Gartner stima che oltre il 40% dei progetti di AI agentica verrà cancellato entro il 2027. La diagnosi più ripetuta è che l’AI viene appiccicata a sistemi vecchi di vent’anni. È vera solo a metà.
Il problema non è dove l’AI si trova nello stack. È quali dati quel sistema ha registrato. Le piattaforme ITSM tradizionali tracciano stati: ticket aperto, ticket chiuso, tempo di risoluzione. Non tracciano il ragionamento con cui un problema è stato risolto, le correzioni fatte lungo la strada, gli errori intercettati prima della chiusura. Un agente ancorato a quei dati non ha niente da cui imparare: vede l’esito, non il percorso.
“Imparare dal lavoro reale” non è una proprietà dell’architettura. È un ciclo: l’output dell’agente viene confrontato con quello che è successo davvero, e la correzione rientra nel sistema. Senza quel ciclo il pilot produce risposte plausibili che nessuno verifica. La sottoperformance si scopre a naso, non si misura. E un progetto che non sai misurare lo archivi.
Qui sta il punto che le percentuali di fallimento nascondono. L’accuracy non è una caratteristica del lancio, è una misura continua. Un sistema che non ti sa dire, ticket per ticket, se l’agente ha risposto bene o male non è un sistema che puoi mandare in produzione, a prescindere da quanti anni ha il suo core.
La domanda da fare a un vendor non è “l’AI è integrata dall’inizio?”. È: come misurate che sia corretta, e che fine fanno gli errori che commette?
