Il 95% dei progetti AI agent fallisce. Quasi mai per colpa dell’AI.

La narrazione dominante dice che basta scegliere il modello giusto e il fornitore giusto. È falso. La differenza tra chi riesce e chi brucia budget non sta quasi mai nella tecnologia: sta nel processo che le metti sotto.

Un agente è un moltiplicatore. Se il processo è chiaro e ripetibile, moltiplica i risultati. Se è confuso, non documentato, diverso ogni volta a seconda di chi lo esegue, l’agente moltiplica anche quello, più in fretta e su più casi. Chi parte da un problema definito ha successo nel 58% dei casi; chi parte da un mandato vago, nel 22%.[3]

E a volte la risposta onesta è non automatizzare affatto: ci sono casi in cui l’AI è la scelta sbagliata, e li abbiamo raccolti in quando NON serve l’AI.

C’è un motivo per cui standardizzare è più difficile di quanto sembri: gran parte di ciò che fa funzionare un processo non è scritto da nessuna parte. Le stime serie parlano di circa l’80% del sapere operativo che resta tacito, nelle teste delle persone, non nei manuali.[4]

È la conoscenza del «come si fa davvero»: l’eccezione che il senior gestisce d’istinto, il criterio con cui si decide un caso limite, la regola non scritta su quando una pratica va passata a una persona. Un agent non può ereditare ciò che non è stato reso esplicito.

Standardizzare, prima ancora che scrivere procedure, significa far emergere quel sapere e trasformarlo in regole operative per l’agente, cioè le sue istruzioni di funzionamento. È il passaggio che quasi tutti saltano, ed è esattamente quello che separa una demo da un sistema in produzione.

Standardizzare, oggi, non vuol dire mesi di manuali. Mappi il processo reale, rendi espliciti i criteri di decisione, unifichi i dati in una fonte di verità unica e fissi una baseline. L’AI accelera la parte più dura, far emergere il sapere tacito: lo estrai da chat, ticket e registrazioni invece che da settimane di interviste. Gli artefatti che restano sono concreti: un inventario, una SOP con criteri di decisione, una checklist per promuovere un processo da esperimento a produzione. Come si fa nel dettaglio lo spieghiamo in come standardizzare un processo.

C’è una scuola opposta, secondo cui conviene automatizzare subito e standardizzare strada facendo.[9] Per processi a basso rischio può funzionare. Per quelli core, ad alto impatto e ad alto rischio, è una scorciatoia che si paga: lì si standardizza prima.

E c’è una quarta fase che quasi tutti dimenticano: l’adoption. Un agente che nessuno usa è un costo a rendimento zero. Far sì che il team adotti davvero il nuovo flusso, con champion, formazione e metriche, è l’ultimo anello della catena: lo spieghiamo in come far adottare l’AI al team.

Prima ancora di parlare di tecnologia, c’è un substrato senza il quale tutto il resto crolla: i dati. È la regola del «garbage in, garbage out», e con gli agenti vale doppio. Un agente non si limita a darti un output sbagliato quando i dati sono sporchi: ci agisce sopra. Manda l’email al contatto duplicato, apre la pratica sul cliente sbagliato, decide su un dato vecchio. L’errore non resta sullo schermo, si propaga.

Per questo la «fonte di verità unica» che hai costruito standardizzando il processo non è un dettaglio: è il prerequisito numero uno. Dati duplicati, sparsi in tre sistemi diversi o mai aggiornati rendono inutile qualsiasi modello, per quanto avanzato.

Attenzione, però: «dati puliti» non significa il dataset perfetto prima di partire, quella è la scusa che blocca tutto per sempre. Significa dati abbastanza buoni e affidabili per quel workflow, con un processo che li mantiene puliti nel tempo. Pulizia come pratica continua, non come monumento da costruire prima di iniziare.

Perché serve tutto questo? Perché senza, gli agenti si rompono in modi prevedibili: la ricerca ne ha catalogati 14, dal perdere il contesto al non capire quando hanno finito.[5] E il tool calling fallisce in una percentuale a doppia cifra dei casi.[6] Per questo si parte da un solo caso ad alto valore e si costruisce l’infrastruttura prima di scalare.

Non è una fase zero che blocca tutto, né un ripensamento dopo l’incidente. Corre accanto al progetto, dosata. In fase di discovery fai una classificazione di rischio leggera: che dati tocca, che decisioni prende, quanto è grande il danno se sbaglia. Serve a due cose, scegliere il workflow giusto (a parità di valore, parti dal meno rischioso) ed evitare sorprese dopo.

La governance formale arriva prima di scalare, non prima di iniziare. I riferimenti esistono già: NIST AI RMF (volontario, definisce i rischi), ISO/IEC 42001 (primo standard certificabile) e, in Europa, l’EU AI Act (legge, piena applicazione sui sistemi ad alto rischio dal 2 agosto 2026) e DORA per il settore finanziario.[7] Un dettaglio che dice tutto: nessuno di questi è nato per l’AI agentica; il primo framework pensato per gli agenti autonomi è di Singapore, gennaio 2026.

Per le PMI il punto di partenza è più semplice di quanto sembri: lo abbiamo spiegato passo per passo in AI governance per le PMI, con classificazione del rischio, inventario d’esempio e un piano in 30 giorni.