Il passaggio più importante nell’AI agentica non avviene quando il modello produce una risposta migliore, ma quando quella risposta diventa un’azione su un sistema reale. Da quel momento l’impresa deve sapere quali dati ha usato l’agente, quali strumenti ha chiamato, perché ha scelto una determinata sequenza e quali conseguenze ha generato a valle.
È su questa soglia tra risposta ed esecuzione che si concentra The Pulse of Agentic Ai in 2026, indagine commissionata da Dynatrace, condotta da Y2 tramite Qualtrics e che ha coinvolto 919 dirigenti e responsabili di organizzazioni con almeno 100 milioni di dollari di fatturato annuo, tutti direttamente impegnati nello sviluppo o nell’implementazione di sistemi agentici.
La fotografia è meno lineare della consueta contrapposizione tra progetti pilota e piena autonomia. Il 50% dichiara agenti in produzione per casi d’uso selezionati, il 44% un’adozione estesa in alcuni dipartimenti e il 23% un’integrazione matura su scala aziendale. Allo stesso tempo, il 69% delle decisioni viene ancora verificato da una persona e solo il 13% dei rispondenti costruisce esclusivamente agenti autonomi.
Le imprese, in altre parole, non stanno scegliendo tra automazione e controllo umano: stanno cercando di aumentare la prima senza perdere il secondo.
La produzione è già iniziata, ma non avanza alla stessa velocità ovunque
Il 72% delle organizzazioni gestisce da due a dieci progetti agentici attivi: il 35% ne ha tra due e cinque e il 37% tra sei e dieci. Il 17% si colloca tra 11 e 20 iniziative e il 9% ne ha almeno 21. Si tratta quindi di portafogli già concreti, ma ancora abbastanza concentrati da permettere una selezione dei processi sui quali sperimentare.
La distribuzione per fase chiarisce perché le percentuali di maturità si sovrappongano. Nella stessa impresa possono convivere attività esplorative, citate dal 21%, primi proof of concept, al 36%, piloti estesi a più funzioni, al 49%, e sistemi già operativi. Non siamo davanti a un’unica marcia verso l’autonomia, ma a molte linee di sviluppo con rischi e tempi diversi.
Le IT operations costituiscono il banco di prova più maturo. Il 70% usa agenti per il monitoraggio e la gestione dei sistemi e il 46% li ha già in produzione o li sta rendendo operativi. La cybersecurity è meno diffusa, al 49%, ma presenta una quota produttiva del 26%; elaborazione dati e reporting passano invece dal 51% di utilizzo al 23% di produzione.
Il confronto con le funzioni rivolte all’esterno rivela il vero confine della maturità: più l’agente si avvicina al cliente, più si allarga la distanza tra sperimentazione e produzione. Nel customer service meno della metà di chi usa la tecnologia è già arrivato alla fase operativa. Nei prodotti digitali customer-facing il rapporto scende dal 42% al 15%.
È però proprio qui che si concentra la crescita futura. Un ulteriore 31% prevede agenti nei prodotti e servizi digitali per i clienti, il 28% nel sales engagement, il 27% nella ricerca e sviluppo e il 26% nella personalizzazione. Anche il settore legale, oggi ultimo con il 12% di utilizzo e appena il 3% in produzione, raccoglie un 25% di adozione prevista.
Il movimento è quindi duplice: consolidamento nei processi interni misurabili ed espansione verso funzioni nelle quali un errore può incidere direttamente sull’esperienza del cliente. Non a caso, il 49% usa già l’AI agentica sia per applicazioni interne sia esterne, mentre il 33% resta concentrato soprattutto sulle prime.
I budget mostrano che la fase delle prove a basso costo è finita
La disponibilità di capitale non emerge come il principale ostacolo. Il 74% prevede di aumentare il budget nel prossimo anno e la spesa corrente è già nell’ordine dei milioni. Il 36% investe tra due e cinque milioni di dollari, il 28% tra cinque e dieci milioni e il 17% almeno dieci milioni. Solo il 3% resta sotto il milione.
Anche gli incrementi previsti sono consistenti: il 26% aggiungerà tra due e cinque milioni, il 22% almeno cinque milioni e un altro 22% tra uno e due milioni. Quasi la metà degli aumenti dichiarati raggiunge quindi almeno due milioni di dollari.
Il ritorno più elevato è atteso nel punto in cui maturità e misurabilità si incontrano. Il 44% indica IT operations e system monitoring come area con il maggiore ROI, davanti a cybersecurity al 27% ed elaborazione dati e reporting al 25%. Tempi di risposta, disponibilità dei servizi, errori e consumo di risorse offrono metriche più immediate rispetto a funzioni nelle quali l’esito dipende anche dal comportamento del cliente o da valutazioni qualitative.
L’infrastruttura riflette la natura distribuita dei progetti. L’82% utilizza piattaforme hyperscale, il 51% servizi GPU cloud o neocloud e il 42% mantiene anche risorse on-premises. Le percentuali non descrivono alternative esclusive, ma ambienti ibridi: un singolo processo può attraversare un modello nel cloud, un database vettoriale, API, applicazioni interne e dati custoditi nei sistemi aziendali.
La complessità non dipende quindi soltanto dal modello. Nasce dal numero di componenti e passaggi che separano la richiesta iniziale dal risultato finale.
Il collo di bottiglia è stabilire quando l’agente può agire da solo
Sicurezza e privacy dei dati sono il principale criterio per spostare un progetto dal pilota alla produzione, indicate dal 59% dei rispondenti. Accuratezza e affidabilità degli output seguono al 55%. Subito dopo compaiono monitoraggio e controllo del comportamento del modello, al 44%, conformità a regole interne o esterne, al 43%, e allineamento con risultati di business o ROI, al 41%.
Il controllo umano è citato dal 40%, davanti a scalabilità e prestazioni in produzione, al 38%. Etica, equità e bias chiudono la graduatoria al 30%. Il dato non significa che questi aspetti siano assenti, ma che nel passaggio immediato alla produzione accuratezza tecnica, sicurezza e possibilità di intervento ricevono la precedenza.
Le barriere raccontano la stessa storia dal lato opposto. Sicurezza, privacy e compliance frenano il 52% del campione; gestione e monitoraggio degli agenti su larga scala il 51%; carenza di competenze il 44%. Un business case o ROI poco chiaro si ferma al 33%, budget e infrastrutture insufficienti al 32%, resistenza di stakeholder o utenti al 31%.
La difficoltà non è dunque soltanto dimostrare il valore economico. Molte organizzazioni hanno già finanziato i progetti e ora devono renderli governabili.
Il 45% fatica a definire regole chiare per stabilire quando l’agente possa procedere autonomamente e quando debba ottenere un’approvazione. Il 41% non vede abbastanza bene come vengano prese o eseguite le decisioni. Il 40% incontra problemi nel monitorare prestazioni, costi e conformità quando cambiano agenti o versioni; la stessa percentuale fatica a coordinare il troubleshooting tra strumenti e team.
Seguono la difficoltà di diagnosticare comportamenti inattesi e la carenza di personale o strumenti di supervisione, entrambe al 39%. Il 36% non riesce a ricostruire facilmente gli effetti a valle di un’azione indesiderata su dati e sistemi. Il 30%, infine, fatica a collegare le azioni dell’agente ai risultati di business.
Questi numeri spostano il problema dalla generica “fiducia nell’AI” a domande operative precise: quali permessi assegnare, quali soglie imporre, quali eventi registrare e quale persona o sistema debba intervenire quando l’agente esce dal comportamento atteso.
L’autonomia cresce, ma il modello dominante resta ibrido
Il 69% delle decisioni agentiche viene verificato da una persona. Il 69% delle decisioni agentiche viene verificato da una persona. Il 50% controlla la qualità dei dati, il 47% sottopone gli output a revisione umana e il 41% monitora drift o anomalie in produzione. Le verifiche di sicurezza raggiungono il 39%; test di coerenza o regressione e audit degli algoritmi il 37% ciascuno.
Più in basso si trovano attività impegnative da industrializzare: validazione di etica, equità o bias al 28%, registrazione di log e trace completi al 27%, audit o certificazioni esterne al 26% e test degli scenari limite al 23%. La supervisione esiste, ma non sempre dispone ancora della profondità tecnica necessaria per ricostruire un comportamento complesso.
Anche la composizione dei progetti contraddice l’idea di una rapida sostituzione dell’intervento umano. Il 64% sviluppa contemporaneamente agenti autonomi e agenti supervisionati; il 23% costruisce soltanto sistemi con una persona nel ciclo; appena il 13% lavora esclusivamente sull’autonomia completa.
La quota di processi prevalentemente guidati dall’AI aumenterà comunque. Nell’elaborazione dati dovrebbe passare dal 42% al 54%, nei prodotti digitali per i clienti dal 35% al 52%, nel knowledge management dal 36% al 50%, nel customer service dal 39% al 49% e nelle IT operations dal 38% al 48%.
Ma nelle funzioni che richiedono maggiore giudizio aziendale la collaborazione resterà prevalente: in futuro rappresenterà il 54% dei processi in finanza, il 53% nelle risorse umane, il 52% in compliance e gestione del rischio e il 51% sia nel legale sia nello sviluppo prodotto e nelle vendite.
Il futuro descritto dal campione è quindi più autonomo nell’esecuzione e ancora umano nella definizione dei confini, nella revisione e nell’attribuzione di responsabilità.
Le imprese misurano prima ciò che può rompersi
I risultati attesi aiutano a capire perché l’adozione proceda più rapidamente nell’IT. Migliorare le decisioni con informazioni in tempo reale è una priorità per il 51%; efficienza interna e riduzione dei costi operativi per il 50%; prestazioni e affidabilità dei sistemi ancora per il 50%. Sicurezza e gestione del rischio raggiungono il 48%, esperienza del cliente il 46% e innovazione di prodotto il 44%.
Crescita dei ricavi, al 38%, conformità normativa, al 35%, risposta alla carenza di personale, al 34%, e riduzione delle attività ripetitive, al 31%, arrivano dopo. L’AI agentica non viene valutata innanzitutto dal numero di compiti sottratti alle persone, ma dalla capacità di migliorare decisioni e funzionamento dei sistemi.
Lo stesso ordine appare nelle metriche di successo: performance tecnica al 60%, efficienza operativa al 56% e produttività degli sviluppatori al 54%. I risultati di business sono usati dal 48%, mentre adozione e soddisfazione degli utenti e benchmark di compliance e sicurezza sono entrambi al 42%.
Quando la domanda riguarda il ROI, produttività ed efficienza guidano al 45%, seguite da soddisfazione del cliente al 43% e riduzione del rischio al 38%. Crescita dei ricavi e tempi di risposta sono entrambi al 36%, time-to-value al 35%, risparmi al 34%, qualità o riduzione degli errori al 33% e uptime al 32%. Il tasso d’uso quotidiano è ultimo al 23%.
Questa gerarchia riflette una caratteristica dei sistemi agentici: un difetto può propagarsi attraverso applicazioni e ambienti. Prima di contare quante volte viene usato un agente, le imprese vogliono sapere se mantiene prestazioni costanti, se recupera da un errore e se produce effetti controllabili sotto carico.
Il 44% controlla ancora manualmente i dialoghi tra agenti
Il 59% misura quanto bene e in quanto tempo l’agente completi il compito. Il 52% usa log, metriche e strumenti di tracciabilità; il 47% ha automatizzato il rilevamento di anomalie o drift; il 41% utilizza dashboard e visualizzazioni; il 36% conduce audit delle conversazioni o dei messaggi.
Resta però un dato difficilmente compatibile con una crescita su larga scala: il 44% esamina ancora manualmente i flussi di comunicazione tra agenti. Solo l’1% dichiara di non monitorarli affatto, ma la presenza di un controllo non garantisce che sia rapido, completo o capace di ricostruire causalmente una sequenza di azioni.
Le risposte qualitative raccolte nel report descrivono quattro lacune ricorrenti: comportamento da “scatola nera”, assenza di informazioni in tempo reale, monitoraggio frammentato e collegamento debole tra segnali tecnici e risultati aziendali. Alcuni dirigenti segnalano inoltre strumenti insufficienti per osservare il comportamento di lungo periodo e individuare preventivamente azioni inattese.
È qui che il problema dell’AI agentica si distingue dal monitoraggio tradizionale. Non basta sapere che un servizio risponde o che una GPU è satura: bisogna ricostruire il contesto che ha portato un agente a scegliere un’azione e capire come quella decisione sia passata agli agenti successivi.
L’osservabilità si sposta dal controllo delle risorse al controllo delle azioni
Il 54% usa l’osservabilità durante lo sviluppo, soprattutto per la qualità dei dati di addestramento, al 67%. Compliance e sicurezza, prestazioni dei prototipi e individuazione dei rischi prima del deployment sono tutti al 57%; debug e test del comportamento dell’agente arrivano al 53%.
L’adozione sale al 69% durante l’implementazione. In questa fase, integrazione con i sistemi esistenti e rilevamento delle anomalie in tempo reale raggiungono il 59%, compliance e preparazione agli audit il 57%, validazione degli output il 54% e raccolta di feedback dagli utenti il 53%.
Nella fase operativa l’osservabilità è usata dal 57%. L’ottimizzazione di risorse ed efficienza guida al 60%, il monitoraggio continuo delle prestazioni degli agenti è al 59%, trasparenza e spiegabilità al 57%. Rilevamento di risultati inattesi e supporto a governance, rischio e compliance si attestano entrambi al 52%.
Il tracciamento delle comunicazioni agent-to-agent e del Model Context Protocol si ferma invece al 40%. È un segnale importante: le imprese sanno osservare meglio risorse e prestazioni di quanto sappiano seguire lo scambio di contesto tra componenti autonomi.
Su questa distanza Dynatrace innesta la propria lettura: l’osservabilità deve evolvere in un control plane. È una conclusione coerente con il posizionamento dell’azienda, che opera proprio nel mercato dell’observability, ma anche con le difficoltà di controllo, tracciabilità e gestione indicate dai rispondenti.
Il control plane proposto collega risultati di business, esperienza applicativa, orchestrazione, comunicazioni tra agenti, integrità dei modelli, sistemi RAG e database vettoriali, fino all’infrastruttura di calcolo, GPU e rete. L’osservabilità non servirebbe più soltanto a segnalare un guasto: dovrebbe fornire agli agenti dati deterministici, ricostruire gli effetti a valle e attivare una correzione quando il comportamento probabilistico del modello esce dai confini stabiliti.
Perché questo accada, metriche e trace devono seguire l’intera catena, non fermarsi ai singoli strumenti. Un errore di contesto trasferito da un agente all’altro può infatti non apparire come un malfunzionamento dell’infrastruttura, pur producendo una decisione sbagliata.
In EMEA qualità dei dati, controllo umano e adozione procedono insieme
Il confronto geografico fa emergere tre accenti diversi. Le Americhe (Stati Uniti, Canada, Brasile e Messico) collegano più direttamente l’AI agentica a sicurezza, produttività degli sviluppatori e crescita dei ricavi, oltre a ricorrere più spesso a log e trace completi. Nell’Asia-Pacifico pesano maggiormente la gestione degli agenti su larga scala e la validazione tecnica, con particolare attenzione alla qualità dei dati, alla sicurezza e ai controlli su etica e bias.
L’EMEA, che nel campione comprende anche 50 rispondenti italiani, presenta un profilo più equilibrato tra controllo tecnico e coinvolgimento delle persone. Qualità dei dati e revisione umana degli output hanno lo stesso peso tra le misure di validazione, mentre i test di coerenza e regressione sono leggermente più diffusi rispetto alle Americhe.
La regione assegna inoltre maggiore importanza all’adozione e alla soddisfazione degli utenti rispetto agli altri mercati. L’osservabilità accompagna questo percorso con funzioni diverse nelle varie fasi: controllo della qualità dei dati durante lo sviluppo, rilevamento delle anomalie nell’implementazione e ottimizzazione delle risorse quando gli agenti entrano in esercizio.
Dalla sperimentazione a un modello operativo controllato
L’indagine è stata svolta tra novembre e dicembre 2025 in grandi imprese dei servizi finanziari, retail, pubblica amministrazione, utility, trasporti, logistica, software e servizi digitali. I ruoli coinvolti comprendono responsabili di ingegneria e piattaforme, AI e machine learning, automazione, SRE, osservabilità, investimenti e rischio.
Il quadro complessivo mostra un’AI agentica che sta entrando nelle attività operative attraverso un percorso selettivo. Le imprese affidano più autonomia ai processi ripetibili, misurabili o sensibili al tempo, mentre mantengono una collaborazione più stretta con le persone nelle funzioni che richiedono giudizio, responsabilità aziendale e valutazione del contesto.
La maturità non dipenderà soltanto dal numero di agenti distribuiti. Conteranno la capacità di assegnare permessi coerenti, verificare le decisioni, seguire le interazioni tra componenti e collegare ogni azione a un risultato tecnico o di business. È su questa base che progetti oggi separati potranno diventare operazioni autonome affidabili e scalabili.
Budget, casi d’uso e livelli di automazione sono già in crescita. La fase successiva consiste nel mettere gli agenti nelle condizioni di agire su dati condivisi, limiti verificabili e risultati tracciabili. Autonomia, controllo umano e osservabilità diventano così tre elementi dello stesso modello operativo, non passaggi alternativi della trasformazione.
