Perché l’AI Agentic Fallirà Senza Dati di Asset Attendibili

L’AI agentic sta passando rapidamente dalla discussione alla deployazione in settori ad intensità di asset. A differenza dell’AI generativa, che riassume le informazioni o redige raccomandazioni, l’AI agentic può prendere un obiettivo, suddividerlo in passaggi, estrarre dati da più sistemi e agire di conseguenza. Può esaminare la storia di manutenzione, verificare gli ordini di lavoro aperti, confrontare gli orari dei team e generare una raccomandazione senza richiedere a una persona di connettere manualmente ogni pezzo di informazione.

Questa capacità è esattamente il motivo per cui così tante organizzazioni stanno adottando rapidamente l’AI agentic. Secondo il sondaggio CIO e Technology Executive di Gartner del 2026, solo il 17% delle organizzazioni ha deployato agenti AI, mentre più del 60% prevede di farlo entro i prossimi due anni. Ciò è più veloce di qualsiasi altra tecnologia emergente inclusa nel sondaggio.

Nelle deployazioni che ho supportato, i team hanno spesso speso troppo tempo passando da un sistema all’altro, da fogli di calcolo a note di ispezione e email solo per prendere una singola decisione operativa. L’AI agentic promette di ridurre questa frizione, aiutando i pianificatori a preparare il lavoro più velocemente e dando ai tecnici una visione più chiara della storia degli asset senza affidarsi solo alla memoria istituzionale.

Ma questa promessa comporta un rischio che è facile trascurare nella fretta di deployare: da quanto ho visto, l’AI agentic è meno un problema di modellazione che un problema di fiducia operativa.

In settori ad intensità di asset come utility, trasporto, mining, telecomunicazioni e produzione, un agente AI è solo buono quanto i dati su cui agisce. Se quei dati sono incompleti, obsoleti o incoerenti, l’agente non fallisce necessariamente in modo rumoroso. Può fallire con fiducia, raccomandando lavoro sull’asset sbagliato, perdendo una dipendenza, sottostimando il rischio o giudicando male cosa dovrebbe essere prioritario.

Alimentare un agente con cattivi dati non scalerà l’intelligenza. Scalerà il rischio operativo.

Gli Stessi Vecchi Problemi di Dati, a una Nuova Velocità

I problemi di qualità dei dati che l’AI agentic espone non sono nuovi. In più di 17 anni di lavoro su sistemi e deployazione di gestione di asset, ho visto gli stessi problemi riemergere ripetutamente: record duplicati, relazioni di asset mancanti, convenzioni di denominazione incoerenti, valutazioni di criticità obsolete e codici di guasto scadenti per anni.

Ciò che è cambiato non è la natura di questi problemi, ma la loro portata potenziale.

Un tecnico esperto potrebbe notare un record cattivo prima di agire su di esso, attingendo a anni di conoscenza istituzionale che non è mai stata catturata nel sistema. Un agente AI non ha quell’istinto. Può elaborare migliaia di record molto più velocemente di quanto una persona possa esaminarli manualmente, applicando la stessa ipotesi errata su larga scala prima che qualcuno se ne accorga.

Il problema di implementazione dell’intera azienda è già visibile. Un rapporto preliminare del 2025 del progetto MIT NANDA ha trovato che il 95% delle organizzazioni esaminate non aveva raggiunto un impatto misurabile sul profitto e sulla perdita dalle loro iniziative di AI generativa. Il rapporto ha attribuito la divisione in gran parte a lacune di apprendimento e integrazione, compresi strumenti che non mantengono il contesto o si adattano efficacemente ai flussi di lavoro esistenti. In operazioni ad intensità di asset dove una cattiva raccomandazione può influenzare attrezzature fisiche e non solo un cruscotto, quella lacuna tra ambizione AI e realtà dei dati è ancora più conseguente.

Dove i Cattivi Dati Diventano una Decisione Insicura

In ambienti operativi, quelle conseguenze diventano fisiche.

Prendiamo la priorità di manutenzione. Se un agente non può vedere un recente guasto, un ordine di lavoro ritardato o un cambiamento nello stato di un asset, potrebbe assegnare la priorità sbagliata. Ciò può creare lavoro inutile in un’area mentre si consente a un rischio più significativo di rimanere irrisolto altrove.

Le poste in gioco aumentano ulteriormente quando le relazioni di asset sono esse stesse errate. Questo è lo scenario che solleva un segnale di allarme. Se un sistema non riflette accuratamente quali asset sono connessi, quale attrezzatura deve essere isolata prima dell’inizio del lavoro o quali vincoli si applicano in un sito particolare, le sue raccomandazioni possono diventare veramente insicure.

È per questo che le organizzazioni dovrebbero riflettere attentamente prima di concedere all’AI agentic piena autonomia su decisioni critiche. Il quadro volontario di gestione del rischio AI di NIST offre una struttura per incorporare l’affidabilità in tutto il ciclo di vita di un sistema AI invece di affrontarla solo dopo la deployazione. L’AI può raccogliere informazioni rapidamente, presentare opzioni e riassumere le prove dietro una raccomandazione. Tuttavia, quando la sicurezza, la conformità o l’affidabilità del servizio sono in gioco, le persone devono rimanere coinvolte.

Almeno inizialmente, l’obiettivo dovrebbe essere un AI che supporta le decisioni, non un AI che le prende da sola.

Perché la Gestione di Asset Aziendale è la Fondazione, non l’Ufficio Posteriore

La gestione di asset aziendale, o EAM, è dove la realtà operativa è organizzata. È dove gli ordini di lavoro, le strategie di manutenzione, le ispezioni, le approvazioni, le relazioni di asset e le storie di attrezzatura sono registrate e gestite.

Una solida fondazione EAM dà a un agente AI dati operativi affidabili su cui lavorare. Una fondazione debole è probabile che venga esposta quasi immediatamente. Un’analisi di EY sui sistemi di gestione di asset aziendale abilitati all’AI sottolinea in modo simile il ruolo dei dati e dell’analisi in tempo reale nel muovere le organizzazioni da una manutenzione reattiva a una proattiva.

Invece di trattare l’EAM come un sistema di back-office, le organizzazioni che si preparano all’AI agentic dovrebbero trattarlo come parte del livello di controllo operativo. Dà forma a ciò che l’AI può accedere, ai processi che deve seguire, alle prove su cui si basa e dove l’approvazione umana è ancora richiesta.

L’EAM aiuta anche a fornire il contesto dietro una decisione operativa. Una raccomandazione di manutenzione non dovrebbe basarsi solo sullo stato di un singolo asset. Potrebbe anche dipendere dalla criticità dell’asset, dai guasti recenti, dall’attrezzatura connessa, dalle parti disponibili, dalle procedure di sicurezza, dalla disponibilità del team e dall’effetto che il downtime avrebbe sull’intera operazione.

Senza quel contesto, anche un agente AI tecnicamente sofisticato potrebbe raccomandare il corso d’azione sbagliato.

I Vostri Dati Sono Davvero “Pronti per l’AI”?

Invece di avviare una revisione generale e astratta della qualità dei dati, le organizzazioni sono meglio servite iniziando con un caso d’uso specifico, come la pianificazione della manutenzione assistita dall’AI, e ponendo domande mirate.

Queste sono le domande che pongo per primo: Possiamo fidarci della gerarchia degli asset? La storia dei guasti è affidabile? I piani di lavoro sono aggiornati? La disponibilità del team è precisa? I piani di sicurezza sono aggiornati?

I dati non devono essere perfetti. Pochissime organizzazioni avranno mai dati operativi perfetti. Devono essere precisi, aggiornati e ben gestiti abbastanza perché l’AI possa veramente supportare le persone che prendono decisioni.

Questo approccio rende anche più gestibile il miglioramento dei dati. Invece di tentare di pulire ogni record in tutta l’organizzazione, i team possono concentrarsi sulle informazioni che influenzano direttamente il caso d’uso selezionato.

I rischi di sbagliare non sono distribuiti uniformemente. I settori in cui le decisioni digitali influenzano le operazioni fisiche presentano il maggior esposizione, ed è per questo che il NIST sta sviluppando un profilo dedicato del quadro di gestione del rischio AI per guidare gli operatori di infrastrutture critiche che utilizzano funzionalità abilitate all’AI. In un processo a basso rischio, una cattiva raccomandazione AI potrebbe causare inconvenienti o lavoro aggiuntivo. In una rete di alimentazione, un sistema idrico, una miniera, una rete di trasporto o un ambiente di telecomunicazioni, può influenzare la sicurezza, causare downtime, creare problemi di conformità o interrompere il servizio.

Ciò non significa che questi settori dovrebbero evitare l’AI agentic. Significa che devono essere più deliberati riguardo alla qualità dei dati, alla governance e alla supervisione umana prima di aumentare le sue responsabilità.

Un Percorso Pratico all’AI Agentic

Un percorso di implementazione pratico inizia con un caso d’uso specifico in cui l’AI può aggiungere valore senza introdurre eccessivo rischio.

Da lì, l’organizzazione dovrebbe mappare i dati di cui dipende il caso d’uso e valutare onestamente se quelle informazioni possono essere considerate attendibili. I team dovrebbero quindi correggere i dati di asset più critici, assegnare una chiara proprietà e standardizzare come il lavoro, i guasti e i cambiamenti operativi vengono registrati.

L’AI dovrebbe operare all’interno dei processi di governance esistenti invece di aggirarli. Nelle fasi iniziali, l’agente può supportare i pianificatori, i team di affidabilità e i tecnici raccogliendo informazioni, identificando modelli e raccomandando azioni possibili.

Ciò dà all’organizzazione il tempo di confrontare le raccomandazioni dell’agente con i risultati reali, identificare le lacune dei dati e confermare che i controlli necessari stanno funzionando.

Solo dopo che i risultati sono stati compresi, l’organizzazione dovrebbe considerare di concedere all’AI maggiori responsabilità. L’autonomia dovrebbe aumentare gradualmente e solo quando i rischi associati sono chiari, controllati e verificabili.

Una strategia di successo per l’AI agentic collega l’AI ai dati di asset attendibili e ai flussi di lavoro EAM solidi, supportati da una chiara governance e responsabilità umana. Lo stato dell’AI nell’impresa di Deloitte del 2026 raggiunge la stessa conclusione dall’alto verso il basso, descrivendo una fondazione di dati unificata e attendibile come essenziale per scalare l’AI. Le organizzazioni rimangono responsabili delle azioni che l’AI raccomanda o intraprende. Quella responsabilità non scompare semplicemente perché una decisione è stata generata da un algoritmo.

L’AI agentic dovrebbe guadagnarsi il posto nelle operazioni, non essere consegnata. Iniziare con un obiettivo limitato, verificare le sue raccomandazioni contro ciò che realmente accade, correggere le lacune dei dati che si presentano e ampliare il suo ruolo solo quando le prove lo giustificano. Preferirei vedere un agente guadagnare una piccola quantità di fiducia e mantenerla piuttosto che essergli data una grande quantità e perderla. Nei settori ad intensità di asset, quella pazienza è la differenza tra un’AI che guadagna fiducia e un’AI che perde silenziosamente la fiducia.