Perché i progetti di intelligenza artificiale agente si bloccano su larga scala e cosa le imprese devono risolvere per prime

L’intelligenza artificiale agente sta diventando un elemento critico per tutte le imprese. Le aziende stanno incorporando piloti nelle loro operazioni, gli ambienti di demo stanno impressionando la dirigenza e le roadmap stanno essere riscritte intorno ai flussi di lavoro di intelligenza artificiale autonomi.

Ma per molti di questi progetti, qualcosa si rompe tra l’ambiente di demo controllato e il deployment di produzione. Il progetto si blocca, i rollout si estendono da mesi ad anni e i team responsabili della consegna sono lasciati a spiegare perché l’agente che funzionava perfettamente nel testing si comporta in modo imprevedibile nel mondo reale.

In quasi tutti i casi, la risposta non è il modello stesso, ma l’estate dei dati, il livello di orchestrazione, il framework di governance e l’infrastruttura legacy che la maggior parte delle imprese non ha mai modernizzato prima di decidere di costruire agenti intelligenti su di essa. Fino a quando queste fondamenta non vengono affrontate, l’intelligenza artificiale agente continuerà a produrre demo che impressionano e deployment che deludono.

L’ambiente di prova è una trappola

La maggior parte delle imprese valuta i modelli. Molte meno valutano il comportamento degli agenti dall’inizio alla fine. Un modello può essere molto preciso e l’agente costruito su di esso può comunque fallire gravemente. Ciò accade perché gli agenti concatenano le chiamate degli strumenti in sequenza e un passo sbagliato produce una risposta errata che il passo successivo tratta come input corretto, aggravando l’errore a valle prima che qualcuno se ne accorga.

L’ambiente di prova è progettato per nascondere questo. Gli input sono controllati, l’ambito è limitato e qualcuno sta guardando l’output. Nessuna di queste condizioni esiste in produzione. L’agente che ha ottenuto un punteggio alto nel testing sta ora gestendo istruzioni ambigue, incontrando errori di autorizzazione e prendendo decisioni sequenziali su dati che non sono stati testati. Il team che lo ha costruito sta scoprendo che i framework di valutazione progettati per le prestazioni del modello non dicono se un agente abbiaescalato correttamente, gestito un caso limite in modo elegante o saputo quando fermarsi.

Secondo il rapporto State of AI 2025 di McKinsey, l’88% delle organizzazioni utilizza l’intelligenza artificiale in almeno una funzione aziendale, ma solo un terzo ha scalato con successo l’intelligenza artificiale in tutta l’impresa. Quella lacuna tra adozione e scala inizia con come le imprese definiscono e valutano i loro piloti. I team che scalano con successo trattano l’analisi del modo di fallimento come un requisito di progettazione. Prima del deployment, costruiscono un catalogo di come l’agente è previsto fallire e quale sarà la risposta quando ciò accade. Sembra ovvio. Molte imprese non lo fanno.

Dati spazzatura, agenti spazzatura

Le imprese continuano a chiedersi perché i loro agenti sottoperformano in produzione. La risposta quasi sempre torna ai dati. L’estate dei dati non era pronta. Le fonti erano frammentate in dozzine di sistemi costruiti in momenti diversi per scopi diversi. Le definizioni erano inconsistenti tra le unità aziendali. Non c’era uno strato semantico. Non c’era un’unica fonte di verità. C’era solo anni di debito di dati accumulato che nessuno ha prioritizzato perché i vecchi sistemi funzionavano abbastanza bene.

Quel debito non scompare quando si costruisce un agente su di esso. Diventa la realtà operativa dell’agente. Un agente che naviga in fonti di dati frammentate non sta ragionando su un’immagine coerente dell’azienda. Sta facendo del suo meglio con ciò che può trovare, riconciliando le contraddizioni sul volo e producendo output che sembrano plausibili fino a quando qualcuno che conosce l’azienda non li esamina da vicino. L’agente non è rotto. I dati che gli sono stati forniti erano già rotti prima dell’inizio del progetto.

La deriva dei dati e la deriva dei concetti peggiorano le cose nel tempo. Quando la distribuzione dell’input del mondo reale si sposta da ciò su cui il modello è stato addestrato, l’agente non genera un errore. Continua a funzionare e inizia a generare output errati, con fiducia e su larga scala. Senza un pipeline MLOps o AIOps integrata nel livello di orchestrazione dell’agente, non c’è meccanismo per intercettare questo prima che il danno si accumuli. L’agente che funzionava accettabilmente al lancio si degrada silenziosamente per settimane prima che qualcuno colleghi la qualità dell’output a un problema di dati che c’era fin dall’inizio.

La modernizzazione dei dati e la modernizzazione dell’intelligenza artificiale sono spesso trattate come flussi di lavoro paralleli, sequenziati in modo indipendente e finanziati separatamente. Non sono paralleli. Non si può costruire un agente affidabile su un’architettura di dati che era già rotta prima dell’inizio del progetto. La sequenza è enormemente importante e saltare il livello dei dati per muoversi più velocemente sul livello dell’intelligenza artificiale è uno degli errori più comuni e costosi che le imprese fanno.

Un cruscotto errato dà a qualcuno il numero sbagliato. Un’azione errata di un agente può attivare un processo a valle prima che qualcuno se ne accorga, approvando una fattura che non doveva essere approvata, instradando un flag di conformità in modo errato o regolando i prezzi al di fuori dell’intervallo previsto. I sistemi agente richiedono un’osservabilità appositamente progettata, non cruscotti riciclati dal monitoraggio generale delle app.

Il vantaggio di una piattaforma di dati unificata

Le imprese che sono passate a una piattaforma di dati unificata prima di iniziare i loro programmi di intelligenza artificiale agente stanno scalando più velocemente di quelle che non l’hanno fatto. Quando il Lakehouse, il data warehouse, il modello semantico e i pipeline vivono tutti in un ambiente, come fanno in Microsoft Fabric, gli agenti hanno una superficie coerente da interrogare. Ciò rimuove una classe intera di fallimento che deriva dagli agenti che saltano tra sistemi con schemi diversi, cicli di aggiornamento diversi e definizioni diverse della stessa metrica aziendale.

Questo è il motivo per cui le piattaforme che le imprese scelgono per l’unificazione dei dati sono così importanti per i risultati dell’intelligenza artificiale agente. L’approccio unificato di Microsoft Fabric riunisce il Lakehouse, il data warehouse, il modello semantico e i pipeline in un ambiente, dando alle imprese che utilizzano Microsoft (MSFT ) un vantaggio strutturale quando si passa dall’esperimentazione all’uso operativo reale.

Databricks consegna lo stesso principio attraverso l’architettura del Lakehouse e Unity Catalog, dando ai team di dati e intelligenza artificiale uno strato di governance unificato su dati strutturati e non strutturati con l’integrazione MLflow per tracciare il comportamento del modello in produzione. L’approccio di Snowflake sfrutta il suo Cortex AI e il suo accoppiamento stretto tra il data cloud e l’inferenza dell’intelligenza artificiale, consentendo alle imprese di eseguire carichi di lavoro di agenti direttamente contro dati governati e live senza la latenza e i rischi di coerenza che derivano dal spostare i dati tra i sistemi.

Ognuna di queste piattaforme rappresenta un percorso diverso per lo stesso risultato. Un livello di dati che è coerente, osservabile e affidabile abbastanza da supportare la presa di decisioni degli agenti su larga scala. La scelta giusta dipende dallo stack esistente dell’impresa. Ciò che non è opzionale è fare quella scelta e impegnarsi prima che il livello dell’agente sia costruito su di esso. Ciò che separa i team che stanno facendo progressi da quelli ancora bloccati nei piloti non è quale piattaforma abbiano scelto. È che hanno risolto il livello dei dati per primi.

Governance prima, non dopo

La governance costruita dopo il fatto non è governance affatto. Quando un agente ha l’autorità di prendere decisioni a valle e le barriere di sicurezza vengono aggiunte sei mesi dopo il deployment, l’impresa ha già accumulato sei mesi di decisioni non revisionate. La traccia delle audit deve essere progettata prima che l’agente vada live, non retrofitta dopo il primo incidente.

Lo stesso principio si applica alla sicurezza dell’intelligenza artificiale, al controllo degli accessi basato su ruoli e alla definizione delle autorizzazioni. Un agente senza autorizzazioni correttamente definite può accedere a dati che non dovrebbe, eseguire azioni al di fuori del suo limite previsto o diventare una superficie di attacco attiva. Questi sono rischi che devono essere affrontati nella fase di sviluppo, non scoperti durante la revisione del deployment.

Se la governance non è incorporata prima che i pipeline di addestramento siano costruiti, dati errati o avversari possono entrare nel processo di addestramento senza essere rilevati. Un modello addestrato su dati compromessi funziona bene sui benchmark ma deriva in produzione, esattamente il tipo di fallimento silenzioso che è più pericoloso quando le decisioni degli agenti hanno conseguenze aziendali reali.

Il Regolamento dell’UE sull’intelligenza artificiale e le cornici regolatorie in crescita sull’accountability dell’intelligenza artificiale stanno rendendo più difficile ignorare questo e le imprese che non hanno incorporato la governance nelle loro architetture di agenti stanno accumulando un’esposizione alla conformità che costerà molto di più da risolvere in seguito.

Dallo sviluppo alla produzione: cosa richiede realmente

Le imprese che stanno chiudendo il divario di produzione sono quelle che risolvono il livello dei dati prima di costruire il livello dell’agente. Incorporano la governance nel design, non dopo che il danno è stato fatto. Costruiscono l’osservabilità nell’architettura di orchestrazione e eseguono la gestione del cambiamento in parallelo con la consegna tecnica. Trattano l’analisi del modo di fallimento come un requisito di progettazione importante.

La ricerca di Deloitte sull’intelligenza artificiale aziendale mostra che l’accesso dei lavoratori all’intelligenza artificiale è aumentato del 50% solo nel 2025 e la quota di aziende che esegue più del 40% dei propri progetti di intelligenza artificiale in piena produzione è destinata a raddoppiare nei prossimi sei mesi. Le imprese che stanno vincendo adesso non sono quelle con i modelli più avanzati. Sono quelle che hanno costruito l’infrastruttura operativa per eseguire l’intelligenza artificiale in modo affidabile e l’hanno fatto prima di costruire gli agenti.

Ogni impresa che esegue ancora piloti disconnessi dovrebbe concentrarsi sul fatto che l’investimento nei modelli e nelle interfacce sia proporzionato all’investimento nella preparazione dei dati e nell’architettura di governance che determinerà se quegli agenti usciranno mai dall’ambiente di demo. È qui che molte imprese falliscono.

Fino a quando ciò non cambia, molti dei progetti di intelligenza artificiale agente in cui le aziende hanno investito risorse e speravano di ottenere risultati, moriranno sulla vite.