Immagine di DC Studio su Freepik
Nel 2025 l’adozione dell’Agentic AI, basata su agenti autonomi capaci di prendere decisioni, eseguire compiti e apprendere dal contesto, si sta spostando dalle fasi di sperimentazione a quelle di pianificazione strutturata e finanziata. È quanto emerge da Qlik 2025 Agentic AI Study, realizzato da Enterprise Technology Research (Etr) per conto dell’azienda, che analizza come le grandi imprese stanno pianificando, finanziando e rendendo operative le soluzioni di Agentic AI nei propri processi. La ricerca, condotta nell’agosto 2025 su un campione di oltre 200 decision maker tecnologici di grandi aziende internazionali, rappresenta la terza edizione annuale del monitoraggio sull’AI curato da Qlik. Focus di quest’anno è l’analisi di un passaggio cruciale: dalla curiosità per la tecnologia al suo inserimento effettivo nei piani di investimento e nei modelli operativi.
“Non sono l’ambizione o i fondi a mancare alle aziende. Mancano le basi di dati e analytics che consentano agli agenti di lavorare in modo sicuro e sotto controllo in ogni area del business” – dettaglia James Fisher, chief strategy officer di Qlik. Il 2026 potrebbe quindi essere l’anno della selezione naturale: solo le organizzazioni che avranno investito in pipeline di dati affidabili, interoperabilità e framework di Roi condivisi con il board potranno far evolvere l’AI in una direzione realmente agentica.
Dal laboratorio, ai progetti a budget
Qlik 2025 Agentic AI Study evidenzia come il tema dell’intelligenza artificiale autonoma sia ormai stabilmente integrato nei piani aziendali. Il 97% delle aziende intervistate ha già destinato risorse finanziarie specifiche all’Agentic AI, con il 39% che prevede investimenti superiori al milione di dollari e un 34% che riserva tra il 10% e il 25% del budget AI complessivo a progetti di agenti intelligenti.
Non si tratta più quindi di sperimentazioni isolate, ma di un segmento di spesa riconosciuto e governato secondo logiche di pianificazione industriale. Tuttavia, la rapidità con cui la tecnologia viene adottata non trova ancora un corrispettivo nella sua effettiva implementazione. Solo il 18% delle aziende ha completato un’integrazione con soluzioni reali di Agentic AI, mentre quasi la metà — il 46% — stima che serviranno dai tre ai cinque anni per arrivare a una scalabilità significativa. Questa distanza tra disponibilità di fondi e risultati effettivi dipende soprattutto da limiti strutturali legati all’infrastruttura dati. Come sottolinea lo stesso Fisher, “perché l’Agentic AI possa davvero fare la differenza nel 2026, bisogna investire innanzitutto su pipeline affidabili e su un’infrastruttura interoperabile”.
Governance in evoluzione, misurazione del valore carente
La transizione verso un’AI agentica non riguarda poi solo la tecnologia ma anche la maturità organizzativa. Il 69% delle imprese dichiara di avere oggi una strategia AI formale, quasi raddoppiata rispetto al 37% del 2024. Tuttavia, solo il 19% ha definito un framework specifico relativo al Roi per valutare l’impatto economico delle iniziative.
Questo dato mostra come la governance stia evolvendo da una prospettiva di sperimentazione (“dovremmo farlo?”) a una più matura orientata ai risultati (“cosa abbiamo ottenuto?”), ma con ancora poca capacità di misurazione e standardizzazione. In molte organizzazioni, la definizione del valore dell’Agentic AI rimane affidata a metriche qualitative o a indicatori indiretti, come il miglioramento della produttività o la riduzione dei tempi di esecuzione. Erik Bradley, chief strategist di Etr, osserva che “quando la spesa passa dallo status di sperimentazione a voce di bilancio, i vincoli diventano quelli classici delle grandi aziende: data quality, integrazione, governance e competenze”. Il passaggio a un approccio operativo comporta infatti la necessità di integrare l’AI nei processi esistenti, spesso complessi e regolamentati, in modo coerente con le politiche di sicurezza, audit e risk management.
Data quality, integrazione e accesso sono il collo di bottiglia
La ricerca individua nei dati — più che nei modelli o negli algoritmi — il principale ostacolo alla scalabilità. Le criticità più ricorrenti sono infatti legate alla data quality, alla disponibilità delle informazioni e al data access, seguite da problemi di integrazione e carenza di competenze interne. Le grandi aziende, pur avendo costruito negli ultimi anni architetture dati estese, si trovano oggi di fronte alla difficoltà di collegare in modo sicuro fonti eterogenee e ambienti distribuiti, dai sistemi on-premise alle piattaforme cloud. Gli agenti intelligenti, per operare in modo affidabile, hanno bisogno di un accesso costante a dati puliti, aggiornati e governati secondo regole precise. In assenza di queste condizioni, il rischio è quello di generare decisioni basate su informazioni incomplete o non contestualizzate. Qlik, che da anni si posiziona come fornitore di soluzioni di integrazione e governance dei dati, interpreta questo scenario come un’opportunità per consolidare il ruolo delle piattaforme di data intelligence come prerequisito per l’AI autonoma. L’Agentic AI, spiega lo studio, “non può prescindere da una struttura dati che garantisca qualità pervasiva, lineage e tracciabilità lungo l’intera catena del valore informativo”.
Sicurezza e affidabilità, il deployment fase critica
Il momento più delicato nel ciclo di vita di un progetto di Agentic AI è quello del deployment. È qui che si concentrano le principali preoccupazioni dei leader tecnologici: cybersecurity, affidabilità dei risultati e rischi legali emergono come le aree di maggiore vulnerabilità, seguite da tematiche di explainability e auditability. L’assenza di garanzie sulla trasparenza dei processi decisionali automatizzati e sull’aderenza alle normative — in particolare nel contesto europeo, sempre più attento ai requisiti di AI Act e Nis2 — rallenta il passaggio da proof of concept a implementazioni operative. Le aziende che intendono scalare l’Agentic AI devono quindi costruire sistemi di monitoraggio e validazione continua, in grado di misurare la correttezza e la sicurezza dei comportamenti degli agenti. Le valutazioni di rischio diventano così un fattore determinante non solo per le tempistiche, ma anche per la scelta dei fornitori. I programmi più maturi sono quelli che integrano i processi di sicurezza e compliance fin dalle fasi di progettazione, adottando framework di governance integrata che uniscono AI policy, controllo dei dati e auditing in tempo reale.
IT operations e sviluppo software guidano l’adozione
Secondo il report, i primi settori aziendali ad adottare l’Agentic AI in modo sistematico sono IT operations e software development. Qui l’obiettivo principale resta la riduzione dei costi operativi, mentre la produttività rappresenta la metrica di riferimento per misurare il ritorno dell’investimento. Gli agenti autonomi vengono impiegati per automatizzare attività di monitoraggio, troubleshooting, provisioning e testing, ambiti in cui la presenza di dati telemetrici e baseline di performance facilita la misurazione dei benefici. I risultati positivi si osservano infatti proprio nei contesti che già disponevano di solide infrastrutture di osservabilità e gestione automatizzata.
Bradley sottolinea come il 2026 sarà quindi un anno chiave: “I nostri dati evidenziano un interesse diffuso, ma solo una minoranza delle aziende è effettivamente pronta a scalare. Il prossimo anno sarà cruciale per trasformare use case specifici in soluzioni operative stabili e misurabili”. La progressione sarà graduale: le organizzazioni più avanzate passeranno da progetti pilota a implementazioni di produzione, mentre la maggioranza utilizzerà il 2026 come anno di costruzione infrastrutturale e di consolidamento delle competenze.
Verso un ecosistema Agentic AI misurabile e integrato
Il quadro che emerge dal Qlik 2025 Agentic AI Study è quello di una trasformazione che non può essere guidata solo dalla tecnologia. L’intelligenza artificiale agentica rappresenta un’evoluzione del modo in cui le aziende intendono gestire la conoscenza e l’autonomia dei processi, ma il suo successo dipende dalla solidità dei dati sottostanti, dalla governance e dalla capacità di definire metriche chiare di valore. Se la quasi totalità delle grandi imprese ha inserito l’AI agentica tra le proprie priorità di spesa e pianificazione per il 2026, resta un dato di fatto che il percorso verso la piena operatività è ancora molto lungo. Come evidenzia Fisher, “solo con un’infrastruttura di dati affidabile, interoperabile e controllata si potrà passare da esperimenti isolati a ecosistemi di agenti capaci di generare valore reale e misurabile per il business”.
© RIPRODUZIONE RISERVATA
