C’è un numero, nell’ultima edizione dell’AI Index Report dello Stanford HAI, che dice più di tutti gli annunci di prodotto degli ultimi mesi: l’88% delle organizzazioni usa l’intelligenza artificiale in almeno una funzione aziendale, in salita dal 78% dell’anno precedente. Sembra la fotografia di un mercato ormai maturo, arrivato a destinazione.
Se poi si legge il dato accanto, però, la storia si ribalta: l’adozione di agenti veri, quelli che portano a termine un processo in autonomia invece di limitarsi a rispondere, resta sotto il 10% in quasi tutte le funzioni aziendali. Alla domanda se usino agenti, risponde di no il 66% nella gestione della conoscenza, il 69% nell’IT, il 77% nello sviluppo software, il 91% nel manufacturing. Perfino tra le imprese sopra i cinque miliardi di dollari di fatturato, solo una su dieci dichiara un’adozione pienamente a regime. Il divario tra “usiamo l’AI” e “abbiamo agenti che lavorano davvero” è oggi lo spazio competitivo più interessante sul tavolo. E la cosa più istruttiva è capire perché esiste.
Il collo di bottiglia si è spostato
Per anni la domanda è stata quale modello scegliere; oggi, invece, la capacità dei modelli non è più il problema. A dirlo sono di nuovo i numeri di Stanford: interrogate sugli ostacoli a un’adozione agentica su scala, le aziende non citano in prima battuta i limiti della tecnologia come ci si sarebbe aspettato sino a qualche tempo fa. Al primo posto mettono invece la sicurezza e la gestione del rischio, indicata dal 62% come freno principale. Seguono i limiti tecnologici e l’incertezza normativa, entrambi al 38%, e le carenze negli strumenti di controllo, al 36%.
Tradotto: le imprese non hanno paura che l’AI non sia abbastanza brava, ma di non riuscire a dimostrare come i dati sono protetti e come le decisioni vengono ricostruite. Sotto la parola “complessità”, che tanti citano come motivo del blocco, si nasconde esattamente questo: architetture frammentate, modelli diversi che non parlano tra loro, toolchain incompatibili, mesi di integrazione prima di vedere il primo agente in produzione. Costruire tutto su misura, oggi, costa tra i 200.000 e i 600.000 euro e richiede dai sei ai diciotto mesi. Il progetto che fallisce non è quello che sceglie il modello sbagliato, ma quello che non riesce a portare in produzione, in modo controllato, ciò che ha scelto.
Perché un agente non è un software qualsiasi
Qui si arriva al punto che cambia tutto il ragionamento normativo: un agente non custodisce dati come farebbe un gestionale; li elabora, ma soprattutto decide. Ed è questo che lo fa ricadere sotto l’AI Act in un modo che il software tradizionale non conosce.
Il rischio, però, non sta nell’agente in sé; sta nell’affidarsi al solo modello linguistico, senza nulla intorno. Un modello, da solo, non distingue in modo affidabile ciò che è vero da ciò che l’utente dà per vero: la stessa domanda, formulata in modo diverso, può portarlo a confermare un’affermazione falsa. In un processo regolamentato non è accettabile che la correttezza di una risposta dipenda da come è stata posta la domanda, ed è esattamente ciò che separa un chatbot da un agente costruito bene.
Il punto, quindi, non è che gli agenti siano inaffidabili: è che un modello grezzo non basta. Serve poter ricostruire ogni decisione e risalire al dato che l’ha generata: ogni risposta ricondotta al documento che l’ha prodotta, con la fonte citata, non presentata come verità del modello. È la differenza tra un’AI che risponde e un’AI che lavora davvero dentro un processo aziendale. Ed è la ragione per cui una piattaforma seria dedica più attenzione ai controlli che all’elenco delle funzioni. È il principio su cui è costruito il Trust Layer di BotmasterAI: ogni decisione tracciabile e ricostruibile, con l’essere umano nel processo dove serve.
Il discrimine non è più la potenza, ma il prezzo
Nel paper di Stanford c’è un secondo dato che ridefinisce le regole del gioco, e riguarda proprio i modelli: fino a un anno fa scegliere un modello di frontiera invece di uno aperto voleva dire comprare capacità che gli altri non avevano, ma oggi quella distanza si è quasi azzerata. Secondo l’AI Index 2026, i primi quattro fornitori di modelli sono oggi separati da meno di 25 punti nella classifica Arena, contro i circa 97 di un anno prima. Il divario tra il miglior modello statunitense e il miglior modello cinese è del 2,7%, quello tra modelli chiusi e modelli open weight del 3,3%. La conclusione che ne trae Stanford è netta: poiché la capacità non è più un fattore di differenziazione chiaro, la pressione competitiva si sposta su costo, affidabilità e prestazione sul dominio specifico.
E sul costo, il divario invece di chiudersi si allarga, e non di poco: i listini dei modelli variano di oltre cento volte tra la fascia economica e quella di frontiera, e le analisi di settore prevedono che continui a crescere. Il che rende una sola scelta architetturale, quella di instradare ogni compito sul modello giusto invece di usare il più potente per tutto, la leva economica più importante di un progetto agentico. In un processo tipico, dove l’80% delle chiamate sono classificazioni ed estrazioni e il 20% analisi complessa, mandare ciascuna categoria sulla classe di modello adeguata riduce la spesa in token del 75-80%, a parità di risultato sul processo. Nessuna trattativa sul canone della piattaforma incide altrettanto. Legarsi oggi a un singolo modello, quindi, è un rischio privo di un beneficio corrispondente: il vantaggio di capacità che lo giustificherebbe si è assottigliato a pochi punti, mentre i differenziali di costo restano di oltre un ordine di grandezza.
E qui entra in gioco l’AI sovrana
Se la potenza non è più il discrimine e il prezzo si governa con l’instradamento, allora dove risiedono i dati, e sotto quale giurisdizione, diventa una decisione strategica e non un dettaglio tecnico. Per un’impresa europea quella decisione ha un nome: AI sovrana. I dati restano in Europa e sotto il controllo dell’azienda, comunque giri il modello che li elabora.
Non è un principio astratto, è una scelta che si declina processo per processo. Non tutti i compiti hanno bisogno della stessa cosa: attività come smistare i documenti in arrivo o leggere i dati di una fattura sono lavori ad alto volume e bassa complessità, e possono essere fatte benissimo da un modello piccolo e aperto, a una frazione del costo. Al contrario, interpretare un contratto o un bando di gara richiede un modello di frontiera, e lì il costo superiore è giustificato. Ma c’è una categoria che cambia il criterio: i dati sensibili. Pensiamo per esempio a una pratica sanitaria, un fascicolo giudiziario, un’istruttoria in ambito regolamentato: per questi non contano né la potenza né il prezzo. Conta il perimetro: il dato non deve uscire.
È qui che la sovranità smette di essere uno slogan e diventa architettura. La stessa piattaforma è progettata per girare in cloud gestito, per validare in fretta un caso d’uso; su cloud sovrano europeo, dove i dati non lasciano mai l’Unione; oppure interamente on-premise, sull’infrastruttura dell’azienda, per i contesti a massima sensibilità, dove il modello resta dentro le mura e il dato non attraversa nessun confine. Sono tre gradi della stessa scala, dal più rapido da attivare al più rigoroso, e si scelgono in base a quanto sono sensibili i dati di quel processo. Cambia dove risiedono i dati, non come vengono trattati.
L’AI Act ha spostato le scadenze, non il problema
Su questo si innesta il quadro normativo europeo, che nell’ultimo anno si è chiarito invece di complicarsi. Il Digital Omnibus sull’AI, in vigore dal 27 luglio 2026, ha rinviato gli obblighi sui sistemi ad alto rischio al 2 dicembre 2027, lasciando intatte le altre scadenze già operative.
Attenzione però: si tratta di un differimento, non un ridimensionamento. L’impianto del regolamento resta quello, e le nuove date non sono più subordinate a meccanismi condizionali. Sono fisse. Per chi deve ancora scegliere una piattaforma questo cambia la natura della decisione, non la sua urgenza: perché tra selezione del fornitore, integrazione e messa a regime passano diversi trimestri, e dicembre 2027, per chi parte adesso è una scadenza vicina.
La conseguenza pratica è semplice: chi sceglie oggi una piattaforma già allineata a quelle scadenze arriva pronto; chi invece ne sceglie una che non lo è si troverà a rifare quel lavoro entro il 2027, sugli stessi processi nel frattempo entrati in produzione. E vale la pena ricordare il contesto in cui questa scelta si compie: l’Europa è l’area con la domanda di AI più matura al mondo, il 91% di adozione organizzativa nel 2025 dal 57% del 2023, e l’Italia è stata il primo Stato membro a dotarsi di una legge nazionale sull’AI. Non stiamo parlando di un mercato che aspetta di capire se le regole arriveranno: le regole ci sono già e le date ora sono certe.
Il filo che tiene insieme tutto questo è uno solo: quando la potenza dei modelli smette di essere il fattore che distingue, la domanda giusta non è più quale modello scegliere, ma dove farlo girare e sotto quali regole. È il punto esatto in cui l’AI locale e l’AI Act smettono di essere due temi separati e diventano la stessa decisione: un agente che elabora dati e prende decisioni non è un software qualsiasi, e dove vivono quei dati determina insieme il costo, il controllo e la conformità. Non è una scelta che si rimanda al 2027; è una scelta di architettura che si fa adesso, nel momento in cui si decide come mettere il primo agente al lavoro.
Ne abbiamo parlato in diretta
Dove devono vivere i dati quando a trattarli non è un software qualsiasi, ma un agente che decide? È la domanda intorno a cui ruota tutto, e noi abbiamo provato a darle una risposta: giovedì 24 settembre siamo stati in diretta su LinkedIn con Fabio Asselle, CEO di Dazerolab, e l’Avvocato Andrea Battistella, per mettere insieme AI locale e AI Act: la conformità come vantaggio, non come vincolo.
Te la sei persa? Puoi rivederla qui sotto!
Se invece vuoi vedere cosa significa in concreto avere agenti AI che lavorano dentro il perimetro europeo, con isolamento, tracciabilità e dati sotto il tuo controllo, gli agenti di BotmasterAI sono già in produzione su processi documentali, commerciali e di rischio. Scopri la workforce AI di BotmasterAI e cosa può entrare in produzione nella tua azienda in poche settimane.