Riconoscete la scena? Un weekend intero passato a configurare il "sistema definitivo": il second brain che archivia tutto da solo, l'agente che legge le email, la skill che prepara i report.

Domenica sera funziona. È bellissimo.

Tre settimane dopo, l'agente ha smesso di rispondere, il second brain è un cimitero di note e voi siete tornati a Trello.

Tranquilli, se vi è capitato qualcosa di simil, non siete voi il problema: è il modello di adozione che vi hanno venduto.

La promessa: lavora l'AI, tu supervisioni

Il copione dei tutorial è sempre lo stesso. Colleghi qualche strumento, scrivi due istruzioni, e da domani l'AI gestisce la tua conoscenza, i tuoi flussi, la tua agenda. Tu ti limiti a supervisionare, come un direttore d'orchestra.

Questa narrazione ha un motore commerciale potente. Gartner ha coniato un termine per descriverne la parte peggiore: "agent washing", cioè la pratica di ribattezzare come "agenti AI" prodotti che agenti non sono — chatbot, assistenti, vecchia automazione riverniciata.

Su migliaia di vendor che si dichiarano "agentici", Gartner ne stima credibili circa 130.

Il risultato è un'aspettativa gonfiata: l'idea che basti "montare i pezzi" per avere un collaboratore digitale autonomo.

E chi non è tecnico non ha strumenti per distinguere la promessa dalla realtà.

La realtà: sei diventato il manutentore del tuo robot

Ecco cosa i tutorial non dicono:

un sistema di agenti e skill non è un elettrodomestico. È più simile a un orto. Se non lo curi ogni settimana, muore.

I punti in cui si rompe sono sempre gli stessi. Il setup iniziale, prima di tutto: configurare questi strumenti richiede ore o giorni, e chi lo ha fatto lo racconta senza giri di parole.

Una giornalista tech, dopo anni di tentativi con le app per il second brain, ha abbandonato tutto con una motivazione semplice: il setup "porta via una fetta significativa di tempo — tempo che molti di noi semplicemente non hanno".

Su una community di sviluppatori, un autore festeggia il second brain "che finalmente uso davvero": è il suo sesto tentativo. Sei.

Poi c'è il drift, parola tecnica che vale la pena imparare. Significa "deriva": i modelli AI che stanno sotto i vostri agenti vengono aggiornati di continuo dai produttori, e un'istruzione che ieri funzionava perfettamente oggi produce risultati diversi. Il vostro sistema si degrada senza che nessuno vi avvisi. È come se il motore dell'auto cambiasse comportamento a ogni pieno di benzina.

E quando gli agenti sbagliano, sbagliano in silenzio. Un'analisi dei fallimenti in produzione documenta agenti che inventano parametri perché "il nome del campo sembrava plausibile", che entrano in cicli inutili senza segnalarlo, che fabbricano policy aziendali mai esistite.

Il software tradizionale, quando si rompe, mostra un errore. L'agente, spesso, continua a sorridere.

Perfino il cablaggio che collega l'AI agli strumenti — i cosiddetti server MCP, il "multiprese" degli agenti — è considerato troppo complesso dagli stessi ingegneri. Uno studio tecnico di Evil Martians sostiene che la maggior parte di questi server non dovrebbe esistere: costi operativi continui, sicurezza approssimativa (il 53% usa chiavi statiche), configurazioni che consumano risorse ancora prima di iniziare a lavorare.

Se è un mal di testa per i tecnici, immaginate per tutti gli altri.

I numeri che nessun tutorial ti mostra

La sensazione di "tanto sforzo, poco ritorno" non è un'impressione. È misurata. Vi condivido alcuni fatti, forse un po’ datati perché questo post giace da molti mesi tra i miei draft, ma sono tutte informazioni attendibili e tuttora validissime…

Onestà dovuta: ognuno di questi numeri ha i suoi limiti. Il dato MIT misura il ritorno economico a breve termine, non l'utilità percepita, ed è stato criticato come sovrainterpretato. Lo studio METR riguarda 16 sviluppatori su codice che conoscevano a memoria, e gli stessi autori invitano a non generalizzare. Ma il segnale comune resta, ed è quello che conta: la produttività percepita e quella reale, con l'AI, possono divergere parecchio. E chi paga la differenza è il vostro tempo.

Fatti costruire un software, non un sistema da accudire

Qui arriva il paradosso che ho visto ripetersi più volte: le stesse persone che falliscono con agenti e skill ottengono ottimi risultati quando chiedono all'AI di costruire un software.

La differenza è una parola: determinismo. Un programma, una volta scritto e testato, fa sempre la stessa cosa. È un tostapane: leva giù, pane tostato, oggi e tra sei mesi. Un agente invece riinterpreta le istruzioni a ogni esecuzione: è uno stagista brillante ma lunatico, che un giorno capisce al volo e il giorno dopo archivia le fatture nella cartella delle ricette.

Non lo dico solo io. Perfino Salesforce, che gli agenti li vende, raccomanda di distinguere: tutto ciò che è ripetitivo e prevedibile va trasformato in procedura fissa — in codice — e gli agenti vanno riservati ai casi che richiedono davvero giudizio e adattamento.

La conseguenza pratica per voi è concreta. Se un flusso di lavoro è sempre uguale — rinominare file, estrarre dati da PDF, compilare un report settimanale — la mossa vincente non è "montare un agente". È farsi generare dall'AI un piccolo strumento che poi gira da solo, identico, per sempre. L'AI come fabbrica di utensili, non come utensile che dovete tenere in vita.

Quindi l'AI è un fallimento? No: lo è il fai-da-te senza presidio

Sarebbe comodo chiudere con "l'AI non funziona". Non è vero, e i dati non dicono questo.

Dicono una cosa più precisa: i sistemi AI "viventi" — agenti, skill, second brain automatizzati — richiedono manutenzione tecnica continua. Chi ce l'ha (un tecnico in casa, un fornitore serio, un perimetro d'uso ristretto e ben sorvegliato) ne ricava valore. Chi non ce l'ha si ritrova a fare il giardiniere di un orto che non aveva chiesto. Come nota un'analisi su InformationWeek, spesso non falliscono gli agenti: falliscono i processi intorno a loro.

Per un professionista o una PMI senza reparto IT, la gerarchia sensata oggi è questa:

  • Primo, usare l'AI in modo diretto e conversazionale, dove il costo di manutenzione è zero.
  • Secondo, farsi costruire strumenti stabili e deterministici per i compiti ripetitivi.
  • Terzo — e solo terzo — adottare agenti, preferibilmente comprati da chi li mantiene per mestiere, su un problema solo, con qualcuno che li presidi.

E il ritardo delle PMI italiane su competenze e formazione rende questa prudenza ancora più necessaria.

Condividi questo post