AI agentica, così governance e costi frenano la messa in produzione

L’AI agentica promette di cambiare in profondità il modo in cui le aziende progettano, gestiscono e automatizzano i processi digitali.

Ma il passaggio dalla sperimentazione alla produzione resta tutt’altro che scontato. Secondo il rapporto “Pulse of Agentic AI 2026” di Dynatrace, circa il 50% dei progetti di intelligenza artificiale rimane ancora confinato alla fase pilota, nonostante il 74% delle organizzazioni preveda di aumentare i budget nel corso del prossimo anno.

Il dato evidenzia un divario sempre più evidente tra ambizione e capacità esecutiva. Le imprese investono, sperimentano e accelerano sull’adozione dell’AI, ma faticano a trasformare i progetti in applicazioni realmente scalabili, sicure e governabili.

Le principali barriere indicate dal report sono la sicurezza, citata dal 52% delle organizzazioni, e la gestione degli agenti su larga scala, segnalata dal 51%. A queste si aggiunge un tema in crescita: la prevedibilità dei costi.

Per Colleen Kozak, CTO di Dynatrace, la questione non riguarda soltanto la tecnologia. Scalare l’AI agentica significa costruire un modello operativo in cui osservabilità, governance, responsabilità e controllo economico diventano parte integrante dell’architettura.

Gli agenti autonomi entrano nelle operation IT

L’intelligenza artificiale non è più solo un argomento da boardroom o una leva di marketing. Sta diventando una componente concreta della forza lavoro digitale.

Il 72% delle organizzazioni sta già implementando agenti AI nelle operation IT e nel DevOps, segnale che l’AI sta assumendo un ruolo operativo sempre più rilevante nei processi aziendali.

Tuttavia, nella maggior parte dei casi, l’utilizzo resta ancora limitato a compiti specifici e isolati. La distanza rispetto a sistemi autonomi capaci di prendere decisioni complesse e agire in modo coordinato resta ampia.

Il report Dynatrace fotografa bene questa fase intermedia: il 69% delle decisioni basate sull’AI viene ancora validato da un essere umano prima che venga intrapresa qualsiasi azione, mentre solo il 13% delle aziende opera con agenti completamente autonomi.

Il messaggio è chiaro: le imprese vogliono scalare, ma non sono disposte a rinunciare al controllo. La fiducia diventa quindi il vero fattore abilitante.

Senza visibilità end-to-end su come gli agenti funzionano, prendono decisioni, interagiscono con i sistemi e generano impatti sui processi, anche i progetti più promettenti rischiano di fermarsi prima di produrre valore reale.

Governance e controllo non sono un freno all’innovazione

Nel dibattito sull’AI, supervisione e controllo vengono spesso presentati come ostacoli alla velocità.

Nell’era dell’AI agentica, questa lettura appare però superata. Gli agenti autonomi non si comportano come il software tradizionale: prendono decisioni, comunicano con altri sistemi, modificano il proprio comportamento in funzione del contesto e possono generare effetti non sempre prevedibili.

Per questo servono framework di gestione più chiari, continui e dinamici. Non bastano verifiche periodiche o controlli a posteriori. Le aziende devono poter monitorare in tempo reale le azioni degli agenti, individuare comportamenti anomali prima che diventino un problema e comprendere l’impatto potenziale delle decisioni automatizzate nel medio e lungo periodo.

In questa prospettiva, la governance non rallenta l’innovazione, ma la rende sostenibile. Un’organizzazione che sa dove finisce l’automazione e dove deve intervenire il giudizio umano può adottare l’AI con maggiore sicurezza. Al contrario, un’adozione priva di limiti definiti rischia di trasformare la scalabilità in un fattore di esposizione.

L’osservabilità avanzata diventa centrale

Il ruolo dell’osservabilità cambia radicalmente. Non si tratta più soltanto di monitorare infrastrutture, applicazioni e performance, ma di comprendere il comportamento di modelli, agenti e sistemi intelligenti all’interno di ambienti sempre più distribuiti e complessi.

L’osservabilità avanzata dell’AI consente alle organizzazioni di ottenere una visione più chiara dei modelli utilizzati, delle interazioni tra agenti, delle decisioni prese e degli effetti generati sui processi aziendali. In questo senso, va oltre il monitoraggio tradizionale: diventa uno strumento di governo operativo dell’AI.

Secondo Dynatrace, la combinazione tra AI deterministica e azione degli agenti può aiutare le imprese a trasformare informazioni coerenti e accurate in azioni affidabili.

È un passaggio decisivo per ridurre l’incertezza e creare le condizioni affinché i team tecnici e i leader aziendali possano estendere l’uso dell’AI senza perdere visibilità.

Costi dell’AI, il problema nascosto della scalabilità

Accanto a sicurezza e governance, il controllo dei costi sta emergendo come una delle sfide più rilevanti. Man mano che gli agenti si moltiplicano e il consumo dei modelli aumenta, sapere quanto l’AI stia realmente costando all’azienda diventa essenziale quanto proteggerla.

I nuovi modelli possono generare costi elevati, soprattutto quando gli utenti non sanno come utilizzarli correttamente o quando le aziende non dispongono di una visione chiara dei consumi. Il rischio è che l’adozione dell’AI cresca senza una reale capacità di misurarne l’impatto economico.

Per questo la prevedibilità dei costi deve entrare nel perimetro della governance. Le piattaforme di osservabilità, secondo Dynatrace, possono fornire ai team i dati necessari per analizzare trend, modelli di utilizzo e aree di inefficienza. In questo modo diventa possibile prendere decisioni più consapevoli, ottimizzare le risorse e collegare gli investimenti in AI a ritorni misurabili.

Leadership e cultura fanno la differenza

Scalare l’AI agentica non è soltanto una questione di modelli, infrastrutture e piattaforme. È anche un tema di cultura aziendale e leadership.

Le organizzazioni che riusciranno a ottenere risultati più solidi saranno quelle capaci di definire responsabilità chiare, creare consenso interno e spiegare non solo cosa fa l’AI, ma perché è importante e chi risponde quando qualcosa non funziona.

La complessità degli scenari reali rende questa dimensione ancora più critica. Sistemi che funzionano correttamente in ambienti di test controllati possono comportarsi in modo diverso quando vengono esposti a dati, interazioni e vincoli operativi reali. Scalare responsabilmente significa quindi mantenere visibilità continua sul comportamento degli agenti, anche mentre si adattano, interagiscono e assumono maggiori responsabilità.

La supervisione umana resta un elemento essenziale. Non come controllo manuale su ogni singola decisione, ma come architettura di responsabilità, regole e limiti. Definire in anticipo quando l’automazione può agire e quando deve intervenire il giudizio umano è una delle condizioni per evitare che la velocità dell’AI superi la capacità dell’organizzazione di governarla.

Dalla sperimentazione al valore di lungo periodo

Il futuro dell’AI agentica non sarà determinato soltanto dalla disponibilità di budget più elevati o dall’adozione dei modelli più recenti. La vera differenza sarà nella capacità di costruire basi solide: osservabilità, governance, sicurezza, controllo dei costi e responsabilità organizzativa.

Le aziende più mature non saranno necessariamente quelle che si muoveranno più velocemente, ma quelle che sapranno trasformare l’AI da progetto pilota a sistema operativo affidabile. In un contesto in cui gli agenti intelligenti diventeranno sempre più autonomi e integrati nei processi aziendali, la scalabilità dovrà procedere insieme alla fiducia.

Per le imprese, la sfida è quindi duplice: cogliere il potenziale dell’AI agentica e, allo stesso tempo, evitare che autonomia e complessità generino nuovi rischi. Chi saprà muoversi con chiarezza, sicurezza e controllo avrà un vantaggio competitivo concreto nella prossima fase dell’intelligenza artificiale.