Quando conviene un agente AI: costi e trade-off secondo McKinsey

La domanda che gira nelle riunioni di direzione è cambiata nel giro di un anno. Non è più «l’AI serve?», ma una molto più scomoda: quando conviene un agente AI in azienda e come faccio a saperlo prima di aver speso il budget. McKinsey QuantumBlack l’ha messa nero su bianco in una guida all’economia dei workflow agentici che ribalta il punto di vista: la decisione di portare un agente in produzione non è una scelta tecnica, è una scelta economica. E come tutte le scelte economiche, si sbaglia quando si guarda il prezzo invece del costo totale.

In questo articolo scoprirai:

• Perché la domanda non è più «l'AI conviene» ma «quale dei miei agenti conviene»
• I tre costi che non compaiono nel preventivo di un agente AI
• Latenza, personalizzazione, autonomia: i tre trade-off da decidere prima di partire
• Quando conviene un agente AI e quando basta un workflow deterministico
• Da dove partire: il primo processo è la decisione che pesa più di tutte

Perché la domanda non è più «l’AI conviene» ma «quale dei miei agenti conviene»

Il passaggio dal pilota alla produzione ha prodotto un effetto che pochi avevano previsto: le aziende non hanno un agente, ne hanno decine, e la distanza fra aspettative e realtà si misura proprio lì. McKinsey riformula il problema in modo brutale, la domanda vera non è «l’AI vale l’investimento» in astratto, ma «quali dei miei 47 agenti valgono qualcosa, e come faccio a saperlo». È una domanda di portafoglio, non di tecnologia, e richiede strumenti di misura che quasi nessuno ha costruito prima di partire.

Quanto costa oggi un agente AI lasciato senza misura

I numeri dicono che il conto sta arrivando. Secondo l’Enterprise AI FinOps Survey di McKinsey (maggio 2026, 75 rispondenti), il 93% delle organizzazioni ha già sfondato il budget AI; e, in un’altra indagine McKinsey, il 2026 State of AI, su 1.719 partecipanti fra maggio e giugno 2026, una su cinque dichiara di aver deliberatamente limitato l’uso dell’AI per via dei costi operativi. Gartner, dal suo lato, prevede che oltre il 40% dei progetti di AI agentica sarà cancellato entro la fine del 2027, per tre motivi in quest’ordine: costi in crescita, valore di business poco chiaro, controlli di rischio inadeguati. Non un problema di modelli: un problema di scelta del punto di applicazione, lo stesso per cui quando l’AI generativa non genera ROI la causa non è quasi mai la tecnologia.

Il mercato italiano degli agenti AI è ancora al primo processo

In Italia lo stadio è ancora precedente, e questo è un vantaggio. L’Osservatorio Artificial Intelligence del Politecnico di Milano stima il mercato AI a 1,8 miliardi di euro con una crescita del +50%, ma le soluzioni di process orchestration e AI agentica pesano appena il 4% del mercato. Il 71% delle grandi imprese ha avviato almeno un progetto, solo una su cinque lo usa in modo pervasivo; fra le PMI, sperimenta il 15% delle medie e il 7% delle piccole. Tradotto: la maggior parte delle aziende italiane deve ancora scegliere il primo processo. È il momento in cui la scelta costa meno e rende di più, e se vuoi partire dalle basi, qui c’è cosa sono e come funzionano davvero gli agenti AI.

I tre costi che non compaiono nel preventivo di un agente AI

Il preventivo di un agente somiglia a un listino di token. Il costo reale somiglia a un conto di officina: dipende da quante volte il pezzo torna indietro. McKinsey QuantumBlack lo riassume in una frase che vale come principio operativo: «i token non sono valore, i token sono la bolletta».

Il costo di rifinitura: il 60% della spesa che nessuno preventiva

È il dato più controintuitivo del report: il 60% della spesa agentica totale non va alla prima chiamata di inferenza, ma ai cicli iterativi di verifica, correzione e miglioramento che l’agente esegue prima di produrre un output usabile. Si aggiunge una caratteristica strutturale: due esecuzioni dello stesso compito costano cifre diverse, perché l’agente può seguire percorsi differenti, chiamare tool differenti o ritentare. Un agente ha un costo variabile per task, non un prezzo. Chi lo mette a budget come una licenza sbaglia il modello di costo prima di sbagliare il progetto, un tema che tocchiamo nel dettaglio in quanto costa implementare un agente AI in azienda.

Il costo dell’errore e della supervisione umana residua

Il secondo costo invisibile è il tempo delle persone che controllano. Qui McKinsey propone il ribaltamento più utile per chi decide: un agente che costa tre volte tanto ma non richiede revisione umana può risultare più economico di un modello a basso costo che va corretto continuamente. Il terzo costo è il danno dell’errore quando passa: in un processo dove uno sbaglio genera una nota di credito, una sanzione o un cliente perso, il costo per errore va moltiplicato per il tasso di errore residuo, non ignorato. Su questo si gioca quasi tutto il ROI, come raccontano le quattro cause per cui i POC si bloccano.

Latenza, personalizzazione, autonomia: i tre trade-off da decidere prima di partire

L’economia agentica non è una somma di costi, è una serie di scambi espliciti. Il primo è latenza contro qualità: più un agente ragiona, verifica e ritenta, più l’output è affidabile e più tardi arriva. McKinsey osserva che gli agenti innestati in workflow operativi, service operations, alert IT, richiedono tempi di risposta sotto il secondo con latenza prevedibile, anche sotto vincoli di calcolo. In quei contesti la qualità marginale in più non serve a nessuno se arriva dopo che l’operatore ha già risposto a mano.

Personalizzazione contro costo: il contesto lungo si paga

Il secondo scambio è personalizzazione contro costo. Un agente che tiene un contesto lungo e ricco produce risposte più aderenti al singolo cliente, e il contesto lungo è uno dei principali driver di spesa individuati nel report, insieme alla modifica delle risposte e a un’orchestrazione inefficiente. Da qui nasce l’errore di spesa più comune: instradare compiti semplici su modelli di frontiera costosi, quando un modello più piccolo farebbe lo stesso lavoro.

Autonomia dell’agente AI contro prevedibilità del risultato

Il terzo scambio è il più strategico: autonomia contro prevedibilità. Anthropic, nella sua documentazione tecnica sugli agenti efficaci, è netta, «i sistemi agentici scambiano spesso latenza e costo per una migliore performance sul compito, e va valutato quando questo scambio ha senso», con l’avvertenza che «la natura autonoma degli agenti comporta costi più alti e il potenziale di errori che si accumulano». La raccomandazione è di aggiungere complessità solo quando migliora dimostrabilmente il risultato. La curva dei costi, poi, non è lineare: quello che funziona in pilota può moltiplicarsi passando in produzione, soprattutto con orchestrazioni multi-agente che generano volumi di token esponenziali.

Quando conviene un agente AI e quando basta un workflow deterministico

Qui la letteratura è più allineata di quanto sembri. La regola di partenza è di sottrazione: prima il prompt singolo con retrieval, poi il workflow deterministico, e l’agente solo quando i due precedenti non bastano. Anthropic distingue così: «i workflow offrono prevedibilità e coerenza per compiti ben definiti, mentre gli agenti sono l’opzione migliore quando serve flessibilità e decisione guidata dal modello su scala». Gartner arriva alla stessa tripartizione dal lato del valore: agenti per le decisioni, automazione per i workflow di routine, assistenti per il semplice recupero di informazioni.

Quali vantaggi porta davvero un agente AI in azienda

La risposta economica più solida viene dal MIT Sloan: «la promessa economica fondamentale degli agenti AI è che possono ridurre drasticamente i costi di transazione, il tempo e lo sforzo di cercare, comunicare e contrattare». Il valore massimo si concentra dove c’è molto sforzo di valutazione, asimmetria informativa o molte controparti: procurement, istruttorie, riconciliazioni. Non nei processi deterministici a regole fisse, dove un workflow classico costa meno e non sbaglia. Sinan Aral aggiunge il limite da mettere a verbale: gli agenti «faticano su compiti che gli umani svolgono facilmente, come la gestione delle eccezioni».

Tre domande da porsi prima di approvare il progetto

Sono le domande che rendono la decisione misurabile. Primo: quanto costa un errore su questo processo, e chi lo paga? Secondo: quanta supervisione umana resta, in ore reali a settimana? Terzo: il valore dell’output supera il costo pieno di produrlo, cicli di rifinitura, calcolo consumato, tempo di riparazione inclusi? Se la terza risposta non è calcolabile oggi, il progetto non è pronto: manca la strumentazione, non la tecnologia. Il metodo per costruirla è in come si misura davvero il ROI di un agente AI oltre il pilot e in come si presenta il business case alla direzione.

Da dove partire: il primo processo è la decisione che pesa più di tutte

C’è un dato accademico che dovrebbe stare accanto a ogni preventivo. Nel benchmark TheAgentCompany, 175 compiti professionali reali in un’azienda software simulata, l’agente più competitivo ha completato in autonomia circa il 30% dei task, con la conclusione degli autori che «una buona parte dei compiti più semplici può essere risolta autonomamente, ma i compiti difficili a orizzonte lungo restano fuori portata dei sistemi attuali». Non è un argomento contro gli agenti: è la mappa di dove conviene metterli oggi. Compiti circoscritti, verificabili, ripetitivi e ad alto volume, esattamente il territorio del back-office.

Chi sceglie il processo dove conviene un agente AI

Il punto che McKinsey non affronta è chi fa questa scelta dentro l’azienda. Perché scegliere il primo processo richiede due cose che raramente stanno nella stessa stanza: conoscere il processo come lo conosce chi lo esegue, e conoscere il modello di costo di un agente come lo conosce chi lo ha già portato in produzione. Sbagliare il primo processo non costa solo il progetto: costa la fiducia interna, e il secondo tentativo diventa politicamente più difficile del primo. È il motivo per cui in MIMIR l’onboarding è parte del servizio e non un documento allegato al prodotto: si parte dalla mappatura del processo candidato, dai numeri di partenza e dalla definizione di cosa significa «funziona», prima di accendere qualsiasi agente. La differenza fra i due approcci è il tema di agente AI chiavi in mano o self-service e di perché nell’enterprise il servizio conta più del modello.

Agent washing: il primo filtro da applicare ai fornitori

Vale ricordare, con Gartner, che su migliaia di fornitori che dichiarano soluzioni agentiche soltanto 130 circa offrono funzionalità realmente agentiche: l’«agent washing» è il primo filtro da applicare a qualsiasi offerta.

Quando conviene un agente AI: la checklist

• Alto sforzo di valutazione, asimmetria informativa o molte controparti nel processo: sì, è terreno da agente.
• Processo a regole fisse e deterministico: no, meglio un workflow classico che costa meno e non sbaglia.
• Costo dell’errore quantificato in euro, con un responsabile dichiarato di chi lo paga.
• Ore a settimana di supervisione umana residua stimate e messe a budget, non lasciate implicite.

Se stai valutando il primo agente e la domanda aperta è quale processo scegliere e come misurarne il ritorno, puoi parlarne con noi in MIMIR: guardiamo il processo, i numeri che hai già e cosa serve davvero per metterlo in produzione. Prima di partire, un’ora di analisi vale più di sei mesi di pilota sul caso sbagliato, e se preferisci arrivarci preparato, qui c’è la guida pratica all’onboarding.

Fonti:

• McKinsey QuantumBlack — Is that AI agent worth it? Agentic economics and the modern operating model
• MarketScale — Il 60% dei costi agentici va alla rifinitura delle risposte e il 93% delle aziende è già oltre budget
• MIT Sloan — Agentic AI, explained: costi di transazione e limiti sulle eccezioni
• Gartner — Oltre il 40% dei progetti di AI agentica sarà cancellato entro fine 2027
• RCR Wireless — Agent washing: solo circa 130 fornitori su migliaia offrono capacità realmente agentiche
• arXiv — TheAgentCompany: benchmarking degli agenti LLM su 175 compiti professionali reali
• Osservatorio Artificial Intelligence, Politecnico di Milano — Il mercato italiano dell’AI
• Anthropic Engineering — Building effective agents: workflow contro agenti
• IBM Think — AI agents: aspettative e realtà del passaggio in produzione