Agenti AI enterprise: il problema non è il modello — è il runtime
VentureBeat ha condotto a maggio 2026 una nuova ondata di ricerche Pulse Research sul tema dell’AI agentica enterprise. Dopo aver identificato nel primo trimestre il “Governance Mirage” — il divario tra organigrammi teorici e controlli effettivi — stavolta hanno chiesto: una volta riconosciuto il problema di governance, cosa si rompe per primo quando provi a risolverlo?
La risposta è chiara: non è il modello. È il runtime. Gli agenti AI costruiti su infrastrutture stateless — script Python, catene LangChain, orchestrazione ad hoc — non sopravvivono alla realtà operativa della produzione. I riavvii dei container cancellano lo stato. I costi dei token superano i business case. Le allucinazioni al passo 3 si accumulano in errori catastrofici al passo 12.
Il campione comprende 132 leader tecnologici qualificati di organizzazioni con almeno 100 dipendenti, di cui il 35% da grandi imprese (oltre 10.000 dipendenti), il 48% da medio-grandi (500-9.999) e il 17% da growth (100-499). I settori coperti includono tecnologia/software (42%), servizi finanziari (20%), servizi professionali (8%) e altri.
Finding 1: Il runtime è il problema
La domanda fondamentale è se i fallimenti degli agenti derivino dalla capacità di ragionamento del modello (il cervello) o dall’incapacità dell’infrastruttura di runtime di gestire stato, sopravvivere ai guasti e coordinare l’esecuzione (la spina dorsale).
Il 17% degli intervistati indica il cervello come principale causa di fallimento: per queste organizzazioni i modelli non sono ancora affidabili per i casi limite generati dai loro flussi di lavoro. Il resto si divide tra problemi di spina dorsale e di integrazione/governance. Ma nel complesso, la maggioranza dice che i modelli sono abbastanza intelligenti — è l’infrastruttura intorno a loro a essere troppo fragile per gestire processi agentici a più passaggi e lunga durata.
Finding 2: La tassa del fai-da-te divora i team
Se la spina dorsale è il problema principale, quanto costa in pratica? È stato chiesto quale percentuale della capacità ingegneristica settimanale viene consumata da “plumbing” personalizzato — retry manuali, persistenza dello stato, checkpointing — invece che da logica agentica reale.
I risultati mostrano due campi distinti con una pericolosa via di mezzo:
- Crisi (23%): oltre il 40% del tempo speso in infrastruttura
- Trappola (23%): 20-40% del tempo
- Costante manutenzione (31%): 10-20% del tempo
- Zona efficiente (23%): meno del 10% del tempo
Il 77% degli intervistati spende quindi tempo ingegneristico significativo su overhead infrastrutturale. Solo il 23% — quelli i cui framework gestiscono già l’affidabilità — hanno evitato la tassa. Ogni ora spesa a scrivere logica di retry o a debugare un “ghost failure” (un timeout silenzioso di API) è un’ora non spesa sulla logica differenziante che dovrebbe giustificare l’investimento in AI.
Finding 3: L’amnesia di stato uccide in produzione
Il principale ostacolo tecnico è cambiato. Ecco i cinque candidati emersi:
- Aumento dei costi dei token (25%): supera i business case
- Allucinazioni (24%): gli errori di ragionamento nei primi passi diventano catastrofici entro il passo 10
- Ghost failures (20%): invisibili per definizione, la loro prevalenza reale è probabilmente più alta
- Perdita dello stato (17%): l’infrastruttura stateless non conserva il contesto tra un’esecuzione e l’altra
- Latenza (14%): i tempi di risposta non rispettano le finestre operative
La propagazione delle allucinazioni e i ghost failures sono i killer silenziosi: il primo perché si accumula, il secondo perché è difficile da rilevare.
Finding 4: La tassa di osservabilità grava di più su Microsoft
La ricerca Q1 2026 aveva identificato l’opacità dei vendor come il più grande ostacolo alla governance AI. Stavolta è stato chiesto quale ecosistema di vendor impone il costo più alto per ottenere visibilità di base in produzione.
Microsoft è emersa al primo posto: lo stack Azure/Copilot che domina l’adozione AI enterprise richiede la maggiore quantità di strumentazione personalizzata per vedere cosa succede dentro gli agenti. Una conferma dell’avvertimento di Brian Gracely (Senior Director Red Hat) secondo cui costruire il proprio sistema di controllo interamente dentro gli strumenti di un singolo cloud provider equivale a “affittare una gabbia”. Le organizzazioni che pagano la tassa di osservabilità più alta sono proprio quelle più bloccate in un vendor.
