Il gap di intelligenza infrastrutturale: perché gli AI Agent sono l'unico strumento in grado di gestire la complessità aziendale moderna
HyperFrame Research ha pubblicato il 25 marzo 2026 qualcosa che gli ingegneri dell'infrastruttura hanno sempre saputo intuitivamente ma di cui non avevano mai avuto una conferma numerica: "gli operatori umani semplicemente non riescono a tenere il passo con i dati di telemetria generati."
È il divario di intelligenza infrastrutturale. Non è un problema di organico. Non è un problema di strumenti. È un problema di fisica. Il volume di telemetria infrastrutturale — eventi, metriche, log, trace, alert — generato dagli ambienti enterprise moderni ha superato ciò che gli operatori umani possono elaborare in modo significativo. Non di poco. Di ordini di grandezza.
La questione non è se quel divario aumenterà. Aumenterà. Ogni nuovo agente AI distribuito aggiunge più infrastruttura. Ogni servizio cloud abilitato genera più telemetria. Ogni sistema distribuito in esecuzione moltiplica i punti dati che gli operatori devono monitorare. Il divario è strutturale e si sta allargando.
Il 24 marzo, alla KubeCon Europe, SUSE ha annunciato il primo ecosistema aperto di agenti AI per la gestione infrastrutturale — Liz, un agente AI costruito sul Model Context Protocol, progettato per coordinare agenti infrastrutturali specializzati attraverso storage, sicurezza, osservabilità e gestione del parco macchine. Cisco aveva già annunciato AI Canvas e Deep Network Model, costruiti specificamente per le operazioni di rete a scala enterprise. Il Predicts 2026 di Gartner — tramite Itential — ha formalizzato la previsione: gli agenti AI evolvono da strumenti che assistono gli umani a piattaforme che sostituiscono lo sforzo manuale nei workflow infrastrutturali complessi.
Questi non sono annunci sull'aggiunta di funzionalità AI a strumenti esistenti. Sono evidenza di una categoria che sta nascendo: AgenticOps.
Questo articolo è il caso ingegneristico per questa categoria. Tratteremo perché la crisi di complessità infrastrutturale è una funzione forzante che rende gli agenti AI non opzionali ma necessari, cosa significa effettivamente AgenticOps nella pratica, perché l'ecosistema SUSE Liz e il Model Context Protocol rappresentano il primo standard aperto per gli agenti AI infrastrutturali, come AI Canvas di Cisco dimostra questo a scala enterprise, e come valutare la prontezza AgenticOps della tua organizzazione.
Perché la Crisi di Complessità Infrastrutturale È un Problema di Fisica
La crisi di complessità infrastrutturale non è avvenuta da un giorno all'altro. È il risultato cumulativo di tre decenni di accumulo infrastrutturale — ogni livello che aggiunge telemetria, ogni strumento che aggiunge dashboard, ogni servizio cloud che aggiunge requisiti di monitoraggio.
L'infrastruttura enterprise nel 2026 non è un sistema. È una costellazione di sistemi. Ambienti cloud che si estendono su più provider. Cluster Kubernetes distribuiti tra regioni. Piattaforme SaaS con i propri livelli di osservabilità. Infrastruttura di rete che genera eventi più velocemente di quanto qualsiasi essere umano possa leggerli. Sistemi legacy che non erano progettati per essere monitorati a questa scala, che funzionano accanto a servizi cloud-nativi moderni che generano 10x la telemetria dei loro predecessori.
Lo studio Dynatrace su 919 leader, pubblicato nel loro Agentic AI Report, ha rilevato che la complessità infrastrutturale è la sfida operativa principale per il 78% dei leader IT enterprise. La complessità non è solo operativa — è cognitiva. Il numero di dashboard, strumenti di monitoraggio e fonti dati che i team infrastrutturali devono sintetizzare per capire cosa sta accadendo nel loro ambiente ha superato la capacità di qualsiasi operatore umano di gestire simultaneamente.
La copertura dell'APM Digest sulla ricerca Dynatrace ha aggiunto la statistica specifica che rende questo concreto: l'80% delle attività di configurazione attualmente gestite manualmente dai team IT enterprise sarà automatizzato dagli agenti AI nel 2026. Non gradualmente. In questo anno solare.
Il Predicts 2026 di Gartner, tramite Itential, ha reso esplicita la traiettoria: gli agenti AI nelle operazioni infrastrutturali non sono più strumenti che assistono gli operatori umani. Stanno diventando piattaforme che sostituiscono lo sforzo manuale per i workflow complessi. La distinzione è importante. Uno strumento assistito rende l'umano più veloce. Una piattaforma sostitutiva rende l'umano non necessario per quel workflow.
Il Concetto di AgenticOps — Cosa Significa Effettivamente
AgenticOps non è un prodotto vendor. È una definizione di categoria — la pratica di usare agenti AI per gestire autonomamente le operazioni dell'infrastruttura IT enterprise.
Il nome segue il pattern di DevOps: non un singolo strumento, ma una disciplina. DevOps è emerso perché la complessità della delivery software moderna ha superato ciò che i team in silos e i processi manuali potevano gestire. AgenticOps sta emergendo per la stessa ragione: la complessità delle operazioni infrastrutturali moderne supera ciò che gli operatori umani e gli strumenti di monitoraggio tradizionali possono gestire.
Il principio fondamentale: molteplici agenti AI specializzati, ognuno responsabile di uno specifico dominio infrastrutturale — monitoraggio di rete, alerting di sicurezza, ottimizzazione dello storage, performance delle applicazioni — si coordinano attraverso un livello di orchestrazione condiviso per gestire le operazioni infrastrutturali autonomamente. Gli operatori umani supervisionano, impostano policy e gestiscono le eccezioni. Gli agenti gestiscono il resto.
La copertura di VentureBeat su AgenticOps ha inquadrato il problema della frammentazione che è progettato per risolvere: le aziende eseguono simultaneamente 15-30 strumenti diversi di osservabilità e monitoraggio, ognuno che genera i propri alert, le proprie dashboard e i propri silos di dati. Gli operatori che devono sintetizzare attraverso quegli strumenti stanno annegando nei dati mentre i sistemi continuano a diventare più complessi.
Gli agenti non si sopraffanno. Un agente per le operazioni di rete può monitorare simultaneamente migliaia di segmenti di rete, correlare eventi attraverso provider multipli, identificare pattern che richiederebbero ore a un operatore umano per trovare, e attivare azioni di remediation — tutto in pochi secondi.
SUSE Liz e il Model Context Protocol — Il Primo Ecosistema Aperto
L'annuncio di SUSE il 24 marzo alla KubeCon Europe è significativo per una ragione specifica: è il primo ecosistema aperto di agenti AI per la gestione infrastrutturale che non richiede lavoro di integrazione personalizzata per connettere gli agenti agli strumenti che gli operatori già usano.
Liz — l'agente AI di SUSE per la gestione infrastrutturale — è costruito sul Model Context Protocol. MCP è il dettaglio tecnico che rende questo significativo. È un protocollo aperto per la connettività standardizzata tra agenti AI e strumenti enterprise di terze parti, senza il codice di integrazione personalizzata che storicamente ha reso le distribuzioni AI multi-vendor così costose e fragili.
L'impatto pratico: un operatore infrastrutturale può distribuire Liz, connetterlo al suo stack di monitoraggio esistente, ambienti cloud e sistemi di ticketing attraverso adattatori compatibili con MCP — senza scrivere integrazioni personalizzate. Liz coordina agenti specializzati nella gestione dello storage, nell'applicazione delle policy di sicurezza, nella sintesi dei dati di osservabilità e nell'ottimizzazione delle performance a livello di fleet.
Randy Bias di Mirantis, parlando tramite TFIR, ha inquadrato il significato di MCP in un contesto più ampio: il Model Context Protocol è l'equivalente infrastrutturale di ciò che USB ha fatto per la connettività hardware. Prima di USB, connettere dispositivi richiedeva driver personalizzati, cavi proprietari e conoscenza vendor-specifica. Dopo USB, qualsiasi dispositivo conforme poteva connettersi a qualsiasi altro dispositivo conforme attraverso un'interfaccia standard.
MCP sta cercando di fare per la connettività infrastrutturale degli agenti AI ciò che USB ha fatto per la connettività hardware. Se ci riesce — e l'adozione di SUSE alla KubeCon Europe suggerisce che sta guadagnando trazione — la barriera ecosistemica per AgenticOps si riduce drasticamente. Le aziende non hanno più bisogno di progetti di integrazione personalizzata per distribuire agenti infrastrutturali coordinati.
Cisco AI Canvas e il Modello Enterprise — Network Ops a Scala
AI Canvas di Cisco, combinato con il Deep Network Model, rappresenta la dimostrazione a scala enterprise di come appare AgenticOps quando funziona in produzione nelle organizzazioni più grandi.
Il Deep Network Model è l'AI di Cisco specificamente costruita per l'infrastruttura di rete — addestrata sui pattern operativi degli ambienti di rete enterprise, capace di prevedere i guasti di rete prima che accadano, e di coordinare la remediation attraverso segmenti di rete senza intervento umano.
La copertura di Beam.ai sul modello Cisco ha documentato l'applicazione concreta: grandi istituzioni finanziarie stanno eseguendo AI Canvas di Cisco per le operazioni di rete. Il Deep Network Model monitora le performance di rete attraverso migliaia di endpoint, identifica pattern di traffico anomali che precedono le interruzioni, attiva il rerouting preventivo prima che i guasti si concatenino, e genera sintesi in linguaggio naturale per gli operatori umani che devono capire cosa il sistema ha deciso e perché.
Non è una dashboard di monitoraggio con funzionalità AI. È un sistema AI che ha sostituito il ruolo dell'operatore umano nel monitoraggio continuo della rete — facendo ciò che faceva un team di ingegneri NOC, più velocemente, a maggiore scala, con meno errori.
I dati Dynatrace — 919 leader IT globali, automazione dell'80% delle attività di configurazione — sono il benchmark per cosa questo aspetto attraverso l'enterprise. Le attività di configurazione che erano gestite manualmente dai team infrastrutturali — provisioning, scaling, modifiche ai percorsi di rete, aggiornamenti delle policy di sicurezza — vengono automatizzate end-to-end dagli agenti AI. Il lavoro dell'operatore umano diventa definire cosa significa "buono", impostare policy e gestire le eccezioni che gli agenti segnalano.
La Previsione di Gartner: Da Strumento a Piattaforma
Il Predicts 2026 di Gartner, come coperto da Itential, ha formalizzato la trasformazione del ruolo che il movimento AI infrastrutturale sta producendo.
La previsione: l'AI evolverà da strumenti che assistono gli operatori umani a piattaforme che sostituiscono lo sforzo manuale per i workflow complessi. Il linguaggio è preciso. Non "l'AI aiuta gli operatori a lavorare più velocemente." L'AI diventa la piattaforma attraverso cui avviene il lavoro infrastrutturale.
La conseguenza della trasformazione del ruolo: il lavoro dell'ingegnere infrastrutturale evolve da "operatore che esegue attività" a "leader che supervisiona sistemi". Questa non è una retrocessione. È un reframing. Un ingegnere che passava il 60% del tempo su configurazione manuale, triage degli incidenti e monitoraggio di routine ora passa quel tempo progettando i comportamenti degli agenti, definendo le soglie di eccezione e migliorando i sistemi che gli agenti eseguono.
La proiezione dell'IDC, citata tramite CIO.com: 1,3 trilioni di dollari di spesa in agentic AI entro il 2029. L'infrastruttura enterprise non è la quota più grande — ma è il segmento dove il caso operativo è più immediato, perché la complessità è più acuta e il costo umano del divario di intelligenza è più misurabile.
La Valutazione della Prontezza AgenticOps — 8 Domande per i Leader delle Operazioni IT
Usa queste otto domande per valutare l'attuale prontezza AgenticOps della tua organizzazione.
Domanda 1: Il tuo team operativo può sintetizzare i dati da tutti i tuoi strumenti di monitoraggio infrastrutturale simultaneamente?
Se i tuoi operatori devono fare context-switch tra 5, 10 o 15 dashboard diverse per capire lo stato attuale della tua infrastruttura, hai un divario di intelligenza. Il problema della frammentazione — troppi strumenti, troppi dati, non abbastanza sintesi — è il problema che AgenticOps è progettato per risolvere.
Domanda 2: Quale percentuale della tua risposta agli incidenti è ancora manuale — triage degli alert, identificazione della root cause, avvio della remediation?
Se la maggioranza della tua risposta agli incidenti è ancora guidata da umani, stai sostenendo un costo operativo che AgenticOps può ridurre. Il risultato di Dynatrace: l'80% delle attività di configurazione può essere automatizzato. Se il tuo numero è significativamente inferiore a quello, l'opportunità è più grande di quanto stai stimando.
Domanda 3: Stai eseguendo agenti da vendor multipli che non si coordinano tra loro?
Se hai strumenti di monitoraggio AI da vendor multipli che operano ciascuno in isolamento — generando i propri alert, richiedendo le proprie dashboard, mantenendo il proprio contesto — stai vivendo il problema di frammentazione che MCP e i framework AgenticOps sono progettati per affrontare.
Domanda 4: I tuoi agenti AI infrastrutturali possono comunicare tra loro attraverso protocolli aperti, o richiedono codice di integrazione personalizzato?
Se i tuoi agenti richiedono codice personalizzato per condividere il contesto, sei bloccato in un modello di integrazione vendor-specifico che diventerà una barriera per scalare AgenticOps. La connettività tramite protocollo aperto — MCP o equivalente — è il prerequisito architetturale per la gestione infrastrutturale multi-agente coordinata.
Domanda 5: Quale percentuale del tempo del tuo team infrastrutturale è spesa su attività di configurazione che potrebbero essere automatizzate?
Il benchmark dell'80% da Dynatrace è un punto di riferimento. Se il tuo team sta spendendo la maggioranza del loro tempo su configurazione manuale piuttosto che su gestione delle eccezioni e miglioramento dei sistemi, hai un'opportunità di automazione significativa.
Domanda 6: Le tue operazioni di rete possono funzionare autonomamente fuori orario senza intervento umano?
Se la tua rete richiede un operatore umano disponibile per gestire incidenti fuori orario, stai sostenendo un costo di personale e un costo di tempo di risposta che agenti AI di rete come il Deep Network Model di Cisco possono eliminare.
Domanda 7: I tuoi agenti infrastrutturali hanno il contesto di cui hanno bisogno per prendere decisioni — o stanno operando in silos?
AgenticOps richiede che gli agenti condividano il contesto attraverso i domini infrastrutturali. Un agente di monitoraggio della rete che non sa cosa sta vedendo l'agente di performance delle applicazioni prenderà decisioni che creeranno problemi per il livello applicativo. Il contesto cross-dominio è l'intelligenza che separa AgenticOps coordinato dallo sprawl frammentato degli strumenti.
Domanda 8: Chi possiede la strategia AgenticOps?
Se la risposta è "nessuno" o "stiamo valutando gli strumenti," non hai una strategia AgenticOps. Hai una collezione di strumenti AI che non si coordinano. Le organizzazioni che vinceranno sull'AI infrastrutturale sono quelle con un proprietario che tratta AgenticOps come una disciplina, non una collezione di soluzioni puntuali.
Come Costruire Verso AgenticOps
Se la valutazione personale ha rivelato lacune — e per la maggior parte delle organizzazioni, diverse di esse lo faranno — ecco la sequenza pratica per colmarle.
Step 1: Audita il tuo attuale panorama di agenti infrastrutturali e strumenti di monitoraggio.
Non puoi coordinare ciò che non hai inventariato. Mappa ogni strumento di monitoraggio abilitato AI, ogni sistema di configurazione automatizzata, ogni piattaforma di osservabilità che stai eseguendo. Per ciascuno: cosa monitora, quali decisioni prende o assiste, quali sistemi tocca, quali dati genera? Questo è il baseline per progettare un livello di coordinamento AgenticOps.
Step 2: Valuta le piattaforme di agenti compatibili con MCP.
Il Model Context Protocol è lo standard aperto che rende AgenticOps praticabile senza progetti di integrazione personalizzata. Valuta se i tuoi attuali strumenti di monitoraggio e gestione infrastrutturale supportano MCP. Se non lo fanno, chiedi direttamente ai tuoi vendor — quelli che non supportano gli standard aperti saranno sempre più quelli che il tuo team dovrà aggirare.
Step 3: Identifica il tuo workflow infrastrutturale con il costo più alto.
Non cercare di automatizzare tutto in una volta. Identifica il singolo workflow infrastrutturale che consuma più tempo dell'operatore, genera più alert e ha la logica di automazione più chiara. Le operazioni di rete sono spesso il miglior punto di partenza perché le regole sono ben definite e i dati di monitoraggio sono strutturati.
Step 4: Distribuisci un agente specializzato e misura le sue performance.
Inizia con un dominio. Distribuisci un agente specializzato — monitoraggio della rete, gestione della configurazione, alerting di sicurezza — in quel dominio. Misura: tempo di risposta agli alert, accuratezza della configurazione, tasso di falsi positivi, tempo dell'operatore recuperato. Usa quei numeri per costruire il business case per l'espansione.
Step 5: Progetta il livello di coordinamento prima di aggiungere il secondo agente.
Prima di distribuire un secondo agente specializzato, definisci come gli agenti condivideranno il contesto. Le organizzazioni che distribuiscono agenti multipli senza un framework di coordinamento finiscono con uno sprawl frammentato di strumenti — solo un tipo diverso. Definisci il livello di orchestrazione prima di espandere.
Bottom Line
HyperFrame Research ha quantificato ciò che gli ingegneri infrastrutturali hanno sempre saputo: il volume di telemetria infrastrutturale ha superato ciò che gli operatori umani possono elaborare. Non di poco. Di ordini di grandezza.
Il divario di intelligenza infrastrutturale non è un problema di organico. È un problema di fisica. E la risposta ingegneristica a un problema di fisica è l'ingegneria dell'infrastruttura — non più sforzo umano applicato a un compito impossibile.
AgenticOps è quella risposta ingegneristica. Molteplici agenti AI specializzati, coordinati attraverso protocolli aperti come il Model Context Protocol, che gestiscono le operazioni infrastrutturali autonomamente mentre gli ingegneri umani supervisionano, definiscono policy e gestiscono le eccezioni.
L'annuncio di SUSE Liz alla KubeCon Europe, il Deep Network Model di Cisco, la previsione di Gartner che gli agenti AI sostituiranno lo sforzo manuale infrastrutturale — questi non sono annunci isolati. Sono evidenza di una categoria che sta nascendo.
Le organizzazioni che costruiscono ora la capacità AgenticOps — che inventariano i loro agenti infrastrutturali, valutano piattaforme compatibili con MCP e distribuiscono la gestione infrastrutturale multi-agente coordinata — sono quelle che avranno la leva operativa mentre la complessità infrastrutturale continua a crescere.
Il divario di intelligenza non si chiuderà da solo. Gli agenti possono.
Pronto a valutare la tua infrastruttura per la prontezza AgenticOps? Parla con Agencie per una valutazione dell'AI infrastrutturale — incluso audit del panorama agenti, revisione della compatibilità MCP e roadmap AgenticOps in fasi →