Scegliere un fornitore AI: come riconoscere l'agent washing

Scegliere un fornitore AI è diventato soprattutto un esercizio di lettura critica. Da quando la parola "agente" vende, quasi ogni software la mette in copertina: gestionali, chatbot di assistenza, vecchi flussi di automazione a regole. Sotto l'etichetta, però, spesso c'è lo stesso prodotto di tre anni fa con un modello linguistico montato davanti. Il fenomeno ha un nome, e chi firma il contratto farebbe bene a conoscerlo.

Agent washing: quando "agente" è solo un'etichetta

Gartner chiama agent washing la pratica di rietichettare come agentici prodotti che non lo sono: assistenti conversazionali, RPA, chatbot senza reali capacità autonome. Nel comunicato di giugno 2025 che ha diffuso il termine, gli analisti stimavano che solo circa 130 fornitori, sulle migliaia che si dichiaravano agentici, lo fossero davvero. La stessa analisi — costruita su un sondaggio tra 3.412 partecipanti ai webinar Gartner — prevede che oltre il 40% dei progetti agentici venga cancellato entro la fine del 2027, per costi in crescita, valore non dimostrato o controlli di rischio inadeguati.

Non è un allarme del passato. A maggio 2026 Gartner è tornata sul tema per il mercato della pianificazione della supply chain, con un avvertimento che vale per qualunque settore: rietichettare l'automazione convenzionale come agentica nasconde le differenze reali di capacità e aumenta il rischio di investimenti sbagliati e di dipendenza tecnologica di lungo periodo. Il consiglio dell'analista Jan Snoeckx è asciutto: la priorità oggi non è l'autonomia completa, ma costruire disciplina operativa.

Automazione o agente: la differenza tecnica, e perché non è un difetto

La distinzione più utile la dà la documentazione tecnica di Anthropic, che separa workflow e agenti: nel primo caso il modello e gli strumenti seguono percorsi di codice predefiniti, nel secondo il modello dirige dinamicamente il proprio processo e decide da sé quali strumenti usare. Tradotto per chi compra: in un flusso a regole i passaggi li ha scritti qualcuno; in un agente il sistema sceglie la sequenza mentre lavora.

Attenzione, però: un flusso a regole non è un prodotto di serie B. La stessa documentazione consiglia di usare la soluzione più semplice che funziona, perché i sistemi agentici scambiano latenza e costo in cambio di prestazioni sui compiti difficili. Moltissimi problemi aziendali — smistare le email, generare un preventivo, aggiornare un gestionale — si risolvono meglio con un flusso prevedibile che con un sistema libero di improvvisare.

Il problema, quindi, non è che il fornitore venda un'automazione. È che la venda al prezzo, e con le promesse, di un agente. Una domanda basta a chiarirlo: cosa decide il vostro sistema che non ho scritto io? Se la risposta è "nulla, segue i passaggi configurati", ottimo — ma allora è un'automazione, e si valuta e si paga come tale. Se non ve lo sanno dire, la differenza tra chatbot, assistente e agente non è chiara nemmeno a chi ve lo sta proponendo.

La demo non dimostra niente: chiedete la ripetizione

Ogni dimostrazione commerciale mostra l'esecuzione che è andata bene. Il punto non è se il sistema può fare una cosa, ma quante volte su venti la fa allo stesso modo. È esattamente la lacuna misurata da un lavoro di ricerca di Princeton pubblicato nel 2026, Towards a Science of AI Agent Reliability: gli autori hanno analizzato 15 modelli su due benchmark agentici con dati dall'inizio 2024 a metà 2026, e la conclusione è che l'affidabilità complessiva è migliorata pochissimo, nonostante i salti evidenti di capacità.

Il dettaglio che conta per un imprenditore è questo: gli agenti che sanno risolvere un compito spesso non lo risolvono in modo costante. Comprimere tutto in un'unica percentuale di successo nasconde proprio i difetti operativi che poi si pagano in produzione. I ricercatori propongono di scomporre l'affidabilità in quattro dimensioni — consistenza, robustezza, prevedibilità e sicurezza — e dodici metriche, tra cui la coerenza del risultato tra esecuzioni identiche e la resistenza a riformulazioni superficiali della richiesta.

Non serve replicare un protocollo accademico. Serve un patto minimo in fase di prova: lo stesso caso reale, eseguito venti volte, e il conteggio di quante volte il risultato è utilizzabile. Un fornitore serio accetta; chi ha venduto un'etichetta rinvia. Sul metodo per costruire quel set di prova abbiamo scritto come si valuta un'AI sul proprio caso d'uso.

Scegliere un fornitore AI: sei domande che smascherano l'etichetta

Scegliere un fornitore AI in modo informato non richiede competenze tecniche per porre queste domande: richiede competenza per rispondere. È proprio questo che le rende un filtro efficace.

1. Quali azioni può compiere il sistema, con quale utenza e quali permessi? Fatevi elencare i verbi esatti — legge, scrive, invia, cancella — e su quali sistemi. È il tema dei permessi da dare a un agente, e una risposta vaga qui è già una risposta.
2. Cosa resta scritto dopo ogni esecuzione? Quali campi finiscono nel registro, per quanto tempo si conservano, chi può leggerli. Senza tracciabilità non si ricostruisce un errore e non si dimostra nulla a un cliente o a un auditor.
3. Quale modello usate, quale versione, e chi mi avvisa quando cambia? I fornitori di modelli ritirano le versioni con preavvisi di settimane e il comportamento si sposta anche a nome invariato. Se il vostro fornitore non sa rispondere, lo scoprirete quando l'automazione smetterà di funzionare.
4. Come misurate la qualità sul mio caso, non sui benchmark pubblici? La risposta giusta contiene un set di casi reali vostri e una soglia numerica concordata prima di partire.
5. Chi risponde quando sbaglia, e cosa succede all'azione già compiuta? Un'email inviata a un cliente non si richiama. Le azioni irreversibili vanno elencate nel contratto, non scoperte dopo.
6. Cosa mi porto via se chiudo il contratto? Istruzioni, configurazioni, set di prova, registri: in quale formato, in quanto tempo. Chiedete l'esportazione durante il pilota, non alla fine: la distanza tra la risposta commerciale e il file che arriva davvero è la misura esatta del vincolo.

Se volete una base più formale, la Cloud Security Alliance ha pubblicato a giugno 2026 la versione 1.1 della AI Controls Matrix: 247 obiettivi di controllo su 18 domini, con un questionario dedicato alla valutazione dei fornitori terzi e mappature verso ISO 42001, NIST AI RMF e AI Act europeo. Per una PMI è sovradimensionata da applicare per intero, ma è un ottimo giacimento da cui pescare le domande giuste.

Da dove parte una PMI

Scegliere un fornitore AI parte molto prima del confronto tra le offerte. Primo: descrivete il processo prima di guardare i prodotti. Un capitolato di mezza pagina — cosa entra, cosa esce, quante volte al giorno, cosa succede se sbaglia — cambia completamente la qualità delle offerte che ricevete. Inoltre rende confrontabili fornitori che altrimenti parlano lingue diverse.

Secondo: comprate un pilota a scadenza, non una licenza annuale. Quattro-otto settimane, un caso d'uso solo, una soglia di successo scritta prima. Terzo: pretendete che l'esito del pilota sia una decisione binaria, presa sui numeri e non sull'entusiasmo della demo.

Infine, una nota di metodo. Il rischio dell'agent washing non è comprare tecnologia scadente: è comprare la tecnologia sbagliata per il problema giusto, e accorgersene dodici mesi dopo con i dati dentro il sistema di qualcun altro. Studiollice progetta agenti e automazioni su misura — e quando il problema si risolve con un flusso a regole lo dice: costa meno, si rompe meno e si spiega in una riunione.