Per anni la conversazione sull’AI aziendale ha ruotato attorno a una domanda: quale modello è il migliore? GPT, Claude, Gemini, i modelli open source in rapida crescita. Ma nel 2026 quella domanda ha smesso di essere quella decisiva. I large language model stanno diventando una commodity, e il valore per le imprese si è spostato altrove: nel servizio che trasforma un modello generico in un agente AI capace di lavorare davvero dentro i processi aziendali.
È una tesi controintuitiva per chi ha seguito la corsa alle prestazioni degli ultimi anni. Eppure i dati, gli analisti e persino gli osservatori più scettici del settore convergono sullo stesso punto: nell’enterprise, il modello conta meno di quanto pensiamo.
In questo articolo scoprirai:
- La commoditizzazione dei foundation model
- Perché tanti progetti agentici falliscono
- Cosa significa "servizio" in un agente enterprise
- La scelta strategica: custom, off-the-shelf o partner
- Modello intercambiabile, servizio duraturo
La commoditizzazione dei foundation model
Benedict Evans, uno degli analisti più ascoltati del settore tech, lo ha detto senza giri di parole: i foundation model sono ormai una commodity. In una recente analisi osserva che le differenze di prestazioni tra i modelli di punta si sono compresse a tal punto da diventare irrilevanti per la maggior parte dei casi d’uso aziendali. Quando cinque fornitori diversi offrono modelli sostanzialmente equivalenti a prezzi in caduta libera, la scelta del modello smette di essere un vantaggio competitivo.
La stessa lettura arriva dalle previsioni per il 2026. Secondo InformationWeek, i CIO si troveranno davanti a tre dinamiche simultanee: frammentazione dell’ecosistema, commoditizzazione dei modelli e una spinta forte verso gli agenti. La combinazione è significativa: se il modello è intercambiabile, la differenza la fanno l’orchestrazione, l’integrazione con i dati aziendali e la capacità di eseguire azioni reali.
Perché tanti progetti agentici falliscono
Il segnale più forte che il problema non è il modello arriva da Gartner. La società di ricerca prevede che oltre il 40% dei progetti di AI agentica sarà cancellato entro la fine del 2027, a causa di costi crescenti, valore di business poco chiaro e controlli di rischio inadeguati. Gartner segnala anche un fenomeno che chiama “agent washing”: fornitori che ribattezzano assistenti e RPA come agenti senza sostanza reale sotto.
Il punto cruciale è che questi progetti non falliscono perché il modello sottostante è debole. Falliscono per ragioni di servizio: obiettivi mal definiti, integrazione insufficiente con i sistemi esistenti, assenza di governance. È lo stesso schema che descriviamo in perché il 70% dei progetti AI fallisce e che spiega perché, quando l’AI generativa non genera ROI, il problema non è la tecnologia. La tecnologia è quasi sempre adeguata; il modo in cui viene messa al servizio del business, spesso no.
Cosa significa “servizio” in un agente enterprise
Quando parliamo di servizio non intendiamo assistenza clienti, ma l’intero strato di lavoro che sta tra un modello linguistico e un risultato di business. BCG, nella sua visione sugli AI agent, sottolinea che il valore si sblocca quando gli agenti vengono ridisegnati attorno ai processi, non semplicemente aggiunti sopra strumenti esistenti. Questo strato di servizio comprende diversi elementi concreti.
Il primo è l’accesso ai dati aziendali. Un modello, per quanto potente, non conosce i documenti, le procedure e lo storico della tua impresa. Servono architetture come il RAG per fondare le risposte sui contenuti reali dell’azienda, riducendo allucinazioni e imprecisioni.
Il secondo è la capacità di agire. Un agente vero non si limita a conversare: interroga sistemi, aggiorna record, avvia flussi. Qui entrano in gioco protocolli come il Model Context Protocol, che standardizzano il modo in cui gli agenti si connettono a strumenti e dati.
Il terzo è la governance: controlli su cosa l’agente può fare, tracciabilità delle azioni, gestione del rischio. Proprio l’area che Gartner indica come tallone d’Achille dei progetti destinati a essere cancellati.
La scelta strategica: custom, off-the-shelf o partner
Se il valore sta nel servizio, la domanda operativa diventa: come costruirlo? Le imprese si trovano davanti a un bivio che abbiamo approfondito in agenti AI custom vs off-the-shelf. Le soluzioni pronte all’uso offrono velocità ma poca aderenza ai processi specifici; gli agenti su misura massimizzano l’aderenza ma richiedono competenze e tempo.
In entrambi i casi, la variabile che determina il successo non è il modello scelto ma la qualità dell’implementazione. Ed è la ragione per cui cresce la domanda di consulenza specializzata: non per selezionare l’LLM “migliore”, ma per progettare lo strato di servizio che lo rende utile. Va anche considerato con onestà quanto costa implementare un agente AI, perché i costi nascosti stanno proprio nell’integrazione e nel mantenimento, non nella licenza del modello.
Modello intercambiabile, servizio duraturo
C’è una conseguenza strategica in tutto questo. Se costruisci il tuo agente attorno a un modello specifico, sei esposto: il modello cambia, il prezzo cambia, il fornitore cambia. Se invece costruisci attorno al servizio, dati, orchestrazione, governance, integrazione con i processi, il modello diventa un componente sostituibile. È esattamente la logica con cui progettiamo il Mimír AI Agent: un sistema in cui il valore risiede nell’architettura di servizio, non nel modello di turno.
Questa impostazione ha anche un impatto organizzativo. Man mano che gli agenti diventano parte dei processi, cambia il modo in cui le aziende si strutturano, come raccontiamo ne l’organizzazione agentica. E richiede un lavoro attento di change management per far accettare gli agenti ai team, perché nessun servizio funziona se le persone non lo adottano.
Conclusione: smettere di inseguire il modello
La corsa al modello migliore è stata utile finché i modelli erano davvero diversi. Nel 2026 non lo sono più abbastanza da giustificare che sia lì la nostra attenzione. Gartner ci avverte sui fallimenti, BCG e InformationWeek indicano dove sta il valore, Benedict Evans certifica la commoditizzazione. Il messaggio converge: per un’impresa, un agente AI vale quanto il servizio che lo circonda. Chi lo capisce sposta budget ed energie dal “quale modello” al “quale implementazione”, ed è lì che si decide il ritorno sull’investimento.
Fonti:
- Gartner — Over 40% of Agentic AI Projects Will Be Canceled by End of 2027
- BCG — AI Agents
- InformationWeek — 2026 Enterprise AI Predictions: Fragmentation, Commodification and the Agent Push
- StartupHub.ai — Foundation Models a Commodity, Says Benedict Evans
- McKinsey — The State of AI in 2025: Agents, Innovation, and Transformation
- Stanford HAI — The 2025 AI Index Report
- MIT Sloan Management Review — The Emerging Agentic Enterprise
- Forbes — Roughly 10% of Enterprise Functions Use AI Agents, McKinsey Finds
