Agent washing: perché la maggior parte degli “agenti AI” che vi vendono non lo sono

C’è un momento, nelle demo di vendita dei nuovi software “agentici”, che si ripete quasi identico da un fornitore all’altro. Lo schermo mostra un assistente che risponde, suggerisce, compila un modulo. Il venditore lo chiama agente. Il problema è che, nella maggior parte dei casi, quello che si sta vedendo è un chatbot ben vestito, non un sistema capace di agire in autonomia.
Gli analisti hanno già dato un nome a questo fenomeno: agent washing. Vale la pena capire cosa significa davvero, perché sta succedendo proprio ora, e soprattutto come distinguere, da imprenditori e manager, un agente che lavora da uno che si limita a sembrarlo.
Cosa intende Gartner per “agent washing”
Il termine arriva da Gartner, che a metà 2025 ha cominciato a segnalare un comportamento ricorrente sul mercato: molti fornitori di software stanno ribattezzando come “agenti AI” prodotti che in realtà sono assistenti conversazionali, strumenti di robotic process automation o chatbot già esistenti, senza che vi sia stata alcuna reale aggiunta di capacità agentiche. La definizione tecnica resta la stessa da anni: un agente autonomo percepisce il contesto, pianifica una sequenza di azioni verso un obiettivo, usa strumenti esterni e agisce senza che un umano debba validare ogni singolo passaggio. Un chatbot, per quanto sofisticato, risponde. Non decide cosa fare dopo aver risposto.
La distanza tra le due cose non è semantica, è operativa. Secondo le stime di Gartner, su migliaia di fornitori che oggi si presentano sul mercato con proposte “agentiche”, solo circa 130 offrono funzionalità realmente autonome. Il resto vende automazione tradizionale con un’etichetta nuova, spesso a un prezzo coerente con la promessa più ambiziosa.
Perché questo fenomeno non è un dettaglio di marketing
Si potrebbe pensare che si tratti del consueto rumore di fondo che accompagna ogni tecnologia nella fase di hype: succedeva con la blockchain, è successo con il cloud, sta succedendo di nuovo con gli agenti. C’è una differenza, pero: qui il divario tra promessa e realtà si traduce in budget spesi su strumenti che semplicemente non possono fare ciò per cui sono stati acquistati.
Un’analisi del 2025 condotta dal progetto NANDA del MIT, basata sull’osservazione di 300 implementazioni aziendali reali e su interviste a oltre 150 dirigenti, ha trovato che il 95% dei progetti pilota di intelligenza artificiale generativa non produce alcun impatto misurabile sul conto economico. Solo il 5% raggiunge un ritorno concreto, e quel 5% condivide caratteristiche precise: perimetro ristretto, integrazione profonda con i flussi di lavoro reali, collaborazione tra competenze interne ed esterne. I progetti che falliscono, al contrario, tendono a inseguire l’etichetta più che la funzione: si compra “l’agente” perché lo hanno tutti, non perché risolve un problema specifico.
Gartner arriva a una conclusione coerente da un’angolazione diversa: ha previsto che oltre il 40% dei progetti di AI agentica verrà cancellato entro la fine del 2027, per costi fuori controllo, valore di business poco chiaro o controlli di rischio inadeguati. Non è un problema di tecnologia immatura in senso assoluto. È un problema di etichette sbagliate applicate a soluzioni reali, che genera aspettative impossibili da soddisfare e quindi, inevitabilmente, disillusione.
L’effetto più pericoloso: la tassa sulla credibilità
C’è un aspetto dell’agent washing che si discute meno, ma che a lungo termine pesa più del singolo budget sprecato: ogni volta che un’azienda compra un finto agente e ne resta delusa, la sua fiducia nella categoria intera si abbassa. Non distingue tra il fornitore che ha rietichettato un vecchio prodotto e quello che ha davvero costruito un sistema capace di pianificare e agire. Diventa scettica verso entrambi.
È una dinamica che ricorda quella delle figure professionali poco regolamentate: quando alcuni venditori di formazione spacciano slide riciclate per consulenza specialistica, chi offre competenza autentica paga lo stesso prezzo reputazionale, anche se non ha colpe. Nel mercato degli agenti AI sta succedendo qualcosa di simile: le aziende serie, che stanno investendo anni di sviluppo per costruire sistemi davvero agentici, si trovano a competere con chi vende la stessa parola per un prodotto incomparabile, e a pagare il conto quando il cliente, bruciato da un’esperienza negativa, smette di crederci del tutto.
Come riconoscere un agente vero da uno di facciata
Per chi deve decidere se investire, esiste un modo pratico per superare il marketing e guardare alla sostanza. Non serve un dottorato in machine learning: bastano alcune domande precise da porre a chiunque proponga un “agente AI”.
Può agire senza che un umano confermi ogni singolo passaggio, o si limita a suggerire un’azione che qualcuno deve poi eseguire manualmente?
Riesce a gestire un obiettivo multi-step, ad esempio aprire un ticket, verificare lo stato di un ordine e aggiornare un CRM in sequenza, oppure risponde a una domanda alla volta?
Ha accesso reale a sistemi esterni (API, database, strumenti) o lavora solo su una base di conoscenza statica?
Cosa succede quando il contesto è incompleto o ambiguo? Un agente vero lo segnala e chiede chiarimenti o si ferma in sicurezza; un sistema rietichettato spesso inventa una risposta plausibile.
Il fornitore può mostrare il percorso di ragionamento che porta a un’azione specifica, o si limita a mostrare l’output finale?
Una richiesta semplice, ma spesso decisiva, è chiedere una prova pilota su un caso reale dell’azienda, non sulla demo preconfezionata del fornitore. La differenza tra un agente e un chatbot travestito emerge quasi sempre nei casi limite, quelli dove la situazione non rientra nello scenario previsto dalla demo.
Cosa significa per chi fa innovazione in azienda, oggi
Il punto non è diventare diffidenti verso l’AI agentica: il potenziale economico stimato da Gartner per questa tecnologia, fino al 30% del fatturato del software enterprise entro il 2035, resta enorme e per molte imprese, soprattutto le più piccole, rappresenta una reale occasione di colmare il distacco con i concorrenti più grandi. Il punto è distinguere, con metodo, tra ciò che funziona davvero e ciò che funziona solo nella slide del fornitore.
Questo richiede una competenza che oggi manca a molte organizzazioni: la capacità di valutare in modo critico le proposte tecnologiche, separare la promessa dalla prestazione, e costruire processi di adozione che partano da un problema concreto e non da una parola di tendenza. È esattamente il lavoro che svolge Walter Tripi, AI Manager e formatore specializzato in intelligenza artificiale per le imprese, che da anni accompagna aziende e team nella valutazione critica di strumenti e fornitori, prima ancora che nella loro implementazione.
La domanda da farsi prima di firmare qualsiasi contratto, in fondo, è sempre la stessa: questo sistema decide o si limita a suggerire? Se la risposta non è immediata e dimostrabile, probabilmente non si sta comprando un agente. Si sta comprando una parola.
Per un approfondimento tecnico sui criteri di classificazione, vale la pena consultare il Hype Cycle per l’AI agentica pubblicato da Gartner, che resta oggi uno dei riferimenti più solidi per orientarsi tra promesse e capacità reali del mercato.
Come valutare correttamente la quotazione dell’oro usato nel mercato attuale
Spazzolamento denti: lo stai facendo nel modo giusto?
Prime settimane dopo l’intervento al tendine d’Achille: cosa succede durante il recupero?
Come scegliere un’azienda di stufe: cosa valutare prima di affidare installazione e assistenza
Diffusione dell’aria per dislocamento: tutto ciò che c’è da sapere
Risonanza magnetica ad alto campo: cosa significa e quando è davvero utile
Quanti chilometri sono inclusi nel noleggio di una Ferrari?
Come scegliere il costume parigamba ideale per l’estate maschile