Il settore dell’innovazione tecnologica si trova attualmente di fronte a un bivio cruciale: superare la fase dell’entusiasmo iniziale per approdare a una concretezza operativa capace di generare un ritorno sull’investimento tangibile.
Nonostante l’incremento delle funzionalità basate sull’intelligenza artificiale, molte organizzazioni faticano a percepire i benefici economici attesi. Durante il convegno “Artificial Intelligence: adozione, trasformazione, equilibrio”, organizzato dall’Osservatorio Artificial Intelligence presso gli Osservatori Digital Innovation del Politecnico di Milano, Fausto Curatola, Innovation Director di Concentrix, ha delineato i contorni di questa sfida, sottolineando come il successo dell’Agentic AI dipenda non tanto dalla solidità tecnica del prototipo, quanto dalla capacità di industrializzare i processi.
Indice degli argomenti
Il divario tra la sperimentazione e la scala industriale
Il passaggio da un esperimento isolato a una soluzione integrata nella catena del valore rappresenta l’ostacolo principale per la maggior parte delle imprese moderne. Secondo quanto evidenziato da Curatola, esiste un gap profondo tra il successo di un singolo Proof of Concept (PoC) e la sua effettiva messa a terra nel mercato reale. Questo fenomeno è supportato da evidenze empiriche internazionali che mostrano una realtà complessa: la ricerca del MIT sullo status del business nel 2025 ha rivelato che solo una piccolissima percentuale di aziende che sperimentano soluzioni di intelligenza artificiale riesce effettivamente a scalare i propri progetti verso l’industrializzazione.
“Diciamo che scalare dall’esperimento all’industrializzazione non è cosa facile, no? È molto complessa, ci sono tanti fattori da considerare” ha spiegato l’Innovation Director di Concentrix durante il suo intervento al Politecnico di Milano. La tesi centrale è che l’ostacolo non sia di natura puramente tecnologica. Quando un esperimento è pronto per il pubblico, si presuppone che la tecnologia sia già stata collaudata e testata. La vera criticità risiede altrove, ovvero negli aspetti organizzativi che coinvolgono la governance, la cultura aziendale e la cosiddetta readiness dei dati. Per l’Agentic AI, la capacità di un sistema di agire in modo autonomo per raggiungere obiettivi complessi, questa sfida diventa ancora più marcata, richiedendo una predisposizione del dato e una disciplina nell’esecuzione che superano i requisiti di un semplice assistente virtuale.
Governance e budget: le basi per un’esecuzione disciplinata
Uno dei pilastri fondamentali per evitare che un progetto di Agentic AI rimanga confinato in un laboratorio è la definizione di una solida governance. Finché si rimane nella fase di sperimentazione, i confini possono essere sfumati, ma l’industrializzazione esige chiarezza. Curatola ha sottolineato che nel momento in cui si decide di passare alla scala industriale, diventa indispensabile capire chi sia responsabile di ogni fase del processo, chi abbia l’autorità decisionale e quali siano le regole e le priorità da seguire nel tempo.
Questa necessità di rigore si riflette direttamente sulla gestione finanziaria dei progetti. Spesso, le fasi iniziali di sperimentazione vengono alimentate da risorse marginali, ma l’Agentic AI richiede un impegno economico strutturale. Curatola ha portato un esempio concreto di questa transizione: “Banalmente: su quale budget vanno appoggiati gli enormi costi del tuo progetto di intelligenza artificiale? Se prima da PoC costava solo 50K presi in prestito dal budget del marketing, adesso bisogna appoggiarlo su un budget vero e proprio”. Senza una pianificazione finanziaria che riconosca l’intelligenza artificiale come una voce di costo primaria e non accessoria, il rischio di fallimento nelle fasi di rilascio pubblico diventa estremamente elevato.
L’evoluzione delle competenze necessarie per l’Agentic AI
L’industrializzazione dell’intelligenza artificiale trasforma radicalmente anche il panorama delle competenze richieste all’interno dell’organico aziendale. Nella fase di PoC, figure tecniche come il Data Scientist o l’Ingegnere possono essere sufficienti per validare l’algoritmo. Tuttavia, per portare l’Agentic AI al grande pubblico e garantire che le opportunità non vadano perse, è necessario inserire figure professionali che comprendano il contesto e sappiano dialogare con la macchina in modo strategico.
Tra le nuove figure identificate da Curatola spiccano l’AI Product Owner, il Prompt Engineer e il Context Engineer. Si tratta di competenze che raramente sono presenti internamente alle aziende nel momento in cui iniziano il loro percorso di trasformazione digitale. “Quindi ti servono figure come un AI Product Owner, ti serve un Prompt Engineer, ti serve un Context Engineer: competenze che di solito le aziende non hanno in casa” ha evidenziato l’Innovation Director di Concentrix. La strategia suggerita per colmare questo vuoto non prevede né un isolamento totale né una completa esternalizzazione. La via più efficace sembra essere un modello ibrido: maturare gradualmente le competenze internamente, appoggiandosi contemporaneamente a un partner esterno capace di trasferire le migliori pratiche acquisite sul mercato.
Il patrimonio informativo come motore dell’agente
Un’altra area critica riguarda la gestione del dato, descritto come un patrimonio immenso su cui le aziende sono sedute ma che spesso non sanno utilizzare appieno. Affinché l’Agentic AI produca l’output sperato e generi valore, i dati devono essere organizzati sia qualitativamente che quantitativamente. Questo processo richiede un lavoro di etichettatura, organizzazione e circolarizzazione delle informazioni per renderle realmente fruibili dall’intelligenza artificiale.
La correttezza e l’aggiornamento costante della Knowledge Base non sono solo dettagli tecnici, ma hanno un impatto diretto sulla soddisfazione del cliente e sulla fedeltà al brand. Se le informazioni fornite dall’agente non sono aggiornate o coerenti, l’utente vivrà un’esperienza negativa che porterà inevitabilmente all’abbandono del servizio. Curatola ha avvertito che se il problema non viene risolto rapidamente, il cliente lascerà l’azienda per rivolgersi alla concorrenza. La strategia di aggiornamento dei dati deve quindi essere parte integrante del design del progetto, evitando che l’agente diffonda informazioni obsolete o errate.
Sicurezza, infrastruttura e osservabilità del sistema
Oltre all’organizzazione e alle persone, l’industrializzazione dell’Agentic AI deve fare i conti con i costi vivi e la sicurezza. L’infrastruttura tecnologica necessaria per mantenere un sistema attivo e scalabile ha costi significativi che devono essere previsti fin dalle fasi iniziali di design. Considerare questi elementi solo a posteriori significa esporsi a un fallimento quasi certo.
La soluzione proposta per gestire questa complessità non risiede in soluzioni miracolose, ma nell’adozione di un framework di lavoro strutturato. Questo modello deve fungere da vera e propria checklist di elementi da verificare prima del rilascio, includendo la prontezza del dato, la cultura aziendale, la governance e la cybersecurity. Una volta che il prodotto è sul mercato, subentra la fase di Observability, che consiste nel monitorare costantemente l’efficacia dei risultati ottenuti. “Observability, quindi verificare l’efficacia del risultato, altrimenti ciclare nuovamente il ciclo per ottimizzarlo finché non diventa quello sperato” ha spiegato Curatola. Questo approccio iterativo permette di correggere eventuali storture del design e di allineare costantemente l’intelligenza artificiale agli obiettivi di business prefissati, trasformando quello che era un semplice esperimento tecnologico in un motore di crescita solido e affidabile.
