Le imprese hanno distribuito consapevolmente agenti AI prima di istituire i controlli necessari per gestirli. È questa la conclusione centrale emersa da cinque sondaggi paralleli condotti da VentureBeat Research nel giugno 2026, che hanno coperto ogni livello dello stack agentico. Il modello richiama precedenti cicli di adozione tecnologica in ambito enterprise — dalla migrazione al cloud all’integrazione mobile — in cui lo slancio del deployment ha superato la governance, costringendo le organizzazioni a interventi correttivi reattivi. A distinguere l’ondata agentica è la sua ampiezza: poiché gli agenti possono compiere azioni autonome all’interno dei sistemi di produzione, il divario di governance comporta un rischio operativo immediato, non solo un’esposizione alla compliance di lungo periodo. Le organizzazioni stanno ora adeguando i framework di governance per allinearli ai propri standard — e stanno sostenendo lo sforzo con budget dedicati. In tutti e cinque i livelli di controllo misurati, dal 57% al 68% delle imprese prevede di cambiare fornitori o aggiungerne di nuovi entro 12 mesi, mentre circa un terzo intende apportare cambiamenti nel trimestre in corso.

VentureBeat Research ha individuato cinque controlli che le imprese devono implementare prima di poter riporre fiducia in modo responsabile in un agente AI: identità, valutazione, telemetria dei costi, livello di contesto e orchestrazione. L’identità determina quale agente è autorizzato a svolgere quali azioni e con quali credenziali. La valutazione verifica se l’output di un agente soddisfa gli standard di qualità. La telemetria dei costi monitora la spesa necessaria per eseguire ciascun agente. Il livello di contesto fornisce i dati aziendali e le definizioni su cui gli agenti fanno affidamento quando generano risposte. Il piano di controllo dell’orchestrazione coordina i workflow agentici multi-step. Ciascuno dei cinque report si concentra su uno di questi controlli. Nel loro insieme, formano una catena di dipendenze: un agente privo di identità con ambito definito non può essere valutato in sicurezza; un agente senza una valutazione affidabile non può essere considerato attendibile per agire autonomamente; e un agente senza un contesto accurato produrrà risposte sicure di sé indipendentemente da quanto funzionino bene gli altri controlli.

La maggior parte degli "agenti" distribuiti sono chatbot mascherati

Il 71% delle imprese ha dichiarato che un quarto o meno degli "agenti" distribuiti è in grado di completare autonomamente attività multi-step. Solo il 10% ha indicato che i veri agenti costituiscono la maggioranza di ciò che utilizza. I rispondenti sono in una posizione adeguata per valutarlo: l’81% raccomanda o decide direttamente gli acquisti di AI nelle proprie organizzazioni. Un chatbot a prompt singolo, con un essere umano che rivede ogni risposta, non richiede nessuno dei controlli esaminati negli altri quattro report. Un autentico agente multi-step, al contrario, li richiede tutti — eppure la maggior parte delle imprese non riesce a identificare chiaramente quale tipo abbia distribuito. Questa ambiguità definitoria è persistita in tutto il settore, poiché fornitori e team interni hanno applicato l’etichetta "agente" in modo incoerente, complicando le decisioni di procurement e la valutazione del rischio. (Risultati completi: report Agentic Orchestration.)

L’autonomia supera la fiducia nelle valutazioni

Due terzi delle imprese consentono già a un agente di portare codice o modifiche di sistema in produzione basandosi esclusivamente sui risultati di valutazioni automatizzate — senza revisione umana — oppure stanno lavorando attivamente per raggiungere questa capacità entro 12 mesi. Nonostante ciò, solo il 5% ha espresso piena fiducia nelle valutazioni che governerebbero tali decisioni. Nell’ultimo anno, metà delle imprese ha distribuito un agente che aveva superato le valutazioni interne ma che in seguito ha causato un malfunzionamento visibile ai clienti. Il divario tra fiducia nella valutazione e realtà della produzione riflette una sfida strutturale: la maggior parte dei benchmark interni testa il comportamento degli agenti in condizioni controllate che non tengono conto della variabilità degli input degli utenti reali e dell’evoluzione dei dati aziendali. La raccomandazione è chiara: prima di eliminare la revisione umana da qualsiasi workflow, le organizzazioni dovrebbero testare le valutazioni rispetto agli esiti reali in produzione, anziché affidarsi a benchmark interni. (Risultati completi: report Agent Reliability & Evals.)

La condivisione delle credenziali è correlata agli incidenti di sicurezza

Il 69% delle aziende consente ad almeno alcuni agenti di condividere credenziali, il che significa che più agenti operano sotto un’unica chiave API o un unico account di servizio. Tra le organizzazioni che consentono la condivisione delle credenziali in qualunque ambito, il 63,5% (47 su 74) ha registrato un incidente di sicurezza o un quasi incidente. La percentuale scende al 40,9% (9 su 22) nelle aziende in cui ogni agente opera con una propria identità con ambito definito. La correlazione è coerente con i principi consolidati della sicurezza zero-trust, in cui l’accesso con privilegi minimi e la delimitazione delle credenziali per singola entità sono da tempo pratiche di base sia per gli account umani sia per quelli di servizio. Il rimedio indicato è un’identità con ambito definito per ciascun agente, a partire da quelli che interagiscono con i sistemi di produzione. (Risultati completi: report Agentic Security & Identity.)

L’utilizzo delle GPU resta basso mentre il monitoraggio dei costi è in ritardo

Più di otto imprese su dieci tra quelle che gestiscono GPU proprie hanno segnalato tassi di utilizzo pari o inferiori al 50%. Nel frattempo, solo il 44% monitora in modo rigoroso quanto costa effettivamente il proprio calcolo AI e quali ritorni genera. La combinazione crea un’inefficienza composta: le organizzazioni non possono ottimizzare workload che non misurano e, senza visibilità sui costi per workload, le decisioni di procurement sono guidate dall’ansia per la capacità invece che dai dati di utilizzo. La priorità, secondo i risultati, non dovrebbe essere l’acquisizione di ulteriori GPU, ma piuttosto il miglioramento dell’utilizzo e la misurazione del costo per workload dell’hardware già installato. (Risultati completi: report AI Infrastructure & Compute.)

Dati non governati alimentano risposte sicure ma errate

Il 57% delle imprese ha ricondotto una risposta sicura ma errata di un agente, negli ultimi sei mesi, al proprio contesto aziendale mancante o incoerente — inclusi metriche sbagliate, definizioni obsolete o documenti assenti. La maggioranza ha osservato che ciò è accaduto più di una volta. Il dato evidenzia una distinzione che il settore riconosce sempre più: la qualità del retrieval è necessaria ma non sufficiente quando le definizioni aziendali sottostanti sono esse stesse incoerenti o superate. Governare le definizioni su cui gli agenti fanno affidamento, a partire da metriche ed entità, deve precedere qualsiasi sforzo per scalare gli agenti che dipendono da esse. (Risultati completi: report Context Layers / RAG.)

Nessun incumbent consolidato in alcun livello

Nessun singolo livello ha un fornitore incumbent consolidato. Oggi le opzioni predefinite sono gli strumenti integrati nei principali modelli di piattaforma AI che le imprese già utilizzano. L’intenzione di cambiare è più alta nell’orchestrazione, dove il 68% delle organizzazioni prevede di adottare, aggiungere o sostituire piattaforme entro 12 mesi e il 34% entro il trimestre in corso. Il panorama competitivo aperto è coerente con le fasi iniziali di precedenti categorie di infrastruttura enterprise, in cui gli strumenti inclusi nelle piattaforme dominano inizialmente prima che i fornitori specialistici si differenzino per profondità e controllo. I sondaggi non hanno rilevato in quale direzione fluirà la spesa — se verso strumenti nativi delle piattaforme o verso sfidanti specialistici — e questa questione irrisolta dovrebbe definire i prossimi quattro trimestri del mercato.

Informazioni su questa ricerca

VentureBeat Research ha condotto cinque sondaggi paralleli nel giugno 2026 nell’ambito del suo programma VB Pulse: Agentic Orchestration (101 rispondenti), Agent Reliability & Evals (157), Agentic Security & Identity (107), AI Infrastructure & Compute (107) e Context Layers / RAG (101) — per un totale di 573 rispondenti qualificati, tutti provenienti da organizzazioni con 100 o più dipendenti. I campioni sono autoselezionati e alcuni risultati dovrebbero essere interpretati in termini direzionali; ciascun report include una nota metodologica completa. Ciò che il modello complessivo sostiene con più forza di qualunque singola percentuale è la direzione stessa: ogni sondaggio, indipendentemente, indica lo stesso andamento. VentureBeat produce sia questa ricerca sia VB Transform, la conferenza in cui questi report sono stati presentati per la prima volta.