguati (previsione ripresa, fra gli altri, da Trullion). Le tre cause hanno una cosa in comune: nessuna riguarda la capacità del modello. Riguardano il lavoro di contorno, capire quale processo automatizzare, collegare i sistemi, mettere i limiti, misurare. È esattamente la materia di cui parliamo quando distinguiamo le quattro cause per cui i POC si bloccano.

Il modello è una commodity: il valore si è spostato sul contesto e sui permessi

Nel 2023 la domanda sensata era «quale modello scelgo». Nel 2026 non lo è più. I modelli di frontiera sono largamente intercambiabili sui compiti aziendali ordinari, cambiano di generazione ogni pochi mesi e si sostituiscono con una riga di configurazione. Su un agente in produzione il modello incide su una frazione minima del lavoro totale: il resto è capire a cosa può accedere, cosa può fare e cosa succede quando sbaglia. Se serve un ripasso sulle basi, abbiamo una guida dedicata a cosa sono gli agenti AI e come funzionano.

Il segnale più chiaro di questo spostamento è il Model Context Protocol. Nato in casa Anthropic, MCP è descritto dalla documentazione ufficiale come «una porta USB-C per le applicazioni AI»: uno standard aperto che permette a un agente di collegarsi a database, file, CRM e strumenti interni senza scrivere un’integrazione custom per ognuno. Nel dicembre 2025 Anthropic ha donato il protocollo alla Agentic AI Foundation sotto la Linux Foundation, con OpenAI e Block fra i co-fondatori: WorkOS stima gli SDK Python e TypeScript intorno ai 97 milioni di download mensili. Il modo di collegare un agente ai sistemi aziendali è diventato uno standard neutrale, non un vantaggio competitivo di un fornitore.

Se lo standard è di tutti, cosa resta da fare

Resta il lavoro che lo standard non fa. Sempre WorkOS elenca le lacune che la roadmap MCP 2026 deve ancora colmare per l’uso aziendale: nessun audit trail standardizzato, autenticazione SSO non integrata, nessun meccanismo comune per limitare consumi e attribuire costi, comportamenti indefiniti dietro i proxy aziendali. Sono precisamente le cose che un’azienda deve avere prima di far toccare a un agente il gestionale. Chi vende la licenza non le fornisce; qualcuno deve costruirle. Su come funziona la connessione lato tecnico abbiamo una guida dedicata agli MCP server.

Cosa compri davvero quando compri un agente AI per aziende

Una precisazione di perimetro, perché qui sta il cuore del pezzo: non torniamo sul perché il servizio conti più del modello, lo abbiamo argomentato altrove. Qui contiamo cosa sta fuori dal listino, voce per voce.

Quando un fornitore ti propone un agente, quasi sempre ti sta vendendo tre cose: un modello a cui accedere, un’interfaccia e un contratto. È la parte facile e, non a caso, quella con il prezzo esposto. Il problema è che in un progetto agentico la licenza è la voce di costo meno significativa, e l’unica di cui si parla nella fase di acquisto.

Dataiku lo chiama con efficacia «l’iceberg dei costi dell’AI agentica»: sotto la superficie ci sono l’onere di integrazione, l’infrastruttura di governance, il lavoro continuo di supervisione umana e le spese di API a regime. Costi «spesso invisibili durante il pilota e materiali su scala», scrive l’azienda, che aggiunge un punto poco popolare nelle presentazioni commerciali: l’autonomia non elimina il personale, lo sposta verso la supervisione e la gestione delle eccezioni.

Le quattro voci che nessuna licenza include

In un progetto reale il valore si costruisce su quattro attività che nessun listino copre. La discovery, cioè scegliere quale processo merita un agente e riprogettarlo. Le integrazioni, cioè collegare l’agente ai sistemi che contano davvero con i permessi giusti. I guardrail, cioè decidere cosa l’agente non può fare da solo e come lo si ferma. La formazione e la gestione continua, cioè far sì che le persone lo usino e che continui a funzionare quando il processo cambia. Sono le stesse quattro voci che scandiscono le prime otto settimane di lavoro con un partner.

In concreto, la scelta si fa mettendo un numero accanto a ognuna delle quattro voci e confrontandolo con quanto se ne può assorbire in casa: se il team interno può reggere integrazioni e gestione continua, un impianto self-service costa meno e resta governabile; se quelle due voci ricadrebbero su nessuno, il risparmio sulla licenza si paga con sei mesi di pilota. Lo stesso criterio decide il confronto fra soluzioni custom e off-the-shelf: si sceglie sul contorno che si è disposti a mantenere, non sull’elenco delle funzionalità.

Discovery: la fase che decide il ritorno prima ancora di scrivere codice

La prima voce fuori listino è anche quella con il moltiplicatore più alto, ed è misurabile. Fra le aziende classificate come «high performer» nell’ultimo State of AI di McKinsey, quel 6% circa che attribuisce all’AI oltre il 5% dell’EBIT, il 55% dichiara di aver ridisegnato in modo sostanziale i propri flussi di lavoro, contro il 20% di tutte le altre: 2,8 volte più probabile. Il ridisegno del processo non compare in nessun preventivo di licenza, eppure è la variabile che separa chi mette un agente sopra un processo esistente da chi cambia il processo per farci stare l’agente.

Quando all’azienda basta un workflow e non serve un agente AI

La discovery serve a questo, e la sua prima uscita utile è spesso un «no». Anthropic, nella sua guida di ingegneria Building effective agents, è esplicita: bisogna «trovare la soluzione più semplice possibile e aumentare la complessità solo quando serve», perché per moltissimi casi d’uso basta un workflow con percorsi di codice predefiniti, non un agente che decide da sé. La distinzione è netta, i workflow orchestrano passi noti e sono prevedibili, gli agenti dirigono da soli il proprio processo e servono quando il problema non è prevedibile. Scegliere l’agente dove bastava il workflow significa pagare latenza, costo ed errori che si accumulano, in cambio di niente.

Una discovery fatta bene produce tre risposte: quale processo, con quale confine, misurato come. Se manca la terza, il progetto è già dentro la statistica di Gartner sui progetti cancellati per «valore di business poco chiaro». La stessa logica vale a monte di qualunque iniziativa AI: quando l’AI generativa non genera ROI il problema non è quasi mai la tecnologia, ed è utile sapere in anticipo in quali processi aziendali gli agenti funzionano già davvero.

Integrazioni MCP: dove l’agente incontra CRM, ERP e documenti aziendali

Un agente senza accesso ai dati dell’azienda è un chatbot con una buona prosa. L’accesso, però, non è un interruttore: è una serie di decisioni tecniche che determinano se il sistema regge in produzione o si degrada dopo tre settimane.

La sintesi di ZenML sulle lezioni dai deployment enterprise di Claude Code è una lista di trappole concrete. La prima riguarda il contesto: il cosiddetto «context rot» degrada le prestazioni già fra i 50.000 e i 150.000 token, molto prima del limite nominale della finestra. Riversare tutti i documenti aziendali dentro il prompt, che è l’istinto di chi comincia, è quindi controproducente: gli agenti in produzione devono scoprire le informazioni tramite chiamate a strumenti, man mano che servono, invece di caricarle tutte in partenza.

La seconda trappola è più prosaica e riguarda le istruzioni. Sempre secondo quella sintesi, nel 90% dei casi in cui un sistema non si comporta come previsto le istruzioni semplicemente non hanno senso per chi non conosce il dominio. Il test proposto è disarmante, il «best friend test»: se un amico estraneo al tuo mestiere non capirebbe l’istruzione, non la capirà nemmeno il modello. È il tipo di problema che un fornitore di licenze non vedrà mai, perché nasce dentro il gergo della tua azienda.

Permessi e sicurezza: la parte che non si improvvisa

Il terzo blocco è l’architettura dei permessi. I deployment aziendali richiedono sistemi di autorizzazione robusti e resistenza all’iniezione di prompt, particolarmente critica quando l’agente elabora input non fidati. Anthropic, sul fronte progettuale, insiste sull’interfaccia agente-computer: gli ingegneri dichiarano di aver speso più tempo a ottimizzare gli strumenti che i prompt complessivi, con documentazione chiara, esempi, casi limite e principi poka-yoke che rendono l’errore difficile da commettere. Non è configurazione: è progettazione.

Guardrail, supervisione umana e AI Act: cosa serve prima del go-live

Qui i dati di McKinsey diventano quasi didascalici. Fra le aziende ad alte prestazioni, il 65% ha processi definiti di validazione umana nel ciclo; fra tutte le altre, solo il 23%. Nello stesso studio, il 51% delle organizzazioni riferisce conseguenze negative legate all’AI e il 30% specificamente problemi di inaccuratezza. Non sono numeri che dicono «non usate gli agenti»: dicono che la supervisione va progettata prima, non aggiunta dopo il primo incidente.

La raccomandazione tecnica di Anthropic va nella stessa direzione: data la natura autonoma degli agenti servono «test estensivi in ambienti isolati insieme a guardrail appropriati», punti di controllo in cui una persona può intervenire e condizioni di arresto, per esempio un numero massimo di iterazioni. Un agente senza condizione di arresto non è più autonomo: è solo più difficile da fermare.

AI Act e alfabetizzazione: l’obbligo che riguarda ogni agente AI in azienda

C’è poi il livello normativo, che in Europa non è opzionale. L’articolo 4 dell’AI Act impone a fornitori e utilizzatori di garantire «un livello sufficiente di alfabetizzazione in materia di AI» al personale che opera i sistemi, calibrato su competenze, formazione e contesto d’uso. L’obbligo è in vigore dal 2 febbraio 2025 e non riguarda solo chi sviluppa: riguarda chiunque adotti un agente in azienda. Il testo non pretende un livello certificato per il singolo dipendente, ma chiede misure ragionevoli e documentabili, che è esattamente il tipo di adempimento che sparisce dai radar quando si compra una licenza e basta. Ne abbiamo scritto in dettaglio parlando di compliance sugli agenti AI con un partner e nella guida su cosa prevede l’AI Act e chi deve adeguarsi.

Formazione e adozione: cosa insegnano i casi SK Telecom e Slack

Due implementazioni documentate mostrano bene dove finisce il prodotto e comincia il servizio. Hanno in comune la cosa che conta: in entrambe il risultato non dipende dalla qualità del modello scelto, ma da come è stato integrato con i sistemi esistenti e da quanto le persone lo usano davvero. Sono due misure diverse, una di throughput e collaborazione fra fornitori, l’altra di minuti risparmiati per utente, e nessuna delle due compare in un contratto di licenza.

SK Telecom: l’agente AI che potenzia gli operatori invece di sostituirli

SK Telecom, primo operatore coreano e da 27 anni in cima all’indice nazionale di soddisfazione dei clienti, ha portato Claude nel proprio customer care con una scelta di impostazione dichiarata: intelligence augmentation, cioè potenziare gli operatori umani invece di sostituirli. Ha costruito due cose sole, assistenza in tempo reale durante la chiamata e automazione del post-chiamata (sintesi, classificazione, to-do, analisi del sentiment), integrando Claude con un proprio modello RAG interno. I risultati pubblicati nel case study Anthropic su SK Telecom: +34% nella qualità delle risposte valutata dagli operatori umani, -68% di risposte di bassa qualità rispetto al modello base e circa l’89% di parità con l’operatore umano nel post-chiamata. Il dettaglio che conta per il nostro discorso è però la frase sul processo: la stretta collaborazione fra i fornitori ha permesso «risoluzione rapida dei problemi e un processo di deployment efficiente». E l’osservazione del responsabile tecnico, Eric Davis: «le prestazioni non erano solo accuratezza del modello, throughput e latenza dovevano essere all’altezza dei nostri standard». Nessuna di queste due cose sta in un contratto di licenza.

Slack e i 97 minuti: l’adozione di un agente AI si misura sull’uso

Slack, dal canto suo, ha integrato i modelli Claude nel proprio ambiente di lavoro per ricerca in linguaggio naturale, sintesi di canali e thread e recap prioritizzati, elaborando miliardi di messaggi al giorno nel rispetto dei permessi esistenti. Il numero dichiarato nel case study Anthropic su Slack è 97 minuti risparmiati a settimana per utente medio. Vale la pena leggerlo al contrario: un’ora e mezza a settimana si ottiene solo se le persone usano davvero lo strumento, dentro il posto in cui già lavorano. L’adozione non è un effetto collaterale della qualità tecnica, è una variabile a sé, e si governa con formazione del team e con un presidio che continua anche dopo il go-live.

Gestione continua: un agente non si installa, si tiene in esercizio

L’ultima voce fuori listino è l’unica ricorrente: non si paga una volta, si paga ogni mese. Un software si installa e finisce lì; un agente vive dentro processi che cambiano, su modelli che vengono aggiornati, con dati che si sporcano. Dataiku indica tre pilastri necessari in produzione, orchestrazione, governance e osservabilità, e nota che il monitoraggio tradizionale non intercetta le modalità di guasto tipiche degli agenti: servono tracciati di audit, validazione degli output e capacità di rollback automatico. Ognuna di queste tre cose è una persona che la presidia, non una funzionalità che si attiva.

Il costo per compito completato: la metrica di un agente AI in esercizio

C’è anche un’economia da presidiare nel tempo, e non è quella che si intuisce. La sintesi dei deployment enterprise segnala che un modello più caro può costare meno per compito completato, perché arriva al risultato con molti meno token. Il che significa che la voce da ottimizzare è il costo per task portato a termine, non il prezzo di listino per milione di token, una misura che qualcuno deve raccogliere ogni mese e riportare a chi ha firmato il budget.

È qui che noi di Mimir ci posizioniamo, e conviene dirlo senza giri di parole: non vendiamo licenze di un modello, che è la parte che chiunque può comprare da solo. Ci occupiamo del ciclo intero, discovery del processo, integrazioni MCP verso i sistemi già in casa, definizione dei guardrail e dei punti di controllo umano, formazione delle persone che useranno l’agente e gestione continua dopo l’avvio. L’onboarding, per noi, è il prodotto: la fase in cui si decide se quel 23% che scala vi comprende oppure no. Se volete vedere come si struttura concretamente, abbiamo raccontato passo per passo l’onboarding di un agente AI in azienda e cosa succede nei primi 30 giorni.

Se in azienda avete un processo che sembra il candidato giusto, o un pilota che non è mai diventato altro, Mimir può aiutarvi a capire se vale la pena costruirci sopra un agente e cosa serve per portarlo in esercizio. Una conversazione preliminare serve soprattutto a questo: distinguere i casi che meritano l’investimento da quelli in cui basta un’automazione ordinaria. È un chiarimento che conviene fare prima, non dopo sei mesi di pilota.

Fonti:

• McKinsey QuantumBlack — The State of AI (report integrale)
• CX Today — McKinsey’s State of AI: lo scaling gap
• Forbes — Solo il 10% delle funzioni aziendali usa agenti AI
• Gartner — Oltre il 40% dei progetti di AI agentica cancellato entro il 2027 (comunicato)
• Trullion — Perché oltre il 40% dei progetti agentici fallirà
• Model Context Protocol — documentazione ufficiale, introduzione
• WorkOS — MCP nel 2026: adozione, download degli SDK e lacune enterprise
• Anthropic Engineering — Building effective agents
• ZenML — Lezioni dai deployment enterprise di Claude Code
• Dataiku — Enterprise AI agents: l’iceberg dei costi
• Anthropic — Case study SK Telecom
• Anthropic — Case study Slack
• AI Act — Articolo 4, alfabetizzazione in materia di AI