Quanto funzionano davvero gli agenti AI: dipende dal compito

Se in queste settimane hai provato a capire se gli agenti AI funzionano — i sistemi che non si limitano a rispondere, ma eseguono una sequenza di azioni dentro altri programmi — hai incontrato due muri. Da una parte chi dice che sostituiranno i team operativi. Dall’altra chi cita il quaranta per cento di progetti destinati a essere cancellati. Entrambe le frasi arrivano con l’aria del dato.

Nel frattempo, più in silenzio, qualcuno ha misurato. Tre volte, fra il 2025 e il 2026, sulla stessa generazione di tecnologia. I risultati sono 97,7 per cento, circa 60 per cento e 30,3 per cento.

La distanza fra questi numeri è l’informazione più utile che abbiamo, perché i tre test misurano compiti di forma diversa: il risultato di un agente dipende dal compito più che dal modello. Qui trovi che cosa misura ciascun test, perché il quaranta per cento è una previsione, quali limiti dichiarano gli stessi autori e un criterio in tre parole per decidere quali compiti affidare a un agente.

I risultati degli agenti AI su tre benchmark del 2025-2026

Un benchmark, o banco di prova, è una serie di compiti standard su cui si misurano i sistemi di intelligenza artificiale per confrontarli.

Il primo banco si chiama WorkBench Revisited ed è di luglio 2026, firmato da due ricercatori indipendenti e non ancora passato da una revisione fra pari: 690 compiti su cinque archivi — calendario, posta, analytics, CRM (il software che raccoglie i dati dei clienti), board di progetto — e ventisei strumenti. Il modello migliore completa il 97,7 per cento dei compiti, con l’1,9 per cento di effetti collaterali dannosi. Due anni prima, sullo stesso banco, il modello di punta dell’epoca si fermava al 43 per cento, con effetti collaterali al 26.

Il secondo è Workspace-Bench 1.0, maggio 2026, firmato da ricercatori di Shanghai Jiao Tong, ByteDance, MIT e Tsinghua: 388 compiti distribuiti su 20.476 file, dove ogni compito ha un grafo di dipendenze da ricostruire, cioè la rete di file e dati da cui dipende la risposta. Il miglior agente arriva intorno al 60 per cento. E c’è un dato che vale la pena tenere da parte: un essere umano, sullo stesso banco, si ferma all’80,7 per cento.

Il terzo è TheAgentCompany, di Carnegie Mellon e Duke: 175 compiti dentro un’azienda software simulata, con colleghi da interpellare, chat, repository (gli archivi del codice), documenti. Il modello migliore porta a termine per intero il 30,3 per cento dei compiti.

Perché i risultati degli agenti AI dipendono dal compito

Tre numeri lontanissimi, e nessuno dei tre è sbagliato. Cambia che cosa stanno misurando.

Il primo misura compiti costruiti su modelli ricorrenti, dentro cinque archivi, con un esito che si verifica confrontando lo stato finale. Il secondo misura la capacità di tenere insieme file di tipo diverso e di ricostruire da dove viene un dato: in media cinque dipendenze su quasi cinque file per compito. Il terzo misura una giornata di lavoro: più passaggi, altre persone, strumenti diversi, e un risultato che dipende da tutta la catena.

La stessa discesa si vede anche dentro un singolo banco. Su Workspace-Bench il tasso scende passando dai compiti facili a quelli difficili, e ciò che separa il facile dal difficile è il numero di passaggi e il tipo di collaborazione richiesta.

Gli autori di quel lavoro concludono che gli agenti restano lontani da un uso affidabile, e che l’interazione con una persona supera ancora l’esecuzione completamente autonoma. Quelli di TheAgentCompany lo scrivono così: «i compiti più difficili e a lungo orizzonte restano fuori dalla portata dei sistemi attuali».

Perché su un numero scriviamo «circa» e non un decimale

Una precisazione che dobbiamo a chi legge, e che è anche la cosa più interessante che abbiamo trovato preparando questo pezzo.

Il lavoro su Workspace-Bench è stato rivisto quattro volte in nove giorni. Nella versione attuale riporta valori diversi in sezioni diverse: il risultato migliore è «circa il 60 per cento» nell’abstract e «quasi il 70» nelle conclusioni; la media degli agenti compare come 43,3 in un punto e come 45,1 in un altro; e la ripartizione fra compiti facili e difficili ha due serie che non coincidono.

Non è un difetto morale di nessuno. È come si presenta spesso un lavoro appena uscito, prima che si assesti, e dirlo è più utile che nasconderlo. Ma è anche la dimostrazione più diretta di quello che questo pezzo sta cercando di dire: un numero descrive una misurazione, e le misurazioni si correggono. Per questo qui usiamo l’ordine di grandezza e non il decimale.

Vale anche per noi. La prima versione di questo articolo citava cifre prese da una revisione precedente dello stesso lavoro, superata nove giorni dopo. Ce ne siamo accorti prima della pubblicazione e l’abbiamo corretta. Se ci fosse sfuggita, l’avremmo corretta dopo, e l’avremmo scritto qui.

Perché il 40% di Gartner sugli agenti AI è una previsione

Vale la pena fermarsi sulla cifra più citata. «Oltre il 40% dei progetti di agentic AI sarà cancellato entro la fine del 2027» viene da un comunicato della società di analisi Gartner del 25 giugno 2025. Il titolo stesso dice che cosa è: Gartner Predicts. Una previsione, non un conteggio.

Può rivelarsi giusta, e viene da chi osserva molte aziende. Ma non appartiene alla stessa famiglia dei tre numeri di prima: quelli sono misure ripetibili su banchi pubblici, questa è una stima sul futuro. Metterle sullo stesso piano è il modo più rapido per confondersi, ed è il motivo per cui conviene leggere un numero prima di ripeterlo.

Nota a margine, dalla stessa fonte: è Gartner ad aver diffuso l’espressione agent washing per i prodotti presentati come agenti che agenti non sono.

I limiti del benchmark in cui gli agenti AI vanno meglio

C’è una cosa che chi cita il 97,7 per cento non riporta, e l’hanno scritta gli autori stessi nella discussione del loro lavoro.

Che la sandbox, cioè l’ambiente simulato in cui si svolge il test, «è più semplice di un posto di lavoro reale», e che quindi il dato di completamento «è una stima ottimistica dell’affidabilità in produzione». Che non esiste un set di prova riservato, perché «ogni compito e la sua chiave di risposta sono a disposizione di un crawler», i programmi che raccolgono automaticamente i contenuti del web. Che «qualunque modello addestrato dopo il rilascio del 2024 potrebbe aver visto il benchmark». E infine: «non abbiamo un modo pulito per distinguere i progressi reali di capacità dalla memorizzazione».

Dichiarare questi limiti è il modo in cui si scrive un lavoro serio. Ma dice che perfino il numero più alto va letto con la mano appoggiata al freno.

Come capire se un compito si può affidare a un agente AI

Dai tre banchi esce una regola che vale per qualunque compito tu stia pensando di affidare a un agente, e riguarda il compito più che il modello.

Delimitato. Quanti passaggi e quante fonti deve tenere insieme? Più la rete di dipendenze si allarga, meno il numero sul sito del fornitore sta descrivendo il tuo caso.

Verificabile. A lavoro finito, puoi controllare l’esito in meno tempo di quanto ne avresti impiegato a farlo? Se no, non stai risparmiando: stai spostando il lavoro più avanti.

Reversibile. Se sbaglia, te ne accorgi e puoi tornare indietro? Anche su WorkBench il modello migliore produce effetti collaterali dannosi in circa due compiti su cento, e un’email partita all’indirizzo sbagliato non si richiama.

Tre sì: vale la pena provarci. Un no: tieni una persona nella catena — che è esattamente quello che i dati continuano a suggerire.

La domanda

Dei compiti che hai pensato di affidare a un agente nell’ultimo mese, quanti erano davvero delimitati, verificabili e reversibili? E quanti ti sembravano tali soltanto perché li fai da così tanto tempo da non vederne più i passaggi?

Fonti: WorkBench Revisited (arXiv, luglio 2026); Workspace-Bench 1.0 (arXiv, maggio 2026, versione 4); TheAgentCompany, Carnegie Mellon e Duke (NeurIPS 2025); comunicato Gartner del 25 giugno 2025. Le citazioni dall’inglese sono traduzioni nostre.