A Google Cloud Next 26, Las Vegas, è stata presentata Gemini Enterprise Agent Platform, infrastruttura completa per agenti autonomi B2B. Pochi giorni prima Anthropic aveva lanciato Cowork, ambiente desktop per agenti Claude rivolto ai non-sviluppatori. Microsoft Agent 365, terzo attore, è entrato in disponibilità generale a marzo. Tre annunci nello stesso trimestre raccontano una transizione: gli agenti AI non sono più demo, sono prodotti. Resta la zona grigia tra prodotto e valore reale, ed è dove le imprese italiane devono distinguere il segnale dal rumore.
Cosa significa veramente agentic AI nel 2026
Un sistema agentico riceve un obiettivo, scompone il task, decide quali strumenti usare, esegue le azioni, verifica il risultato.
La differenza con un chatbot è la capacità di agire, non solo di rispondere. Con un’automazione classica è la capacità di adattarsi a contesti non previsti. Il salto del 2025-2026 è arrivato dal Model Context Protocol di Anthropic, lo standard che permette agli agenti di parlare con qualsiasi strumento esterno tramite un’interfaccia uniforme. A marzo 2026 MCP ha superato 97 milioni di installazioni, dato che testimonia un’adozione trasversale dell’industria. A dicembre 2025 sotto Linux Foundation è nata la Agentic AI Foundation, che ha raccolto i contributi di Anthropic (MCP), OpenAI (AGENTS.md) e Block (goose).
La standardizzazione è un fatto, non più una promessa.
Chi gestisce prodotti digitali può consultare la guida AIPIA al ruolo dell’AI Product Manager per inquadrare le competenze necessarie a portare gli agenti in produzione.
Il salto industriale di aprile 2026
Salesforce ha esposto l’intera piattaforma via API. Significa che un agente AI può oggi accedere a CRM, marketing automation e service cloud senza passare dalla UI tradizionale. Se gli agenti sono i nuovi utenti, la piattaforma deve servirli come tali. Riconoscimento commerciale, non scommessa tecnologica.
Cloudflare e Stripe hanno aperto in beta un protocollo che permette agli agenti AI di creare account, comprare domini, pagare hosting e deployare applicazioni in autonomia. Un agente può oggi, in linea di principio, lanciare un microservizio dalla A alla Z senza intervento umano. Dalla scelta del nome alla fatturazione. Il diavolo sta nei dettagli operativi, ma la pipeline tecnica esiste.
Il caso d’uso più convincente del trimestre arriva da un benchmark tecnico. Cursor, con il suo sistema multi-agente, ha autonomamente ottimizzato 235 kernel CUDA per la nuova architettura NVIDIA Blackwell, raggiungendo un’accelerazione geometrica media del 38% in tre settimane di lavoro. Su 149 dei 235 problemi ha battuto la baseline umana esperta. Non è una demo, è codice in produzione che ha superato gli ingegneri NVIDIA su un compito di altissima specializzazione.
Dove gli agenti producono valore reale
Il pattern emerge dai casi che funzionano in produzione.
Gli agenti generano valore concreto quando il task è ripetitivo ma non identico, quando esistono strumenti software accessibili via API, e quando il dominio offre feedback verificabile in tempi brevi. Coding e DevOps sono i casi tipici: il compilatore restituisce errori, i test passano o falliscono, l’agente apprende dal segnale. Customer support sui ticket di livello 1 e 2 è il secondo dominio maturo. Lead qualification e ricerca informativa sono il terzo.
Restano demo, almeno per il 2026, gli agenti che richiedono giudizio etico, decisioni con conseguenze legali persistenti, processi con loop temporali lunghi. Anche le applicazioni che richiedono fiducia delle controparti umane (negoziazione, vendita complessa, advisory) restano sotto la soglia di affidabilità per uso autonomo.
Cosa serve per portarli in produzione in una PMI italiana
Tre punti, in ordine di criticità.
Il primo è l’infrastruttura dati. Un agente che accede a sistemi mal progettati produce errori amplificati. Le imprese italiane che hanno investito negli ultimi cinque anni in data warehouse, API standardizzate e identity management partono avvantaggiate. Chi ha ancora processi su file Excel locali e PEC come canale primario deve fare prima il lavoro di base.
Il secondo è la governance. Un agente che opera in autonomia su sistemi aziendali richiede tracciamento delle azioni, controlli di accesso al senso tecnico, audit log, procedure di rollback. La maggior parte delle PMI italiane non ha questi processi formalizzati nemmeno per gli utenti umani. Il punto è che un agente moltiplica il problema per un fattore di velocità: in un’ora può fare ciò che un dipendente fa in un mese.
Il terzo è la responsabilità.
Chi risponde se l’agente commette un errore? La giurisprudenza italiana è in costruzione. Le imprese che vogliono adottare agenti in produzione devono predisporre clausole contrattuali con i fornitori, polizze assicurative dedicate, procedure interne di approvazione delle azioni critiche. Su questo punto le associazioni professionali possono offrire framework di riferimento. Il progetto AI Next di AIPIA sta lavorando proprio su modelli operativi per integrazione di agenti in contesto B2B italiano.
I numeri reali dei deployment in Italia
Le rilevazioni dell’Osservatorio Agenda Digitale del Politecnico di Milano di gennaio 2026 indicano circa il 9% delle imprese italiane sopra i 50 dipendenti con almeno un agente in produzione, contro il 23% in Germania e il 31% nel Regno Unito. Il gap non è tecnologico ma organizzativo: le aziende italiane intervistate citano come ostacolo principale la mancanza di competenze interne (61%), seguita dall’incertezza normativa (44%) e dai costi infrastrutturali (38%).
Il dato sui costi merita attenzione. Un deployment serio di agenti richiede oggi un budget mensile di compute tra 2.000 e 15.000 euro per use case maturo, escluse le ore di sviluppo e integrazione. Per una PMI da 100 dipendenti il break-even arriva quando l’agente sostituisce o accelera almeno una funzione full-time equivalent. Sui task di service desk, qualifica lead e generazione documenti il calcolo torna. Su task più creativi o complessi il ROI è ancora opaco.
Il rischio reale: agenti che falliscono in modo invisibile
L’errore tracciabile non spaventa. Quello silenzioso sì.
Un agente che chiama l’API sbagliata produce un errore tracciabile. Un agente che restituisce risposte plausibili ma errate produce un errore che si propaga. Le rilevazioni di Anthropic sul modello Claude in modalità agentica indicano un tasso di errore silenzioso intorno al 4-7% sui task aziendali standard, con punte oltre il 12% sui task che richiedono ragionamento multi-step su dati ambigui.
Per un’impresa italiana il calcolo va fatto sull’asimmetria del costo. Su 1.000 ticket gestiti da un agente, 50 errori silenziosi possono generare costi reputazionali e legali superiori al risparmio dei 950 ticket gestiti correttamente. La risposta non è abbandonare gli agenti, ma progettare il workflow con human-in-the-loop sulle decisioni critiche, controlli automatici di coerenza, escalation rapida ai supervisori umani.
La traiettoria per chi decide oggi
Tre tendenze emergono dai dati del primo semestre 2026. La prima è la specializzazione: gli agenti generalisti hanno toccato un plateau, gli agenti verticali (legal research, customer support specifico, dev tools) crescono in performance e adozione. La seconda è la verticalizzazione delle piattaforme: Salesforce, ServiceNow, Microsoft 365 stanno integrando agenti come componenti nativi, riducendo la necessità di costruire da zero. La terza è la convergenza degli standard: MCP è diventato di fatto il protocollo di riferimento, e questo abbatte i costi di integrazione cross-vendor.
Per un decisore italiano la scelta operativa è duplice. Da un lato sperimentare oggi su use case circoscritti, dove il fallimento ha costo limitato e il segnale di apprendimento è rapido. Dall’altro costruire la base infrastrutturale (dati, identity, governance) che renderà possibile un’adozione su larga scala nel 2027-2028. Chi arriva tardi non avrà solo un ritardo competitivo: si troverà a integrare agenti in sistemi non progettati per riceverli, con costi multipli rispetto a chi ha pianificato per tempo.
Gli agenti non sono il futuro dell’AI. Sono il modo in cui l’AI smette di essere un assistente e diventa un collega digitale. Capire la differenza è il primo passo per usarli bene.
