AI Agents e il paradosso della produttività: perché le aziende utilizzano sempre più intelligenza artificiale senza ottenere gli stessi risultati
AI Agents e produttività aziendale: perché l’adozione dell’intelligenza artificiale cresce più rapidamente dei risultati economici e come superare questo divario.
L’intelligenza artificiale sta entrando nelle aziende, ma il ritorno economico rimane una questione aperta
Un’azienda introduce un assistente AI per supportare il reparto commerciale, automatizza una parte della produzione dei contenuti e sperimenta un agente capace di recuperare informazioni dai propri sistemi gestionali. I collaboratori iniziano a utilizzare quotidianamente questi strumenti, riducendo il tempo necessario per completare numerose attività, mentre la direzione osserva un’organizzazione apparentemente più produttiva. Quando però arriva il momento di valutare l’impatto complessivo degli investimenti, diventa difficile individuare un miglioramento economico proporzionato alla quantità di tecnologia introdotta.
È una situazione che descrive uno dei principali problemi dell’attuale fase di adozione dell’intelligenza artificiale: la produttività individuale può aumentare senza che l’azienda riesca a trasformare quel miglioramento in risultati economici misurabili.
Il fenomeno emerge con particolare chiarezza nell’ultima indagine globale di McKinsey, The State of AI in 2026 , pubblicata il 25 agosto 2026. Secondo lo studio, condotto su 1.719 partecipanti provenienti da 97 Paesi, quasi nove intervistati su dieci dichiarano che la propria organizzazione utilizza regolarmente l’intelligenza artificiale in almeno una funzione aziendale. L’80% riferisce inoltre miglioramenti nella propria produttività individuale, mentre soltanto il 37% segnala un contributo dell’AI all’EBIT dell’organizzazione.
I risultati dell’indagine, che comprendono imprese di dimensioni e settori differenti, mostrano una distanza significativa tra l’utilizzo quotidiano degli strumenti e la loro capacità di incidere sulle performance complessive. Una distanza che diventa ancora più interessante mentre le aziende passano dagli assistenti generativi agli AI Agents, sistemi progettati per eseguire attività articolate e interagire con applicazioni aziendali.
Dagli assistenti AI agli AI Agents: che cosa sta cambiando
La prima fase di diffusione dell’intelligenza artificiale generativa nelle imprese si è concentrata soprattutto sul supporto alle attività individuali. Gli strumenti venivano utilizzati per preparare documenti, analizzare informazioni o accelerare alcune operazioni che rimanevano comunque sotto il controllo diretto di un collaboratore.
Gli AI Agents introducono una modalità di utilizzo differente, perché possono essere progettati per perseguire un obiettivo attraverso una sequenza di operazioni, interagendo con strumenti esterni e adattando alcuni passaggi in funzione delle informazioni disponibili.
Nel contesto commerciale, per esempio, un agente potrebbe recuperare le informazioni relative a un potenziale cliente, consultare il CRM e preparare una proposta da sottoporre all’approvazione del responsabile. In ambito amministrativo, un sistema opportunamente configurato potrebbe raccogliere documenti e verificare la presenza delle informazioni necessarie prima di trasferire una pratica alla persona incaricata.
La differenza rispetto a un assistente tradizionale riguarda quindi il livello di autonomia operativa e la possibilità di intervenire all’interno di un processo, anziché limitarsi a produrre una risposta.
Secondo l’indagine McKinsey dell’agosto 2026, il 40% degli intervistati appartenenti a grandi organizzazioni, con ricavi annuali superiori a un miliardo di dollari, dichiara che la propria azienda sta già portando gli AI Agents su scala operativa. Tra le organizzazioni di dimensioni inferiori, la percentuale si ferma al 22%, sostanzialmente invariata rispetto all’anno precedente.
La diffusione della tecnologia sta quindi procedendo a velocità differenti, mentre le imprese devono ancora comprendere quali attività affidare agli agenti e quali cambiamenti organizzativi siano necessari per utilizzarli efficacemente.
Il paradosso della produttività: risparmiare tempo significa anche creare valore?
Il miglioramento della produttività individuale rappresenta uno dei benefici più immediati dell’intelligenza artificiale, ma il suo impatto economico dipende da ciò che accade dopo il completamento dell’attività.
Se un collaboratore impiega venti minuti anziché un’ora per preparare un documento, ha ottenuto un risparmio di tempo. L’azienda deve però comprendere come utilizzare quella capacità aggiuntiva, verificando se consenta di aumentare la produzione, migliorare il servizio o ridurre il costo complessivo del processo.
La distinzione diventa particolarmente importante quando un’attività accelerata dall’AI rappresenta soltanto una parte di un workflow più ampio. Un agente potrebbe preparare rapidamente una proposta commerciale, ma il beneficio si riduce se il documento rimane successivamente in attesa di approvazione per diversi giorni o richiede numerose revisioni perché le informazioni iniziali erano incomplete.
L’organizzazione rischia così di ottenere una maggiore velocità nelle singole attività senza modificare il tempo complessivo necessario a raggiungere il risultato.
In un approfondimento pubblicato nel luglio 2026, McKinsey osserva che l’adozione individuale dell’AI, pur generando benefici, raramente si traduce automaticamente in un vantaggio aziendale duraturo quando l’organizzazione continua a funzionare secondo le modalità precedenti.
È proprio questa differenza tra il miglioramento di una singola attività e la trasformazione del processo complessivo a spiegare perché numerosi investimenti in AI producano risultati inferiori alle aspettative iniziali.
Perché alcuni progetti di Agentic AI rischiano di essere abbandonati
La crescente attenzione verso gli AI Agents ha favorito la nascita di numerose soluzioni tecnologiche, ma ha anche reso più difficile distinguere tra applicazioni che possiedono capacità autonome e strumenti tradizionali presentati attraverso una nuova terminologia commerciale.
Nel giugno 2025, Gartner ha previsto che oltre il 40% dei progetti di Agentic AI potrebbe essere cancellato entro la fine del 2027, individuando tra le principali cause l’aumento dei costi, l’incertezza sul valore economico e l’inadeguatezza dei sistemi di controllo. Si tratta di una previsione della società di ricerca, non di una percentuale di progetti già falliti.
Una parte delle difficoltà nasce dalla scelta di introdurre agenti in attività che potrebbero essere gestite attraverso sistemi di automazione tradizionali, meno complessi da implementare e mantenere.
Un’altra riguarda l’integrazione con l’infrastruttura aziendale. Un agente può essere tecnicamente capace di eseguire una sequenza di operazioni, ma per utilizzarlo all’interno di un’impresa deve poter accedere ai dati necessari e interagire con i sistemi esistenti nel rispetto delle autorizzazioni previste.
La complessità aumenta ulteriormente quando l’agente deve operare attraverso software sviluppati in periodi differenti o processi nei quali alcune attività continuano a essere gestite manualmente.
Il problema, quindi, riguarda anche la capacità dell’organizzazione di identificare applicazioni economicamente giustificate, evitando di trasformare l’introduzione dell’AI in una successione di sperimentazioni scollegate dalle esigenze operative.
Gli AI Agents richiedono una revisione dei processi aziendali
L’introduzione di un agente all’interno di un processo esistente può produrre benefici limitati quando le inefficienze principali si trovano nelle attività che precedono o seguono il suo intervento.
Un’azienda potrebbe, per esempio, automatizzare la classificazione delle richieste dei clienti, continuando però a gestire manualmente il loro trasferimento ai reparti competenti. In questo caso, il miglioramento riguarda una fase specifica, mentre una parte significativa dei tempi di gestione rimane invariata.
La situazione cambia quando il progetto viene affrontato partendo dal risultato che l’organizzazione intende raggiungere e ricostruendo l’intero percorso necessario per ottenerlo.
L’agente può allora essere inserito all’interno di un workflow riprogettato, nel quale le attività automatiche si collegano alle responsabilità umane e ai sistemi aziendali già presenti.
L’indagine McKinsey del 2026 evidenzia una relazione interessante tra questa modalità di intervento e i risultati ottenuti. Tra le organizzazioni classificate dalla società di consulenza come AI high performers, quasi tre quarti degli intervistati dichiarano di aver riprogettato radicalmente i workflow grazie all’intelligenza artificiale, rispetto a circa un quarto degli altri rispondenti.
Il dato rappresenta un’associazione rilevata dall’indagine e non dimostra, da solo, un rapporto causale. Suggerisce tuttavia che la trasformazione dei processi meriti almeno la stessa attenzione dedicata alla scelta degli strumenti tecnologici.
Chi è responsabile delle decisioni prese da un agente AI?
L’autonomia operativa degli AI Agents introduce una questione che assume particolare importanza quando la tecnologia viene utilizzata nei processi commerciali o amministrativi: definire quali decisioni possano essere eseguite automaticamente e quali richiedano l’intervento di una persona.
Un agente incaricato di preparare una proposta commerciale può essere autorizzato a consultare determinate informazioni e compilare un documento. La possibilità di modificare autonomamente le condizioni economiche oppure inviare un’offerta vincolante richiede invece una valutazione differente.
Il livello di autonomia dovrebbe quindi essere proporzionato alla natura dell’attività e alle conseguenze che un errore potrebbe produrre.
Nel maggio 2026, Gartner ha richiamato l’attenzione proprio sulla necessità di differenziare la governance degli agenti in funzione della loro autonomia e dell’accesso ai sistemi aziendali. La società prevede che, entro il 2027, il 40% delle imprese potrebbe ridurre l’autonomia o dismettere alcuni agenti a seguito di problemi di governance emersi durante l’utilizzo operativo.
Il tema riguarda anche la tracciabilità delle operazioni. Un’organizzazione deve poter ricostruire quali informazioni siano state utilizzate da un agente e quali azioni siano state eseguite, soprattutto quando i sistemi operano attraverso diverse applicazioni.
Il progetto OWASP GenAI Security ha pubblicato nel settembre 2026 risorse dedicate al controllo degli agenti, sottolineando l’importanza di rendere osservabili i sistemi autonomi e verificabili le operazioni che svolgono.
Per le imprese, la governance diventa quindi una componente del progetto di automazione da definire fin dalle prime fasi, insieme agli obiettivi economici e alle modalità di integrazione.
Il costo dell’intelligenza artificiale sta diventando una variabile manageriale
La facilità con cui è possibile sperimentare nuovi strumenti AI può portare a sottovalutare il costo complessivo della loro introduzione.
Alle licenze software si aggiungono le risorse necessarie per integrare gli agenti nei sistemi aziendali e mantenerli operativi. Le applicazioni basate sui modelli linguistici possono inoltre generare costi variabili legati al volume delle elaborazioni, che diventano particolarmente importanti quando gli agenti eseguono numerose operazioni in sequenza.
Nell’indagine McKinsey pubblicata nell’agosto 2026, circa un intervistato su cinque dichiara che la propria organizzazione sta limitando l’utilizzo dell’AI a causa dei costi operativi, compresi quelli legati ai token. Allo stesso tempo, il 60% prevede un aumento degli investimenti nell’intelligenza artificiale durante l’anno successivo.
Questa combinazione rende sempre più importante la capacità di valutare il costo complessivo di ciascuna applicazione, considerando anche le risorse necessarie per controllarne i risultati.
Un agente che automatizza una procedura ripetitiva potrebbe produrre un beneficio economico facilmente misurabile, mentre un sistema più sofisticato potrebbe richiedere una supervisione tale da ridurre significativamente il risparmio inizialmente previsto.
La valutazione deve quindi partire dal processo e dal suo costo attuale, confrontandoli con l’investimento necessario per introdurre e mantenere la nuova soluzione.
Dall’adozione dell’AI alla sua integrazione nel modello operativo
Per molte PMI, la fase iniziale di sperimentazione dell’intelligenza artificiale si sviluppa attraverso iniziative promosse da singoli reparti o collaboratori. Un responsabile introduce uno strumento per migliorare la gestione dei documenti, mentre un altro sperimenta una soluzione per automatizzare alcune attività commerciali.
Queste iniziative possono contribuire a diffondere le competenze necessarie per utilizzare la tecnologia, ma la loro crescita richiede progressivamente un maggiore coordinamento.
Quando diversi strumenti iniziano a interagire con gli stessi dati o a intervenire su processi collegati, diventa necessario definire un modello operativo condiviso che permetta di mantenere la visibilità sulle attività automatizzate.
Il passaggio dall’utilizzo individuale all’integrazione organizzativa richiede quindi una comprensione delle dipendenze tra le funzioni aziendali, insieme alla capacità di stabilire quali progetti debbano ricevere priorità.
Per le PMI, questo aspetto è particolarmente importante perché l’introduzione di nuove competenze tecnologiche deve spesso avvenire senza ampliare eccessivamente la struttura interna.
L’utilizzo di professionalità esterne può contribuire a colmare il divario tra le capacità disponibili e quelle richieste, purché il loro intervento venga inserito all’interno di una visione condivisa dei processi e degli obiettivi aziendali.
Business Orchestration e AI Agents: integrare tecnologia e organizzazione
L’introduzione degli AI Agents rende ancora più evidente l’importanza di collegare le scelte tecnologiche al funzionamento complessivo dell’impresa.
È in questo contesto che la Business Orchestration di Vismarcorp può supportare le aziende nella definizione delle priorità e nel coordinamento delle competenze necessarie per sviluppare progetti di trasformazione.
Il punto di partenza consiste nell’analizzare le attività aziendali e individuare dove l’automazione possa intervenire su inefficienze misurabili, considerando le dipendenze tra reparti e sistemi informativi.
Attraverso le competenze di Automazione & AI Applied Solutions , l’implementazione tecnologica può essere collegata alla revisione dei processi e alla definizione delle responsabilità necessarie per mantenere il controllo delle attività automatizzate.
Questa integrazione assume particolare importanza quando un progetto coinvolge anche la gestione dei dati commerciali o lo sviluppo di nuove piattaforme digitali, rendendo necessario il coordinamento con le attività di Marketing Strategico & Branding e Strategia Digitale & Sviluppo Web .
Il modello multidisciplinare di Vismarcorp consente di affrontare queste iniziative attraverso competenze integrate, evitando che l’adozione dell’intelligenza artificiale proceda separatamente dalle altre trasformazioni dell’organizzazione.
Conclusione: il risultato economico dipende anche da ciò che cambia intorno all’AI
La diffusione degli AI Agents sta ampliando le possibilità di automazione disponibili per le imprese, permettendo di intervenire su attività che fino a pochi anni fa richiedevano necessariamente un coinvolgimento umano continuo.
I dati pubblicati nel 2026 mostrano però che la crescita dell’adozione tecnologica procede più rapidamente della capacità di trasformare i benefici individuali in risultati economici complessivi.
Per le aziende, la questione centrale diventa quindi comprendere come inserire gli agenti all’interno di processi che possano essere migliorati e misurati, evitando di introdurre nuove applicazioni senza modificare le modalità operative che ne limiterebbero l’efficacia.
Attraverso la Business Orchestration e le competenze di Automazione & AI Applied Solutions , Vismarcorp affianca le imprese nell’integrazione dell’intelligenza artificiale all’interno di un modello operativo nel quale tecnologia e competenze contribuiscano a obiettivi aziendali misurabili.
Il ritorno economico dell’AI dipenderà sempre meno dal numero di strumenti adottati e sempre più dalla capacità delle organizzazioni di ripensare il lavoro che questi strumenti sono chiamati a svolgere.
Fonti consultate
McKinsey – The State of AI in 2026: On the Road to ROI , agosto 2026.
McKinsey – From Adoption to Impact: Three Horizons of AI Transformation , luglio 2026.
Gartner – Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 , giugno 2025.
Gartner – Applying Uniform Governance Across AI Agents Will Lead to Enterprise AI Agent Failure , maggio 2026.
OWASP – Agentic AI Security , risorse sulla sicurezza e sulla governance degli agenti AI.
Alessia Cammilli
