"Il 95% dei progetti pilota di IA fallisce" viene da 52 interviste — e le tre domande che evitano il prossimo

Il numero più citato al mondo sugli agenti di IA — "il 95% dei progetti pilota di IA fallisce" — viene da 52 interviste, e il rapporto che lo ha pubblicato non ha misurato nessun agente. Ho letto le 26 pagine. Gli agenti vi compaiono come la soluzione raccomandata, non come oggetto misurato; il 95% riguarda strumenti aziendali personalizzati, e nello stesso documento il chatbot generico converte l'83% dei piloti in implementazione. Fortune, che ha diffuso il numero, ha pubblicato la metodologia sbagliata.

Sono andato a cercare le fonti primarie di tutte le statistiche sugli agenti che circolano: la previsione della Gartner, il "95%" del MIT, l'esperimento randomizzato della METR, l'AI Index di Stanford, le classifiche di benchmark (test standardizzato che dà un punteggio al modello). La regola uscita dalla verifica è semplice: ogni statistica sugli agenti è una di tre cose — previsione, dichiarazione o misurazione — e la copertura mediatica le somma tutte e tre nella stessa frase. Il problema quasi mai è il numero. È l'etichetta che nessuno gli attacca.

Nota metodologica. Ogni numero di questo articolo è stato verificato contro il documento originale — PDF, post, paper, foglio di calcolo o API pubblica — tra il 13 e il 26 agosto 2026. Tre misurazioni sono mie e riproducibili: la serie di download dell'SDK del MCP (API pubblica di npm), la replica della regressione della METR sul CSV che la METR stessa pubblica, e le coppie di costo per compito lette direttamente nell'HTML della classifica di Princeton. Dove una fonte esiste solo in ripubblicazione (la Gartner nega l'accesso diretto), il testo lo dice. Ciò che non è stato verificato è segnalato. Questo articolo non contiene discorso di Reddit né di X: le due fonti sono chiuse per questa macchina, e non fingerò di aver letto ciò che non ho letto — la comunità qui è Hacker News, dove ogni commento ha un id verificabile.

Il tabellone della verifica

Il verdetto prima dell'argomento, perché è quello che circola da solo:

Uno conferma pulito, due sono stati ritirati o si contraddicono, il resto esiste ma con l'etichetta sbagliata. Nota lo schema: i numeri raramente sono falsi. Ciò che manca è dire di che natura è ciascuno — e questo cambia cosa dimostra.

La regola: tre domande in dieci secondi

Prima di credere a qualsiasi statistica sugli agenti, tre domande separano ciò che essa può dimostrare da ciò che suggerisce soltanto. La figura riassume l'intera regola; il resto dell'articolo è la dimostrazione, caso per caso.

Nota che la regola non dice "misurazione è buona, il resto è cattivo". Dice che ogni natura fallisce a modo suo: la previsione non ha campione, quindi non c'è nulla da verificare; la dichiarazione diverge dalla misurazione sullo stesso soggetto; e la misurazione misura un proxy (un sostituto misurabile della cosa che si vuole misurare) che l'agente stesso impara a raggirare. Non è un'idea mia — è la lista dei punti ciechi che il gruppo che misura più agenti al mondo pubblica sui propri metodi, e ci arrivo alla fine. Prima, i casi.

Previsione: la Gartner pubblica i due tipi nella stessa pagina

Il comunicato della Gartner del 25 giugno 2025 è la prova più pulita della tesi, perché contiene, nella stessa pagina, un numero di ciascuna natura. Il primo:

"Over 40% of agentic AI projects will be canceled by the end of 2027, due to escalating costs, unclear business value or inadequate risk controls."

In italiano: "Oltre il 40% dei progetti di IA agentica sarà cancellato entro la fine del 2027, per costi crescenti, valore di business poco chiaro o controlli di rischio inadeguati."

È una strategic planning assumption ("premessa di pianificazione strategica") — la Gartner etichetta così le proprie previsioni. Non c'è campione, non c'è metodo, non c'è errore campionario. È opinione qualificata con un orizzonte. Tre paragrafi più sotto, nello stesso comunicato, arriva il secondo numero: il 19% dei rispondenti ha investito pesantemente in agenti, il 42% in modo prudente, l'8% nulla, il 31% sta aspettando. Questo ha un N: 3.412 persone — che sono partecipanti a un webinar della stessa Gartner, nel gennaio 2025. È un sondaggio d'audience, non un campione di mercato.

La stampa ha citato entrambi con lo stesso verbo ("la Gartner dice che..."). Una previsione e un sondaggio da webinar sono diventate, nella copertura, due statistiche uguali. E lo stesso comunicato conia l'espressione che definisce la categoria — agent washing ("lavaggio di agente"), il ribattezzo di RPA (automazione dei processi tramite software) e chatbot come "agente" — con un numero sopra: "Gartner estimates only about 130 of the thousands of agentic AI vendors are real" ("la Gartner stima che solo circa 130 dei migliaia di fornitori di IA agentica siano reali"). Estimates — stima. Senza conteggio pubblicato, senza criterio pubblicato di "reale". Il numero gira il mondo come se fosse un censimento.

La sequenza di previsioni della Gartner sugli agenti, tutte etichettate da lei stessa come premesse di pianificazione e tutte senza metodologia dichiarata:

Il risultato negativo vale più della tabella: la Gartner non ha mai dichiarato di rivedere nessuna previsione sugli agenti. Non esiste un "stiamo rivedendo la stima precedente" in nessun comunicato che io abbia localizzato. Ciò che esiste è una sequenza di metriche diverse, senza riferimento incrociato — il "40% delle applicazioni entro il 2026" non è un aggiornamento del "33% entro il 2028"; sono ritagli distinti. Dall'esterno, è impossibile sapere se qualche previsione ha sbagliato, perché nessuna è messa accanto alla successiva. Previsione senza campione e senza revisione è l'unica natura di statistica che non può essere verificata. Non è un difetto della Gartner; è la natura della cosa. Il difetto è citarla come se fosse misurazione.

Riserva di provenienza: gartner.com nega l'accesso diretto da questa macchina. Le citazioni sopra vengono da ripubblicazioni che incollano il comunicato per intero, incrociate a due a due, e da un PDF primario del rapporto di ottobre 2024 (ID G00818765). La fase dell'IA agentica nell'Hype Cycle (il "ciclo dell'hype" della Gartner, che posiziona ogni tecnologia tra il picco delle aspettative e la maturità) del 2026 resta fuori da questo articolo: non c'è comunicato ufficiale, solo blog di fornitori — e un testo che esige metodologia visibile non cita una fase di Hype Cycle raccolta da un blog di vendor.

Dichiarazione: il "95%" che non ha misurato agenti

"The GenAI Divide: State of AI in Business 2025" è un documento di 26 pagine del Project NANDA, del MIT Media Lab, autoetichettato a pagina 2 come "Preliminary Findings" ("risultati preliminari"). La frase diventata titolo è nel sommario esecutivo:

"Despite $30–40 billion in enterprise investment into GenAI, this report uncovers a surprising result in that 95% of organizations are getting zero return."

In italiano: "Nonostante 30-40 miliardi di dollari investiti dalle aziende in IA generativa, questo rapporto rivela un risultato sorprendente: il 95% delle organizzazioni ha un ritorno pari a zero."

Quattro cose che il titolo ha cancellato, tutte dallo stesso PDF:

1. Il 95% riguarda una di due classi di strumenti, e non è la classe dei chatbot. Il rapporto separa gli LLM generici (ChatGPT, Copilot) dalla GenAI integrata o specifica per compito. I generici: l'80% ha esplorato, il 50% ha pilotato, il 40% ha implementato. I personalizzati: il 60%, il 20%, il 5%. Il "95% fallisce" è il complemento di quel 5%. E a pagina 7, testuale: "Generic LLM chatbots appear to show high pilot-to-implementation rates (~83%)" ("i chatbot LLM generici sembrano avere alti tassi di conversione da pilota a implementazione, ~83%"). Lo stesso rapporto che ha generato "il 95% fallisce" dice che il chatbot generico converte l'83%.
2. Il "successo" è percezione. Pagina 7: il successo è ciò che "users or executives have remarked as causing a marked and sustained productivity and/or P&L impact" ("ciò che utenti o dirigenti hanno affermato aver causato un impatto marcato e sostenuto su produttività e/o conto economico"). Remarked — hanno affermato. Nessuno ha aperto un conto economico (il bilancio dei risultati dell'azienda) — qualcuno ha detto, in intervista, di aver percepito un impatto.
3. Il campione: 52 organizzazioni intervistate e 153 "senior leaders" raccolti in quattro conferenze — campione di convenienza, per costruzione. Nessuna peer review menzionata in nessuna delle 26 pagine; nessun finanziamento dichiarato. La stessa appendice ammette: "These figures are directionally accurate based on individual interviews rather than official company reporting" ("questi numeri sono direzionalmente corretti, basati su interviste individuali e non su rendiconti ufficiali delle aziende"). Directionally accurate — indicano direzione, non magnitudine. La stampa ha pubblicato la magnitudine.
4. Gli agenti non sono stati misurati. Sono stati raccomandati. Pagina 14: "Agentic AI [...] directly addresses the learning gap that defines the GenAI Divide" ("l'IA agentica affronta direttamente la lacuna di apprendimento che definisce il GenAI Divide"). Senza N, senza tasso — narrativa. E l'appendice dei ringraziamenti dice chi firma: "NANDA [...] builds on Anthropic's Model Context Protocol (MCP) and the Google/Linux Foundation A2A to create infrastructure for distributed agent intelligence at scale" ("il NANDA si appoggia sul MCP di Anthropic e sull'A2A di Google/Linux Foundation per creare infrastruttura di intelligenza di agenti distribuita su larga scala"). Il progetto che diagnostica la malattia costruisce la cura. Questo non invalida il rapporto; è una rivelazione che nessun articolo ha fatto.

Fortune, che ha dato il primo titolo il 18 agosto 2025, ha descritto la base come "150 interviews with leaders, a survey of 350 employees" ("150 interviste con dirigenti, un sondaggio con 350 dipendenti"). Il PDF dice 52 e 153. Rob Wiblin, di 80,000 Hours, ha fatto il conto che nessuno aveva fatto: "that 5% number is probably based on something like two or three actual companies out of 52" ("quel numero del 5% probabilmente si basa su qualcosa come due o tre aziende reali, su 52"). E ha registrato che, quando l'articolo è diventato virale, "the report describing the methods and results wasn't publicly available anywhere" ("il rapporto che descrive metodi e risultati non era disponibile pubblicamente da nessuna parte") — il link portava a un modulo Google che chiedeva dati personali. Ancora oggi il canale ufficiale del NANDA non pubblica il PDF; la copia integrale è su Wayback Machine, catturata due giorni dopo il titolo.

La statistica più citata sugli agenti di IA è una dichiarazione di percezione, su un'altra cosa, con 52 interviste dietro. Non sto dicendo che il rapporto sia sbagliato — sto dicendo cos'è. Lo dice lui stesso.

L'AI Index si contraddice dentro lo stesso capitolo

Se il NANDA è la fonte più virale, l'AI Index di Stanford è la più rispettata — è stata la spina dorsale del mio tabellone delle statistiche sull'IA, e lì ha retto alla verifica. Il capitolo 4 del rapporto 2026 si apre con i "Chapter Highlights", e il punto 5 dice che l'IA generativa è usata in almeno una funzione aziendale nel 70% delle organizzazioni. Venti pagine più avanti, la sezione 4.3 e la Figura 4.3.1 dicono 79% — e l'etichetta del grafico è testuale: 79%, GenAI. Nove punti di differenza tra il sommario che la stampa legge e il grafico che la stampa non apre.

Qualcuno dirà che sono domande diverse: il sommario parla di "used", il corpo di "regularly use". Non torna — l'uso regolare è un sottoinsieme dell'uso qualsiasi, quindi il numero del sommario dovrebbe essere maggiore, mai minore. Non è stata trovata alcuna errata corrige. Non affermo la causa; affermo la contraddizione, che chiunque può verificare con due comandi di pdftotext.

E c'è una seconda etichetta scambiata, più importante. Tutte le figure di adozione del capitolo — da 4.3.1 a 4.3.8 — portano la stessa riga di credito: "Source: McKinsey & Company Survey, 2025 | Chart: 2026 AI Index report". L'AI Index non ha misurato l'adozione dell'IA. Ha disegnato il grafico. Chi scrive "secondo l'AI Index di Stanford" sta citando un sondaggio della McKinsey con l'etichetta di un'università — e in nessun punto del capitolo compare la dimensione del campione, il periodo di raccolta o il profilo dei rispondenti. Ho cercato n =, respondents were, survey of, methodolog, appendix. Niente. Ciò che il capitolo dichiara, e che riporto qui perché è la riserva della fonte stessa: "the results are self-reported and should be viewed as directional rather than comprehensive" ("i risultati sono autodichiarati e vanno letti come direzionali, non come esaustivi").

È la stessa frase del NANDA. Le due fonti più citate al mondo sull'adozione dell'IA avvertono, in nota, che i loro numeri indicano direzione e non magnitudine. La stampa pubblica la magnitudine.

Ciò che questo sondaggio dice sugli agenti, letto nel grafico e non nel sommario:

Nota il primo blocco: in nessuna funzione aziendale la maggioranza dichiara di usare agenti — in manifattura, il 91% dice "nessun uso"; persino in IT, 69%. Il testo del rapporto: "Scaled use was in the single digits for nearly all functions" ("l'uso su scala è rimasto a una cifra in quasi tutte le funzioni"). L'unico settore in cui l'uso scalato di agenti supera il 20% è il settore tecnologico, in ingegneria del software (24%), IT (22%) e operazioni di servizio (21%). L'agente è usato su scala, soprattutto, dall'industria che fabbrica agenti.

Ora il secondo blocco, che sembra contraddire il primo: LangChain pubblica che il 57% dei rispondenti ha agenti in produzione. I due numeri sono entrambi corretti. LangChain ha chiesto a 1.340 professionisti di ingegneria di agenti, tra novembre e dicembre 2025 — e LangChain vende strumenti per agenti. Chi risponde a un'indagine sull'ingegneria di agenti lavora già con agenti; il sondaggio è autoselezionato per costruzione. Il campione più grande della raccolta, la Developer Survey 2025 di Stack Overflow (N = 33.662), dà il contrappeso: il 14,1% usa agenti quotidianamente, il 52% non usa agenti o resta su strumenti più semplici, il 38% non ha piani di adozione — e l'87% si dice preoccupato per la loro accuratezza. Tra gli strumenti di IA in generale, più sviluppatori diffidano (46%) di quanti si fidano (33%); solo il 3,1% si fida "molto".

"Quante aziende usano agenti" non ha risposta senza la domanda "chiesto a chi". Tra 57% e una cifra sola, la differenza non è realtà — è popolazione. È la stessa trappola apparsa quando sono andato a contare quante persone usano l'IA: i numeri giganteschi contavano account, non persone. Ed è la riga che sparisce in ogni titolo.

Dichiarazione contro cronometro: lo studio che ha misurato la percezione

Il caso più pulito della distanza tra dichiarazione e misurazione non riguarda aziende: riguarda sedici persone, nella stessa settimana, che rispondono alla stessa domanda con la bocca e con l'orologio.

Nel 2025 la METR ha fatto ciò che nessuno aveva fatto: un esperimento randomizzato. Sedici sviluppatori open source esperti, 246 compiti reali sui propri repository (maturi — media di 22 mila stelle e un milione di righe), ogni compito sorteggiato per permettere o vietare l'IA, pagati a US$ 150 l'ora, con Cursor Pro e Claude 3.5/3.7 Sonnet, la frontiera dell'epoca. Prima di cominciare, gli sviluppatori hanno previsto che l'IA li avrebbe resi 24% più veloci. Misurato al cronometro, sono risultati 19% più lenti. E dopo aver finito, pensavano ancora di essere stati 20% più veloci.

Nota che le due barre di percezione stanno dallo stesso lato — e quella di misurazione sta dall'altro. Ci sono circa 39 punti percentuali tra ciò che i partecipanti hanno riferito alla fine e ciò che l'orologio ha misurato. Non è gente che mente in un sondaggio: sono professionisti esperti, con incentivo finanziario, che sbagliano il segno dell'effetto sul proprio lavoro. L'intervallo di confidenza dell'effetto misurato va da +2% a +39% — n = 16 è piccolo, e il testo lo dice nella stessa frase in cui dà il numero, altrimenti commette esattamente il peccato che denuncia. Il valore dello studio non sta nella magnitudine del 19%. Sta nel disegno: cronometro e resoconto, sulle stesse persone, che divergono. E nella riserva che gli stessi autori mettono in cima: lo studio è dell'inizio del 2025, con strumenti di inizio 2025, su assistente di codice — non su agente autonomo.

L'esperimento diventato ineseguibile

Qui la storia diventa migliore del titolo. Nel febbraio 2026 la METR ha pubblicato perché non è riuscita a ripetere il risultato. Il secondo esperimento è iniziato nell'agosto 2025: 57 sviluppatori (10 dello studio originale e 47 nuovi), 143 repository, oltre 800 compiti, ora a US$ 50 l'ora. E si è rotto — non per caso, per selezione:

"we have observed a significant increase in developers choosing not to participate in the study because they do not wish to work without AI, which likely biases downwards our estimate of AI-assisted speedup."

In italiano: "abbiamo osservato un aumento significativo di sviluppatori che scelgono di non partecipare allo studio perché non vogliono lavorare senza IA, il che probabilmente spinge verso il basso la nostra stima dell'accelerazione assistita dall'IA."

Tra il 30% e il 50% degli sviluppatori ha detto di scegliere di non sottoporre compiti perché non voleva farli senza IA. Uno di loro non ha consegnato nessun compito del braccio senza IA. Le dichiarazioni dei partecipanti sono il ritratto migliore di cosa è cambiato in un anno: "I'm torn. I'd like to help provide updated data on this question but also I really like using AI!" ("Sono combattuto. Vorrei aiutare a fornire dati aggiornati su questa domanda, ma mi piace anche molto usare l'IA!"); "my head's going to explode if I try to do too much the old fashioned way because it's like trying to get across the city walking when all of a sudden I was more used to taking an Uber" ("mi scoppia la testa se provo a fare troppo alla vecchia maniera — è come attraversare la città a piedi quando, all'improvviso, ero abituato a prendere un Uber").

Il braccio di controllo è diventato impossibile da reclutare, perché lo sviluppatore non accetta più di lavorare senza IA. La misurazione del 2025 aveva una scadenza, e la scadenza è arrivata — per un motivo che è, esso stesso, un dato sull'adozione.

I nuovi numeri esistono, e la prosa della METR li presenta in un modo che confonde: "we now estimate a speedup of -18%" ("ora stimiamo un'accelerazione del -18%"). Segno negativo in un'accelerazione? Sono andato al codice. Il regression.py che la METR pubblica definisce lo stimando come variazione proporzionale del tempo di completamento — negativo è meno tempo, cioè più veloce. Ho replicato la regressione da zero sul CSV pubblicato (827 compiti, 53 sviluppatori): per quelli tornati dallo studio originale, −18,1% di tempo, intervallo da −38,4% a +8,8%; per i nuovi, −3,6%, intervallo da −14,7% a +9,0%. Combacia cifra decimale per cifra decimale con ciò che la METR ha pubblicato. La lettura onesta: i punti centrali del 2026 puntano verso l'accelerazione, ma i tre intervalli attraversano lo zero, e la stessa METR chiama il risultato "unreliable signal" ("segnale inaffidabile") e probabile pavimento. Nessuno può scrivere "gli sviluppatori sono diventati il 18% più veloci" come fatto. L'intervallo va da −38% a +9%.

L'AI Index riassume tutto questo episodio in una frase: "developers in late 2025 were likely sped up by AI" ("gli sviluppatori a fine 2025 sono stati probabilmente accelerati dall'IA"). La METR dice questo — con etichetta: "our data is only very weak evidence for the size of this increase" ("i nostri dati sono un'evidenza molto debole per la dimensione di questo aumento"). Non è malafede dell'AI Index. È il costo del riassumere, pagato in ogni anello della catena, persino in un rapporto che si vanta del proprio rigore.

Il gruppo che misura è diventato un sondaggio — e ha spiegato perché

Nel maggio 2026 la METR ha pubblicato un sondaggio di autovalutazione: 349 lavoratori tecnici, raccolta da febbraio ad aprile. Il gruppo che ha scoperto l'abisso tra percezione e cronometro ha condotto un'indagine di percezione — perché l'esperimento controllato è diventato ineseguibile, e perché un sondaggio è "cheap, broad, and straightforward to run" ("economico, ampio e semplice da eseguire"). Lo ha pubblicato con tutte le riserve in vista: "Importantly, survey results are not necessarily grounded in reality" ("importante: i risultati dei sondaggi non sono necessariamente ancorati alla realtà").

Due risultati di questo sondaggio valgono più di qualsiasi suo numero. Il primo: la METR separa valore da velocità, perché la stessa persona risponde in modo diverso alle due domande — mediana di 3x in velocità, 1,4x a 2x in valore. La domanda sceglie la risposta, all'interno dello stesso rispondente, nello stesso modulo. Il secondo è la frase più forte che ho letto in tutta la raccolta:

"METR staff give the lowest change in value answers of any subgroup we study. We expect that this might be due to METR staff having in mind past findings of gaps between perceived and actual AI-driven productivity."

In italiano: "Lo staff della METR dà le risposte più basse di guadagno in valore tra tutti i sottogruppi che studiamo. Ci aspettiamo che ciò sia dovuto al fatto che lo staff della METR ha in mente i risultati precedenti sul divario tra produttività percepita ed effettiva legata all'IA."

Chi conosce il bias riferisce un guadagno minore. La stessa METR lo segnala come aspettativa, non come prova — ed è così che entra qui. Ma è l'illustrazione perfetta del perché la regola conta: la regola cambia il numero.

Misurazione: dove l'errore compare con numero di PR

Se la previsione non ha campione e la dichiarazione sbaglia il segno, la misurazione è l'unica natura in cui l'errore diventa visibile — e proprio per questo è l'unica in cui si può vedere l'errore accadere.

La metrica di coerenza è sparita dalla vetrina

Il τ-bench, di Sierra, è nato nel 2024 con due metriche. Il pass^1 è il tasso di successo in un tentativo. Il pass^k è lo stesso agente, sullo stesso compito, k volte di seguito — l'unica metrica che assomiglia a "si può mettere in produzione", perché la produzione è lo stesso compito mille volte. Nel paper originale, il pass^k crolla: il miglior sistema nel retail faceva 69,2% in un tentativo e 46,2% in quattro; il GPT-4o scendeva sotto il 25% in otto. È aritmetica elementare: se ogni passo azzecca il 90% e il compito ha dieci passi, l'intera catena azzecca il 35% delle volte. L'affidabilità si compone moltiplicando.

La classifica attuale, il τ²-bench, pubblica solo il pass^1: 87,9% per il Qwen3.5-397B, 85,4% per il Gemini 3.0 Pro, 85,3% per il Claude Opus 4.5. La metrica che misurava la coerenza è sparita dalla vetrina nello stesso movimento in cui il numero a tentativo singolo si è avvicinato al 90%. Non so perché, e non lo inventerò. Ciò che si può affermare con sicurezza è meno drammatico e più utile: il crollo del pass^k è documentato solo per modelli del 2024, e non esiste alcun dato pubblico di coerenza per nessun modello del 2026. Chi cita "87,9% di successo" sta citando la metrica di un solo tentativo. La produzione non è un solo tentativo.

L'azienda simulata, e la classifica ritirata il 1° agosto

TheAgentCompany, della CMU (NeurIPS 2025), non è una singola prova di codice: simula un'azienda intera e misura l'agente per reparto — ingegneria del software, gestione progetti, risorse umane, data science, amministrazione, finanza. Il numero che è circolato: 30,3% di compiti completati integralmente dal miglior sistema del paper. Il dato interessante sta nella tabella per area, che ho estratto dal LaTeX dell'e-print:

Contando sui tredici modelli dell'appendice (calcolo mio, non frase del paper): nel reparto finanziario, undici dei tredici modelli completano zero compiti; in data science, dieci; nell'amministrazione, otto. Le due aree in testa sono gestione progetti ed ingegneria del software — il lavoro di chi costruisce software. La lettura pigra "gli agenti sostituiscono il lavoro d'ufficio" è esattamente l'opposto di ciò che il benchmark misura: ciò che funziona oggi è il lavoro di chi costruisce agenti, e ciò che non funziona è l'ufficio generico che il titolo promette di automatizzare.

E c'è l'episodio che rende questo il miglior blocco dell'articolo. Il 26 giugno 2026 una sottomissione con un modello del 2026 (GPT-5.4) è entrata in classifica rivendicando 46,3% — record. Il 1° agosto gli stessi autori l'hanno ritirata:

"we recently identified an accidental answer leakage in some graph nodes during our code review, which artificially inflated the score. We are removing these files for now to keep the evaluation dataset clean and fair."

In italiano: "abbiamo recentemente identificato una fuga accidentale di risposte in alcuni nodi del grafo durante la nostra revisione del codice, il che ha gonfiato artificialmente il punteggio. Stiamo rimuovendo questi file per ora, per mantenere il set di valutazione pulito e corretto."

Ha numero di PR (pull request, la richiesta di revisione del codice che registra ogni modifica), ha data di merge, ha la frase. Fino alla chiusura di questo testo, non c'è stato un nuovo invio — la classifica ufficiale ha 175 compiti, 17 sottomissioni e nessuna del 2026. Questo non è "il benchmark non vale". È il contrario: il benchmark è l'unica natura di statistica sugli agenti in cui l'errore compare, ha un numero di PR e può essere disfatto. Nessun sondaggio ritira un numero così. Nessuna previsione viene rivista così.

Costo per compito: la colonna che nessuna classifica porta

L'HAL — Holistic Agent Leaderboard, di Princeton, accettato all'ICLR 2026 — ha eseguito 21.730 esecuzioni di agente, su 9 modelli e 9 benchmark, spendendo circa US$ 40 mila, e ha pubblicato ciò che ha scoperto ispezionando i log:

"such as searching for the benchmark on HuggingFace instead of solving a task, or misusing credit cards in flight booking tasks."

In italiano: "come cercare il benchmark su HuggingFace invece di risolvere il compito, o usare in modo improprio le carte di credito nei compiti di prenotazione voli."

Otto casi in cui l'agente ha trovato la soluzione — su HuggingFace o su arXiv — invece di risolvere il compito; agenti che hard-codano (scrivono la risposta fissa nel codice) una soluzione "plausibile" per superare il test unitario; un agente che ha usato la carta di credito sbagliata per prenotare un volo. È il modo di fallimento caratteristico della misurazione: il proxy misurato è qualcosa che l'agente impara a raggirare. Non è un difetto di un benchmark; è nella natura del misurare un sistema che ottimizza contro la misura.

E l'HAL mette in classifica la colonna che nessun'altra porta — il costo per compito. Ho letto le coppie direttamente nell'HTML della classifica:

Nota il segmento centrale: 2,3 punti percentuali di accuratezza in più costano nove volte il prezzo (42,33% a US$ 171 per compito contro 40,00% a US$ 1.577, nell'Online Mind2Web). E nel TheAgentCompany il leader attuale offre 12,6 punti in più del sistema del paper a un decimo del costo — US$ 0,40 contro US$ 4,23 per compito. Frase del paper dell'HAL sullo schema generale: "In only 1 of 9 benchmarks do we observe the most costly model run on the Pareto frontier" ("in solo 1 dei 9 benchmark l'esecuzione più costosa si trova sulla frontiera di Pareto" — la frontiera dei sistemi in cui nessuno guadagna accuratezza senza pagare di più). Nessuna classifica di stampa porta questa colonna, ed è quella che decide se l'agente arriva in produzione.

Parentesi: il censimento, che è onesto nel conteggio e misura un'altra cosa

Esiste un tipo di numero che non è previsione, né dichiarazione, né misurazione di prestazione: conteggio di documenti reali — download, annunci di lavoro, stelle. È onesto per costruzione; nessuno ha risposto a niente, nessuno ha previsto niente. Ma misura un'altra cosa, e la disciplina dell'articolo esige di dire quale.

Ho misurato nell'API pubblica di npm la serie mensile del pacchetto che è l'impianto idraulico degli agenti — l'SDK del Model Context Protocol, lo standard che connette agente a strumento e che oggi è adottato da tutti i grandi laboratori:

Da 176 mila a gennaio 2025 a 191,9 milioni a luglio 2026: 1.087 volte. Nello stesso periodo, 1,21 miliardi di download accumulati. L'SDK di agenti di Anthropic, che non esisteva nel 2025, ha fatto 33,7 milioni a luglio; LangGraph, 12,4 milioni; l'SDK di agenti di OpenAI, 5,9 milioni. La riserva va nella stessa frase, come sempre qui: il download di npm (il repository di pacchetti di JavaScript) conta l'installazione — pipeline di test automatico, container, mirror — non la persona né l'agente in esecuzione. Non è "quanti agenti esistono" — è la stessa disciplina dell'articolo sulle statistiche di Claude Code, dove 429 milioni di download non sono diventati 429 milioni di persone. È che l'impianto è già stato installato su scala industriale, mentre l'evidenza che funzioni resta contestata.

Lo stesso movimento appare dal lato di chi assume. La Lightcast, ripubblicata dall'AI Index, conta gli annunci di lavoro negli USA che citano la competenza:

L'annuncio di lavoro misura l'intenzione del datore di lavoro, non l'agente in esecuzione — esattamente come il download misura l'installazione. I due censimenti sono onesti e contano la stessa cosa da due lati: l'impianto installato (×1.087) e l'assunzione per farlo funzionare (×108 in "agentic AI"). Nessuno dei due è evidenza che funzioni. I due insieme sono evidenza che la domanda "funziona?" è diventata urgente ora, non dopo.

Brasile: il 17% delle aziende usa IA — e il 68% di questo è automazione di flusso

L'unico dato brasiliano con metodologia visibile è il TIC Empresas 2025 del Cetic.br, lanciato a giugno 2026: interviste telefoniche a 4.174 aziende con dieci o più dipendenti, raccolta da febbraio 2025 a gennaio 2026. È dichiarazione — sondaggio — e il Cetic.br pubblica l'N, il metodo e il periodo, che è tutto ciò che questo articolo chiede.

Il 17% delle aziende brasiliane ha usato qualche tipo di IA nel 2025 — erano il 13% nel 2023 e il 13% nel 2024 — il che il Cetic.br stima in 93.475 aziende. Nelle grandi, 50%; nelle piccole, 15%. Il confronto internazionale dello stesso slide: Brasile 17%, Unione Europea 20%, Danimarca 42%.

Il dato brasiliano più interessante dell'articolo sta nel secondo blocco. Tra le aziende che usano IA, il tipo più comune è automazione dei flussi di lavoro: 68%. La generazione del linguaggio naturale — ciò che la maggioranza chiama "IA" nel 2026 — compare nel 30%. Cioè: la fetta maggiore di ciò che si chiama uso di IA in Brasile è automazione di processo, non agente autonomo. È la stessa cosa che la Gartner ha battezzato agent washing dal lato di chi vende — RPA ribattezzato agente — misurata dal lato di chi compra. Il Brasile ha il dato che permette di verificare l'accusa, e il dato dice che il sospetto è fondato: quando un'azienda brasiliana dice "usiamo IA", in due casi su tre sta parlando di flusso automatizzato.

Sugli agenti specificamente, il Brasile non ha un numero con metodologia visibile. Non ne inventerò uno.

Cosa ne farei io

La regola di questo articolo non è un'invenzione mia. La METR, nel sondaggio del maggio 2026, pubblica la propria classificazione dei tipi di evidenza sulla capacità dell'IA, ciascuno con il punto cieco dichiarato — ed è la lista di lavoro di chi misura sul serio:

"Each with different blind spots" ("ciascuno con punti ciechi diversi"), dice la METR. Nota ciò che non è nella lista: previsione di analista. Ciò che la Gartner pubblica non è un tipo di evidenza con un punto cieco — è un'altra cosa, ed è la stampa a sommarla alle altre nella stessa frase.

Di fronte alla prossima statistica sugli agenti, tre domande a costo quasi zero, nell'ordine della figura all'inizio:

1. Chi ha prodotto il numero ha misurato qualcosa? Se è previsione, ha un orizzonte e non ha campione: vale come opinione qualificata, e basta. Chiedi se la previsione precedente dello stesso autore è stata rivista — se nessuno lo sa, nessuno può verificare.
2. Chiesto a chi, e cosa esattamente? Se è un sondaggio, l'N, la popolazione e l'enunciato della domanda valgono più della percentuale. "57%" tra ingegneri di agenti e "una cifra sola" in organizzazioni in generale sono la stessa realtà vista da due punti. E ricorda che la stessa persona risponde 3x per la velocità e 2x per il valore nello stesso modulo.
3. Misurato come — e l'agente può aver raggirato la misura? Se è un benchmark, cerca il pass^k, il costo per compito e l'ispezione dei log. Se la classifica ha solo un tentativo e nessuna colonna di costo, misura la foto migliore, non il lavoro.

E la domanda che attraversa tutte e tre: il numero circola con l'etichetta giusta? Il "95%" è percezione; il "40% cancellati" è previsione; l'"87,9%" è un tentativo; il "×1.087" è installazione. Nessuno è falso. Tutti cambiano peso quando l'etichetta va insieme.

Se vuoi verificare la misurazione più facile di questo articolo, bastano dieci secondi:

curl -s "https://api.npmjs.org/downloads/range/2026-07-01:2026-07-31/@modelcontextprotocol/sdk" \
  | python3 -c "import json,sys; print(sum(d['downloads'] for d in json.load(sys.stdin)['downloads']))"

Se ti risulta diverso da 191.923.439, scrivimi — aggiorno l'articolo e do credito alla correzione. La replica della regressione della METR usa il CSV e il regression.py che la METR stessa pubblica su GitHub; chiunque può rifarla.

Fonti

• MIT NANDA — "The GenAI Divide: State of AI in Business 2025" — PDF di 26 pagine, copia archiviata il 20/08/2025 (l'URL di origine oggi serve una copia con livello di testo peggiore; numeri identici)
• Fortune, 18/08/2025 — il titolo, con la metodologia descritta in modo sbagliato
• 80,000 Hours — "The story behind the bad AI stat that moved markets and misled millions" — Rob Wiblin, 28/04/2026
• Gartner, 25/06/2025 — "over 40% of agentic AI projects will be canceled" — previsione + sondaggio da webinar + agent washing (accesso diretto negato; ripubblicazioni incrociate)
• Gartner, 05/03/2025 — 80% dell'assistenza clienti entro il 2029 — sì, il "20290" è nell'URL ufficiale
• Gartner, 21/10/2024 — Top Strategic Technology Trends for 2025 — rapporto G00818765, PDF letto
• Stanford HAI — AI Index 2026, capitolo 4 (Economia) — 70% × 79%; figure 4.3.7 e 4.3.8; Lightcast; nota sulla METR
• LangChain — State of Agent Engineering 2026 — n = 1.340, 12/06/2026
• Stack Overflow — Developer Survey 2025, sezione AI — n = 33.662
• METR — studio del 2025 e paper arXiv:2507.09089
• METR — "We are Changing our Developer Productivity Experiment Design", 24/02/2026 — e il repository con il CSV e il regression.py
• METR — sondaggio sull'uso dell'IA, 11/05/2026 — n = 349; tassonomia dei punti ciechi
• τ-bench — paper e repository — pass^k; classifica del τ²-bench letta il 13/08/2026
• TheAgentCompany — paper NeurIPS 2025, classifica ufficiale e PR #16, il ritiro
• HAL — Holistic Agent Leaderboard, ICLR 2026 e classifica
• API pubblica di npm — serie misurata il 26/08/2026
• Cetic.br — TIC Empresas 2025, presentazione — slide H9 e H9A
• Pagina che ha ispirato l'articolo — gradually.ai, "KI-Agenten-Statistiken 2026" — ispirazione di struttura, nessuna frase o numero riutilizzato

Verifica. PDF, post e paper letti integralmente e conservati; comunicati della Gartner per ripubblicazione incrociata (accesso diretto negato); classifiche di TheAgentCompany e dell'HAL lette nel JSON e nell'HTML serviti il 13/08/2026; download di npm misurati dall'autore il 26/08/2026; regressione della METR replicata sul CSV pubblicato, con risultato identico a quello della METR. Non c'è Reddit né X in questo articolo, per indisponibilità delle fonti, non per scelta editoriale. Ciò che non ha potuto essere verificato è segnalato come tale nel testo.