Il divario tra dati e conoscenza è il vero tappo dei progetti agentic. Il MIT Technology Review Insights ha intervistato 300 dirigenti tra dati, AI e tecnicia: in media solo il 34% dei progetti arriva in produzione. I punti di rottura indicati sono sistemi legacy, sicurezza e privacy, e mancanza di conoscenza e contesto. Anche le aziende tecniciche non si staccano dalla media: vendere innovazione non rende automatico metterla in esercizio sui propri processi.

Il report individua tre forme di conoscenza che gli agenti devono acquisire: conoscenza semantica, memoria episodica e conoscenza procedurale. La prima riguarda il significato dei dati nel contesto aziendale; la seconda, i casi accumulati; la terza, i passaggi per eseguire attività. Senza queste tre dimensioni, un agente AI non decide: completa. E i sistemi che completano senza capire producono errori difficili da tracciare.

Il dato più interessante non è il 34%, ma la correlazione con i leader di produzione. Un gruppo ristretto di organizzazioni porta in media il 61% dei progetti oltre la fase pilota. Queste realtà non dispongono necessariamente di più potenza di calcolo: mostrano capacità di conoscenza più solide, in particolare sul piano semantico. Hanno risolto prima il problema di far capire agli agenti che cosa significano i dati nell'organizzazione, non di aumentare i parametri del modello. È uno spostamento del collo di bottiglia: dalla capacità di calcolo alla qualità dell'integrazione.

La frammentazione dei dati è indicata dal 55% del campione come la sfida principale. I sistemi aziendali non condividono sufficientemente le informazioni; ogni reparto produce silos che gli agenti non possono interrogare in modo coerente. I leader di produzione, invece, citano sicurezza e privacy come preoccupazione maggiore nel 72% dei casi. Non è una contraddizione: chi ha già consolidato l'accesso ai dati inizia a considerare i vincoli di conformità come il prossimo livello di complessità. Per chi valuta deployment on-premise, questo ribalta la gerarchia delle priorità: non si parte dalla GPU, ma dall'architettura che consente agli agenti di leggere i dati dove risiedono, con controlli di accesso e audit.

Le decisioni di investimento previste confermano il cambio di baricentro. I dirigenti puntano su tecnicie di retrieval: pipeline di ingestion, API AI-ready e retrieval-augmented generation. A queste affiancano AI evaluation agents e knowledge graph. Non è un pacchetto di funzionalità modello-centrico: è uno stack di integrazione. Il knowledge graph, in particolare, serve a dare struttura alle relazioni tra entità, processi e regole aziendali, riducendo la probabilità che un agente generi una risposta formalmente plausibile ma contestualmente sbagliata.

Gli esperti intervistati nel report indicano un knowledge layer come via privilegiata per rafforzare il legame tra dati e agenti. Questa architettura intermedia ha implicazioni per il deployment: più il layer è vicino ai dati, minore è la superficie esposta a fornitori esterni. In contesti regolamentati, mantenere retrieval e knowledge graph su infrastruttura propria non è un dettaglio operativo, ma una condizione per chiudere il divario tra pilota e produzione.

Il report lascia intendere che il prossimo vantaggio competitivo non si misurerà in teraFLOP, ma nella capacità di trasformare archivi aziendali frammentati in conoscenza interrogabile. Chi tratta gli agenti come un problema di API rischia di restare al 34%.