L’IA agentica su Red Hat OpenShift: a che punto sono le aziende?

Approfondimenti dalla discussione con i clienti al Red Hat Summit 2026

Quest’anno, i responsabili dell'ingegneria della piattaforma e delle operazioni di diversi settori, tra cui compagnie aeree, servizi pubblici, servizi finanziari, istruzione superiore e pubblica amministrazione, si sono riuniti al Red Hat Summit per parlare apertamente dell'IA agentica. Volevamo scoprire cosa funziona, quali sono i rischi e come i team ottengono valore oggi.

Dalla gestione della piattaforma alla collaborazione con l'IA

Ecco, a grandi linee, la domanda alla base di ogni conversazione della nostra tavola rotonda. Come deve essere una piattaforma, quando non è più solo qualcosa da gestire e diventa uno strumento fatto per pensare insieme al tuo team?

I team gestiscono ambienti multicluster complessi con lo stesso organico di due anni fa. Il lavoro manuale per diagnosticare gli incidenti, mettere in relazione gli avvisi ed eseguire le correzioni consuma capacità che dovrebbe essere dedicata allo sviluppo di funzionalità strategiche. Un partecipante ha dichiarato chiaramente il proprio obiettivo: raddoppiare il numero di cluster gestiti senza assumere un'altra persona.

L'esigenza va oltre l'efficienza. La vera domanda è: cosa fanno i tuoi collaboratori migliori quando le attività di routine sono automatizzate? I clienti della nostra tavola rotonda se ne sono già fatti un’idea. Gli agenti di un team hanno rilevato un driver di storage che si arrestava in modo anomalo ogni 15 minuti, un problema invisibile ai log e agli avvisi esistenti. L'agente ha segnalato il problema con un riepilogo diagnostico completo e si è messo in stato di blocco, in attesa che un operatore autorizzasse il passaggio successivo. Questa azione offre una risoluzione più rapida, certamente, ma crea anche una relazione fondamentalmente diversa tra una piattaforma e le persone che la gestiscono.

Ritorno sull'investimento (ROI) sorprendente al di là dell'IT

Alcune delle informazioni più interessanti sono emerse quando i partecipanti hanno parlato degli agenti di IA, utilizzati per risolvere problemi al di fuori del dominio dell'infrastruttura tradizionale.

Un team universitario ha distribuito agenti per aiutare il gruppo che si occupa dei servizi finanziari per gli studenti a identificare gli studenti svantaggiati che avevano diritto a finanziamenti federali, ma erano stati trascurati dalle query esistenti del database. Il sistema ha identificato rapidamente più di 100 studenti e tra US$60.000 e US$70.000 di aiuti federali non riscossi. Poche settimane prima, il team non si era reso conto di questo scenario di utilizzo.

Un altro esempio riguarda un'agenzia governativa che ha descritto la propria visione a lungo termine: fornire un'interfaccia basata su agenti per aiutare i cittadini a orientarsi tra normative legali complesse e coordinare automaticamente i servizi pubblici appropriati in base a eventi importanti della vita, come la nascita di un figlio, l'avvio di un'attività o un trasferimento, offrendo ai cittadini un'unica interfaccia intelligente anziché decine di portali scollegati.

Le organizzazioni che ottengono i risultati migliori sono quelle che ampliano i propri scenari di utilizzo e superano i preconcetti sull’impatto che l'IA può avere sull’operatività.

La supervisione umana è irrinunciabile

Il consenso tra i partecipanti alla discussione era chiaro: l’automazione completa non è un'opzione. Poiché l'IA non è deterministica, la sfida principale non è fidarsi degli agenti, ma come strutturare i flussi di lavoro affinché gli agenti possano accelerare in sicurezza le attività di routine, mentre le persone esercitano il controllo sulle azioni critiche. Le soluzioni basate su agenti necessitano di un modello di governance dei flussi di lavoro chiaro e standardizzato, nativo della piattaforma.

Il modello che ha riscosso più successo consiste nel considerare gli agenti come Site Reliability Engineer, che analizzano i sistemi, generano piani di esecuzione e redigono ticket riepilogando i risultati e le azioni proposte. I tecnici esaminano e approvano, mentre l'agente esegue solo ciò che è stato esplicitamente autorizzato.

Un team ha condiviso una storia, a scopo cautelativo, sul test di architetture di agenti supervisori. Un agente monitora un insieme di subagenti specializzati. Il team ha riferito che tre agenti subordinati si sono coordinati per convincere l'IA incaricata della supervisione ad approvare un'azione che avrebbe dovuto rifiutare. Il team se n'è accorto in tempo per evitare qualsiasi danno, ma la lezione è stata chiara: l'IA non può governare in modo affidabile altre IA senza l'intervento umano.

Questo esempio evidenzia la necessità di funzionalità di governance codificabili e facili da usare, come un "servizio guardrail" o "Approval-as-a-Service", che le organizzazioni possano distribuire in tutti gli ambienti fin dal primo giorno.

La sicurezza a partire dalla progettazione

Per i team operativi, l'obiettivo principale è contenere le conseguenze di eventuali errori degli strumenti autonomi. I rischi andavano da un agente che tentava un comando distruttivo (come rm -rf) a un agente diagnostico che eseguiva ripetutamente comandi ad elevato utilizzo di risorse, causando accidentalmente l'arresto anomalo del cluster che avrebbe dovuto riparare.

Per mitigare questi rischi, i team utilizzano agenti sandbox in ambienti containerizzati con limiti di risorse rigorosi e log di auditing completi per ogni azione. Associare gli agenti a livelli di dati deterministici, come archivi di documenti convalidati da schemi o altri sistemi che vincolano rigorosamente gli input accettabili, si è dimostrato molto efficace per garantire la coerenza del comportamento degli agenti.

Gli ostacoli: consenso, tracciabilità dei controlli e ROI

Gli ostacoli che rallentano l'adozione sono in gran parte organizzativi piuttosto che tecnici.

Ottenere il consenso interno è difficile, specialmente tra i team che in passato hanno vissuto iniziative di automazione che non hanno mantenuto le promesse. Il tracciamento dettagliato dei controlli è essenziale per costruire questa fiducia (ed è obbligatorio per legge in alcune regioni del mondo): le organizzazioni devono poter mostrare alle autorità di regolamentazione e alla leadership esattamente cosa ha fatto un agente, il ragionamento seguito e chi ha autorizzato l'azione. Senza tali prove, i team di governance rifiutano la tecnologia per impostazione predefinita.

Dimostrare un ROI chiaro è altrettanto essenziale. Ogni team alla tavola rotonda ha sottolineato la necessità di dimostrare il valore prima di ottenere il budget. I team che procedono più velocemente iniziano con piccoli proof of concept ad alta visibilità, documentano i risultati e usano tali prove per ottenere ulteriori finanziamenti. Un risultato da USD 60.000–USD 70.000 negli aiuti finanziari agli studenti è un argomento molto più convincente per ottenere il budget, rispetto alla riduzione degli avvisi non critici, anche se entrambi generano valore.

Conclusioni

Le organizzazioni che hanno partecipato alla conversazione si trovano in fasi diverse dell'adozione dell'IA agentica, ma affrontano le stesse domande. Alcune tra le pratiche utilizzate dai team che compiono i maggiori progressi meritano attenzione.

• Inizia con l'osservabilità e l'auto-riparazione: in questo ambito troviamo le maggiori le difficoltà operative, il percorso verso il valore è più chiaro e un perimetro limitato rende il progetto gestibile.
• Progetta per la supervisione umana fin dal primo giorno: non aggiungere la governance dopo la distribuzione. Integra i flussi di approvazione, gli stati di blocco e la tracciabilità dei controlli direttamente nella tua architettura.
• Utilizza sandbox per i tuoi agenti: gli ambienti di esecuzione containerizzati non sono un’ optional: forniscono i guardrail necessari per consentire agli agenti di operare in sicurezza.
• Prendi sul serio i costi dell'infrastruttura IA: diversi team hanno descritto costi per GPU e inferenza nel cloud che aumentano più velocemente del previsto, in alcuni casi superando il valore generato. Red Hat OpenShift AI è progettato specificamente per questa sfida e aiuta le aziende a ottimizzare l'uso delle GPU nell'infrastruttura ibrida, affinché il costo dell'esecuzione dell'IA su larga scala non impedisca la scalabilità. Per gli ambienti in cui sia i costi di inferenza del cloud sia l'hardware GPU on-premise rappresentano investimenti significativi, è fondamentale disporre di una piattaforma che massimizzi il ritorno di tale investimento.
• Concentrati sul valore aziendale ad alta visibilità: I team con maggiore slancio individuano scenari di utilizzo che offrono valore all'intera organizzazione, non solo al team che si occupa di ingegneria della piattaforma. 

Red Hat OpenShift per l'era dell'IA agentica

Ogni grande ondata di software per gli ambienti aziendali ha richiesto una piattaforma in grado di rendere sistemi complessi e distribuiti governabili su larga scala. Nell'era client-server, era il middleware, come JBoss. Nell'era cloud native, era Kubernetes. Nell'era dell'IA agentica, tale ruolo appartiene a Red Hat OpenShift e Red Hat OpenShift AI.

I clienti che hanno partecipato alla tavola rotonda stanno creando agenti autonomi che operano in ambienti multicluster, prendono decisioni entro rigidi confini di governance, si integrano con i flussi di lavoro aziendali e vengono eseguiti su infrastrutture sovrane o ibride. Questo non può essere realizzato in modo affidabile con strumenti ad hoc. Richiede una base open source coerente e incentrata sulla sicurezza, di cui le aziende già si fidano. 

OpenShift è più di un orchestratore per i container. È la piattaforma su cui framework di agenti, server MCP, librerie di competenze degli agenti, flussi di lavoro che prevedono la supervisione umana e carichi di lavoro GPU vengono uniti su una base distribuibile, gestibile e scalabile in ambienti multicluster.

Per creare una base incentrata sulla sicurezza è necessario affrontare tutti gli aspetti della governance agentica: controlli di policy e autorità, gestione delle identità e degli accessi, governance delle applicazioni e degli strumenti, sicurezza e audit del runtime, sandboxing dell'esecuzione, governance dei dati e dei contenuti e gestione del ciclo di vita che prevede la supervisione umana. Fondamentalmente, l'identità e l'autenticazione non possono essere un passaggio successivo: ogni azione dell'agente deve essere autenticata e attribuibile a una specifica entità autorizzata. 

OpenShift soddisfa questi requisiti tramite AgentOps, l'approccio indipendente dai framework di Red Hat AI per rendere operativi gli agenti su qualsiasi modello, acceleratore o cloud, con guardrail integrati che affrontano ciascun livello di governance e sicurezza. Non si tratta di funzionalità opzionali da aggiungere in un secondo momento: sono la base che rende possibile l'IA agentica su scala aziendale. Le organizzazioni che comprendono e affrontano questo aspetto fin dall'inizio si muoveranno più velocemente, otterranno una gestione più efficace e dedicheranno meno tempo alla creazione di questa base, potendo così avanzare con fiducia nel futuro dell'IA agentica.

Per scoprire come Red Hat OpenShift sta affrontando il futuro dell'IA agentica:

• guarda la sessione Product Spotlight del Red Hat Summit 2026; 
• leggi il nostro blog, "I modelli non generano entrate, le applicazioni sì"; 
• visita la pagina del prodotto Red Hat OpenShift AI.