L’AI agentica non mette sotto pressione solo applicazioni, modelli e processi. Sposta il baricentro della trasformazione sull’infrastruttura IT. Server, reti, cloud, observability, service desk e piattaforme operative non sono più semplici livelli di supporto. Diventano il tessuto su cui gli agenti digitali eseguono attività, prendono decisioni e coordinano workflow aziendali.
È il punto centrale dell’analisi pubblicata da McKinsey il 23 aprile 2026. Il report indica un passaggio netto. Per scalare gli agenti AI non basta sperimentare nuovi casi d’uso. Serve ripensare l’infrastruttura come una piattaforma modulare, governata e leggibile dalle macchine. In caso contrario, l’automazione resta confinata a iniziative locali. Produce efficienze parziali, ma non cambia la velocità dell’impresa.
Il tema è industriale prima ancora che tecnologico. McKinsey stima che i costi dell’infrastruttura IT possano crescere da due a tre volte entro il 2030, mentre i budget resteranno sostanzialmente piatti. Nello stesso tempo, il 62% delle organizzazioni sta sperimentando o avviando piloti sugli agenti AI. La scala, però, resta limitata. In ogni funzione aziendale, non oltre il 10% degli intervistati dichiara di avere agenti già scalati.
Indice degli argomenti
Dalla sperimentazione alla macchina operativa
Il nodo è la distanza tra prova tecnica e capacità operativa. Molte imprese hanno già dimostrato che gli agenti possono risolvere ticket, analizzare log, suggerire interventi e automatizzare richieste standard. Il salto successivo richiede però un ambiente stabile, interoperabile e governato.
Secondo McKinsey, l’AI agentica impone una nuova architettura. Gli agenti devono poter accedere a dati affidabili, azioni ripetibili e sistemi di controllo chiari. Devono sapere quali attività possono eseguire, entro quali limiti e con quale responsabilità. Ogni azione deve essere tracciabile, verificabile e soggetta a policy.
Qui l’infrastruttura cambia natura. Non è più un insieme di risorse tecniche da amministrare. Diventa un sistema di orchestrazione. Coordina agenti, strumenti, piattaforme cloud, sistemi transazionali e ambienti legacy. La qualità di questa base determinerà quanta automazione potrà essere realmente assorbita dall’organizzazione.
Il nuovo ruolo dei Cto
Per i Cto la sfida è doppia. Da un lato devono aggiornare l’infrastruttura per reggere workload AI più pesanti, distribuiti e dinamici. Dall’altro devono usare l’AI agentica per contenere i costi generati dalla stessa trasformazione.
La pressione cresce su tre fronti. Il primo riguarda la velocità. Gli ambienti costruiti per workflow a ticket non reggono la frequenza degli interventi richiesta da agenti, sviluppatori e piattaforme automatizzate. Il secondo riguarda i costi non labour. Compute, storage, licenze e servizi cloud aumentano con l’espansione dei carichi AI. Il terzo riguarda la resilienza. Più sistemi interagiscono in modo autonomo, più diventa difficile osservare, controllare e prevenire i guasti.
Il punto non è sostituire tutte le piattaforme esistenti. Molte imprese usano già strumenti di gestione cloud, controller di rete, piattaforme Itsm, sistemi di observability e soluzioni come ServiceNow. La domanda strategica è come integrarli in una dorsale coerente. Senza questa integrazione, ogni agente rischia di diventare un’automazione isolata.
Dati governati e Api sicure
L’infrastruttura pronta per gli agenti poggia su alcune capacità essenziali. La prima è rendere le azioni ripetibili ed eseguibili tramite Api sicure. Gli agenti non possono basarsi su passaggi manuali o procedure informali. Devono richiamare funzioni codificate, con controlli incorporati.
La seconda è la qualità del dato operativo. Asset, dipendenze, ownership, log, metriche e configurazioni devono avere fonti di verità riconoscibili. McKinsey precisa che non serve attendere database perfetti. Anche ambienti frammentati possono avviare casi d’uso ad alto valore. Ma la direzione deve essere chiara: ridurre ambiguità e rendere i dati riutilizzabili.
La terza riguarda la governance degli agenti. Ogni agente deve avere identità digitale, perimetro, proprietario e diritti definiti. Le azioni ad alto impatto richiedono approvazione umana. Le attività ordinarie possono essere automatizzate, ma solo dentro regole esplicite.
Infine serve gestione del ciclo di vita. Con la crescita degli agenti, le imprese dovranno sapere quali sono attivi, cosa fanno, quanto costano e quali risultati producono. Senza un inventario formale, il rischio è replicare la frammentazione già vista in molte stagioni cloud.
Service desk, il primo banco di prova
Il service desk emerge come area più immediata per il valore. McKinsey lo indica come il dominio più rapido da trasformare, perché rappresenta il 20-30% della spesa labour infrastrutturale. I volumi sono elevati, i flussi sono standardizzabili e molte richieste seguono percorsi prevedibili.
Gli agenti possono gestire reset password, sblocco account, assegnazione licenze, provisioning accessi e modifiche a gruppi. Possono anche migliorare la raccolta iniziale delle informazioni, riducendo ticket incompleti e passaggi inutili. Le richieste complesse restano agli operatori umani, ma arrivano con più contesto.
Secondo McKinsey, in questo ambito i risparmi possono oscillare tra il 25% e il 45%. Un caso citato riguarda una multinazionale con circa 450mila ticket l’anno. L’inserimento di agenti nel modello di supporto ha puntato ad aumentare la produttività e ridurre i tempi di risoluzione. Il risultato ha portato fino all’80% di richieste automatizzate e alla riallocazione del 50% della capacità degli operatori verso attività a maggior valore.
Il dato interessante non è solo economico. Il service desk mostra come cambia l’esperienza interna. L’automazione continua riduce le attese, rende il supporto sempre disponibile e libera competenze tecniche da attività ripetitive.
Observability e incidenti, verso operazioni autonome
Il secondo blocco riguarda observability, Itsm e operations. Qui si concentra una parte rilevante della spesa labour infrastrutturale, stimata da McKinsey tra il 45% e il 75% se considerata insieme a network e hosting operations.
Oggi molti team passano tempo a rispondere ad alert, cercare cause, testare fix e coordinare interventi. L’AI agentica può trasformare questo modello. Gli agenti correlano log, metriche, configurazioni, cambiamenti recenti e incidenti precedenti. Poi generano ipotesi, propongono azioni e, nei casi a basso rischio, eseguono remediation predefinite.
Il modello più avanzato è multiagente. Un agente di incident management coordina il flusso. Agenti di dominio analizzano rete, applicazioni, infrastruttura, change history e ticketing. Un orchestratore sintetizza le evidenze e definisce il piano di intervento. Le azioni critiche restano soggette a soglie di approvazione.
La prospettiva è quella di un’operatività più vicina al concetto di ZeroOps. Gli esseri umani non scompaiono. Si spostano su supervisione, eccezioni, progettazione delle difese e miglioramento sistemico. È un cambio di ruolo, non una semplice riduzione di attività.
Reti e hosting sotto controllo continuo
Le network operations rappresentano un altro terreno strategico. McKinsey stima che pesino per il 10-20% della spesa labour infrastrutturale. Le reti aziendali sono state progettate per traffici relativamente stabili e troubleshooting umano. L’arrivo degli agenti spinge verso una gestione in tempo reale, basata su intenti.
Gli agenti possono leggere pattern di traffico, configurazioni, log e change history. Possono individuare congestioni, anomalie e rischi emergenti. Possono anche eseguire modifiche di routine, come aggiornamenti firewall o Vlan, quando le policy lo consentono. Nei primi deployment, i risparmi stimati sono tra il 20% e il 40%.
Nel campo hosting il cambio è simile. Ambienti on-premise, DevOps, cloud compute e storage restano spesso legati a capacity management, patching e provisioning manuale. L’infrastruttura come codice ha già aperto la strada. Gli agenti aggiungono capacità di analisi continua, controllo del drift, verifica della compliance e ottimizzazione delle risorse.
McKinsey cita il caso di un utility provider che ha identificato circa il 15% di risparmi potenziali tramite infrastructure as code. Un ulteriore 20% è stato associato all’introduzione di agenti AI. Il messaggio è chiaro. L’AI agentica produce più valore quando si innesta su processi già razionalizzati.
Costi e contratti diventano dinamici
La trasformazione non riguarda solo l’operatività tecnica. Una quota significativa della spesa infrastrutturale, spesso tra il 40% e il 60% della spesa tecnologica complessiva, dipende da servizi esterni. Cloud, software e contratti vendor diventano più complessi con l’aumento dei workload AI.
Il modello tradizionale, basato su revisioni periodiche, perde efficacia. I costi dell’AI sono granulari, variabili e talvolta non lineari. Serve un controllo continuo. Gli agenti possono analizzare utilizzo, licenze, contratti, benchmark e consumi. Possono suggerire rightsizing, recuperare licenze inutilizzate e segnalare configurazioni antieconomiche.
McKinsey stima in quest’area risparmi tra il 5% e il 15%. Il valore non sta solo nel taglio dei costi. Sta nella capacità di rendere la governance finanziaria più vicina al tempo reale. Per le imprese che scalano l’AI, questo passaggio può evitare sorprese di budget e lock-in poco visibili.
Il fattore umano resta decisivo
L’adozione dell’AI agentica impone anche una revisione del modello operativo. Gli ingegneri passano da attività ripetitive a compiti di supervisione, validazione e progettazione. I team Sre assumono un ruolo più centrale. La loro competenza su incidenti, failure mode e sicurezza operativa diventa essenziale per definire guardrail efficaci.
Il lavoro cambia anche nei rapporti con fornitori e partner. Se i contratti continuano a remunerare effort manuale e modelli labour-intensive, parte dei benefici resta intrappolata nella catena di delivery. L’automazione deve quindi riflettersi in modelli commerciali, metriche e responsabilità.
La governance è il punto più delicato. Gli agenti devono essere abbastanza autonomi da generare valore, ma non tanto opachi da diventare rischi incontrollati. La tracciabilità delle decisioni, la possibilità di override e la definizione delle soglie di escalation saranno elementi centrali.
I primi 90 giorni
McKinsey indica nei primi 90 giorni una finestra critica. Le aziende devono scegliere un processo ad alto volume, con pain point misurabili e attività ripetibili. Service desk e incident management sono candidati naturali. Il workflow va scomposto in attività elementari, distinguendo cosa può essere automatizzato e cosa richiede giudizio umano.
In parallelo, i Cto devono rafforzare i dati operativi. Asset, configurazioni e dipendenze vanno resi più coerenti. Standard di naming, schemi condivisi e ownership esplicita riducono l’ambiguità. Senza questo lavoro, gli agenti restano strumenti brillanti ma fragili.
Serve poi un registro formale degli agenti. Deve documentare scopo, perimetro, performance, costi e responsabilità. Gli agenti ridondanti o obsoleti vanno rimossi. Quelli efficaci vanno estesi con controllo, non replicati in modo spontaneo.
Partecipa alla community