Gli agenti sono triplicati, i contenuti no
Quattro ricerche hanno posto domande diverse e hanno trovato gli stessi tre limiti dentro l'azienda: budget frammentato, contenuti inutilizzabili, aspettative tarate sull'orologio sbagliato. Intanto i rilasci accelerano.
Quattro filoni di ricerca pubblicati negli ultimi otto mesi hanno posto domande diverse. Salesforce ha chiesto che cosa porta un agente AI interno al ritorno economico. Uno studio di misurazione ha chiesto che cosa spinge un motore di risposta a citare un marchio. Forrester ha chiesto dove si romperà la customer experience e dove vanno indirizzati i budget 2027. Gartner ha chiesto che cosa devono cambiare le applicazioni aziendali.
Hanno trovato gli stessi tre limiti, e tutti e tre stanno dentro l’azienda. Nessuno dei tre riguarda la qualità dei modelli. E intanto i rilasci accelerano: nell’ultimo anno fiscale il numero medio di agenti per azienda è circa triplicato, e l’agente medio è passato da due a sei attività su cui sa operare.
Questo articolo elenca i tre limiti e dice che cosa fare per ciascuno.
Limite uno: il budget è diviso tra tre proprietari
Lo stesso asset viene finanziato tre volte. Le Budget Planning Guides 2027 di Forrester dicono ai responsabili tecnologici di aumentare la spesa sul contesto aziendale leggibile dalle macchine su cui gli agenti possono agire, e dicono ai responsabili marketing di aumentare la spesa sulla visibilità del marchio nei motori di risposta. Sono due voci dentro lo stesso documento. Nella maggior parte delle aziende sono anche due direzioni diverse, e una terza direzione finanzia la knowledge base del contact center.
Tutte e tre stanno pagando la stessa cosa. La chiamo corpus: l’insieme strutturato e aggiornato di contenuti e dati che descrivono che cosa l’azienda vende, come funziona e quali regole segue, in una forma che una macchina può leggere. Diviso su tre budget, il corpus viene finanziato secondo tre standard parziali e non soddisfa nessuno dei tre.
Che cosa fare: fare l’inventario del corpus prima di approvare una qualsiasi delle tre voci di budget, e dargli un proprietario unico. Quel proprietario non è il marketing, che possiede le parole ma non i sistemi, e non è l’IT, che possiede i sistemi ma non l’accuratezza.
Limite due: il corpus non è utilizzabile da una macchina
È il limite sostenuto dalle prove più solide, e arriva da tre direzioni.
Salesforce ha intervistato 2.025 decisori dell’AI agentica in venti Paesi. Per gli agenti più autonomi, chi li ha in produzione indica due fattori come i più importanti: dati puliti e accessibili nel momento in cui l’agente agisce, e un caso d’uso con un perimetro stretto. Entrambi stanno sopra la qualità del modello e sopra gli strumenti di orchestrazione. Solo il 31 per cento aveva sistemato i dati rilevanti prima del rilascio, e chi lo ha fatto è arrivato al ritorno in 7,3 mesi contro gli 8,8 degli altri.
Il lavoro di misurazione arriva allo stesso asset da fuori, con un correttivo che conta. Su oltre centomila risposte generate, relative a un centinaio di marchi, circa il 78 per cento delle citazioni va a siti aziendali. Lo studio precisa che dentro quella quota la parte maggiore sono pagine di altre aziende dello stesso settore, non pagine del marchio citato. Il contenuto aziendale è quello che le macchine leggono. Non è detto che sia il tuo.
La terza direzione arriva dal servizio al cliente. Il tasso di escalation dagli agenti AI agli operatori umani è rimasto fermo al 32 per cento anche mentre i volumi salivano parecchio. Un’escalation significa che l’agente è arrivato a una domanda a cui i contenuti non sapevano rispondere. È un buco nei contenuti, non un limite del modello.
La nota Gartner di gennaio elenca il lavoro necessario, ed è ingegneria più che marketing: modelli di contenuto atomici e riutilizzabili al posto delle pagine monolitiche, marcatura schema.org generata in automatico, tipi di contenuto dedicati a domanda e risposta, metadati semantici che portano relazioni tra entità invece che parole chiave.
Che cosa fare: sottoporre il corpus a tre prove. Un agente interno riesce ad agirci sopra nel momento in cui gli serve. Un motore di risposta riesce a citarlo senza colmare da solo i buchi. Un operatore riesce a chiudere una conversazione con quello. Le pagine che non superano una prova di solito non ne superano nessuna, ed è questo che rende più difendibile un unico programma di intervento rispetto a tre separati.
Limite tre: le aspettative sono tarate sull’orologio sbagliato
I consigli di amministrazione chiedono se l’azienda si stia muovendo abbastanza in fretta. I dati dicono che la velocità di rilascio non predice la velocità del ritorno.
I servizi professionali e alle imprese sono tra i settori più lenti a rilasciare agenti e tra i più rapidi ad arrivare a un ritorno reale, in 6,5 mesi. L’high tech è tra chi ne ha rilasciati di più e tra i più lenti al ritorno, con 10,1 mesi. Nella ricerca il tempo medio per arrivare a un ritorno reale è di circa otto mesi, e il 47 per cento degli intervistati era ancora in fase pilota dopo due anni di disponibilità della tecnologia.
Forrester ne trae la conseguenza sul budget in modo esplicito: tagliare i progetti pilota che moltiplicano attività senza governance, senza titolarità e senza una strada definita verso la scala. La sua previsione sul lato cliente descrive lo stesso errore visto da fuori: un terzo delle aziende peggiorerà la customer experience nel 2026 spingendo agenti conversazionali dove non avevano possibilità di funzionare.
Che cosa fare: fissare l’aspettativa interna intorno agli otto mesi per il ritorno, e misurare l’avanzamento sul corpus invece che sul numero di agenti rilasciati.
La distanza si allarga
Nessuno di questi limiti sta fermando i rilasci. Gli agenti per azienda sono triplicati, il tempo di creazione si è più che dimezzato, e oltre l’80 per cento dei manager si aspetta budget più alti nei prossimi dodici mesi. Gartner prevede che entro il 2028 l’80 per cento delle interazioni con i clienti passi a interfacce agentiche.
Quindi il numero di agenti cresce contro contenuti che non sono pronti, budget divisi e tempi sbagliati. I tre limiti costano poco da sistemare all’inizio e molto da sistemare quando ci sono già agenti in produzione che ci lavorano sopra.
Zurigo e Milano
In Svizzera circa sei aziende su dieci dichiarano di usare AI in qualche forma, secondo un’indagine UBS su circa 2.500 imprese. In quelle aziende i tre limiti sono già attivi, e intervenire significa modificare sistemi da cui le persone dipendono.
In Italia l’Osservatorio Innovazione Digitale nelle PMI del Politecnico di Milano ha rilevato che il 76 per cento delle PMI non ha investito in AI e non intende farlo, e che il 7 per cento ha percorsi di formazione strutturati. Quelle aziende hanno ancora a disposizione la versione economica di tutti e tre gli interventi. Hanno però anche uno svantaggio concreto da recuperare: nella misurazione della visibilità, i marchi piccoli e di nicchia comparivano nell’11 per cento delle risposte pertinenti, contro il 73 per cento dei nomi noti a livello globale.
Il prossimo articolo: quali strutture di contenuto i motori di risposta leggono davvero, quali ignorano, e perché il formato più citato nelle risposte generate è una classifica che ha scritto qualcun altro parlando di noi.
Restiamo in contatto.
— Stefano
Fonti
- Salesforce, New Study of 2,025 Agentic AI Leaders: First To Launch Isn’t Fastest to ROI (State of Agentic AI in the Enterprise), 27 agosto 2026. https://www.salesforce.com/news/stories/agentic-ai-leaders-survey-on-roi/
- Salesforce, Agentic Enterprise Index: Agent Deployments More Than Double Year over Year, 7 agosto 2026. https://www.salesforce.com/news/stories/agentic-enterprise-index-insights-2026/
- Pratyush Kumar, Generative Engine Optimization at Scale: Measuring Brand Visibility Across AI Search Engines, arXiv:2606.20065, 18 giugno 2026. https://arxiv.org/abs/2606.20065
- Irina Guseva, Optimize Enterprise Apps for Agentic AI’s GEO and AEO, Gartner, nota G00841018, 7 gennaio 2026.
- Forrester, 2027 Budget Planning Guides, comunicato stampa, 15 luglio 2026. https://investor.forrester.com/news-releases/news-release-details/forresters-2027-budget-planning-guides-after-year-caution
- Forrester, 2026 B2C Marketing, CX & Digital Business Predictions. https://www.forrester.com/press-newsroom/forrester-b2c-marketing-cx-digital-2026-predictions/
- UBS, AI in Switzerland: Pragmatic adoption, growing potential. https://www.ubs.com/global/en/wealthmanagement/insights/marketnews/article.3430283.html
- Osservatorio Innovazione Digitale nelle PMI, Politecnico di Milano, risultati di ricerca, maggio 2026. https://www.osservatori.net/