Perché il 40% dei progetti di agenti IA fallirà entro il 2027

Gartner prevede che più del 40% dei progetti di IA agentiva verranno cancellati entro il 2027. La causa non è il modello che allucinato, è la governance del progetto stesso. I tuoi agenti IA non muoiono per bug tecnici, muoiono per cattiva gestione di progetto.

Ecco cosa cambia tutto: avevamo coperto i failure mode tecnici, timeout, loop infiniti, tool call malformati. Questo rapporto affronta un problema diverso. Perché le organizzazioni abbandonano progetti che funzionano tecnicamente.

Cosa dice davvero il rapporto gartner

La cifra del 40% sorprende dopo due anni di euforia. Ma Gartner non parla di progetti che si bloccano in produzione. Parla di progetti che non raggiungono mai il ROI atteso, o il cui perimetro iniziale era mal calibrato.

Tre cause ricorrono nell'analisi:

• Un perimetro definito dai team tech senza chiara validazione dal business
• Un'assenza di metriche di successo definite prima del lancio
• Un budget che copre solo il POC, non la manutenzione a 18 mesi

Nessuna di queste tre cause si risolve con un modello migliore. Passare da Claude Sonnet 4 a Sonnet 5 non ripara un progetto che non aveva una definizione chiara del successo. L'abbiamo visto con diversi clienti: l'agente funziona, i test passano, la demo impressiona il board. E sei mesi dopo, nessuno sa dire se il ROI è positivo. Il progetto muore in silenzio.

Il vero costo nascosto: la manutenzione post-poc

La maggior parte dei budget copre lo sviluppo iniziale e tre mesi di esercizio. Dopo quello, niente. Però un agente in produzione deriva. Il comportamento del modello cambia, i prompt si desincronizzano dai casi d'uso reali. Nessuno ha un budget per questo follow-up. È lo stesso errore del classico "run" IT, solo che qui la deriva è invisibile.

Model drift: il segnale che nessuno guarda

Jenn Tejada, Executive Chair di PagerDuty, ha allertato su questo il 2 luglio 2026: i sistemi agentivi introducono modalità di guasto specifiche. Tra cui il model drift.

Il model drift è il deterioramento progressivo della rilevanza delle risposte di un agente nel tempo, senza che nessun errore sia segnalato. L'agente continua a rispondere. Risponde solo sempre meno bene rispetto al contesto business reale, che evolve più veloce del prompt iniziale.

Concretamente: un agente di supporto configurato a gennaio per una gamma di prodotti data diventa progressivamente meno rilevante se il catalogo cambia a marzo. E nessuno ha aggiornato il contesto. Nessun log di errore lo segnala. Il tasso di soddisfazione cala lentamente. Nessuno collega il calo all'agente prima di diverse settimane.

Progetto che sopravvive vs progetto che fallisce

Ecco gli indicatori che distinguono un progetto che raggiunge il suo ROI da uno che scompare in silenzio.

Progetto che sopravvive: metrica definita e quantificata prima del lancio. Sponsor business e tech. Budget manutenzione allocato fin dal business case. Dashboard drift con alert. Perimetro preciso. Revisione GO/NO-GO a 90 giorni.

Progetto che fallisce: metrica vaga ("migliorare l'efficienza"). Sponsoring solo tech. Nessun budget post-POC. Zero monitoraggio. Perimetro flou. Revisione inesistente.

Questo contrasto non ha nulla di misterioso. Ma la maggior parte dei progetti all'avvio seguono la colonna di destra. Solo lo sponsor tech porta la responsabilità. Il business valida e scompare. Nessuno torna prima dell'audit budget dell'anno seguente.

Come strutturare un progetto di agente IA che regge nel tempo

Cinque riflessi, in ordine.

Prima azione: quantifica il successo prima di scrivere una riga di prompt. Non "migliorare la reattività", piuttosto "ridurre il tempo di prima risposta da 4h a 30 minuti". Se non hai questo numero, non saprai mai se il progetto ha avuto successo.

Seconda azione: nomina uno sponsor business, non solo uno sponsor tech. Se l'unico portatore in comitato direttivo è il CTO, il progetto è già fragile. Serve qualcuno dal lato business con un KPI personale.

Terza azione: budget per la manutenzione fin dal business case iniziale. Un agente in produzione ha costi di manutenzione, monitoraggio, aggiustamento di prompt, aggiornamento del contesto business. Se questo budget non esiste a monte, non esisterà mai dopo.

Quarta azione: implementa un monitoraggio del drift, non solo un monitoraggio di uptime. L'agente che risponde in 200ms ma che risponde male non attiverà nessun alert classico. Serve un follow-up della qualità delle risposte.

Quinta azione: pianifica una revisione GO/NO-GO a 90 giorni. Con criteri scritti prima del lancio. Se l'agente non ha raggiunto il suo obiettivo a quella data, devi saper dire stop.

Questo approccio ha un limite: suppone una maturità organizzativa che non tutti i team hanno. Se la tua azienda lancia il suo primo progetto senza aver mai definito un KPI di prodotto, questi cinque punti richiederanno uno sforzo che va oltre il progetto. Meglio partire piccoli e costruire la disciplina.

Cosa ricordare

Il rapporto Gartner non dice che gli agenti IA non funzionano. Dice che il modo in cui le aziende li gestiscono è spesso rotto fin dall'inizio. Tre punti da tenere a mente.

La causa di fallimento dominante è organizzativa, non tecnica. Modello migliore non significa ROI migliore.

Il model drift è un rischio silenzioso che non attiverà nessun alert classico di monitoraggio.

Un progetto senza metrica quantificata definita prima del lancio è statisticamente nella colonna sbagliata.

Se stai inquadrando un progetto di agente IA e non hai una metrica di successo quantificata, questo è il momento di fermarti cinque minuti. In fstck.co, accompagniamo questo inquadramento prima dello sviluppo.