Oltre il prodotto, il sistema: come cambiano i KPI nell'era dell'agentic coding

I sistemi di misurazione tradizionali, ereditati dai tempi di Taylor e ancora oggi diffusi, sono orientati agli obiettivi delle singole funzioni: quantità di output prodotti per unità di tempo, utilizzo della capacità, costo per output. Misurano l'efficienza locale delle diverse aree organizzative.  

La cultura lean ha spostato lo sguardo. Ci ha insegnato a guardare i flussi end-to-end, con metriche orientate ai processi: lead time, cycle time, costo di processamento. Non più "quanto produce questa funzione", ma "quanto tempo impiega il valore ad attraversare il flusso". 

Con il Manifesto Agile prima, e poi più nettamente con la cultura Lean Startup, l'attenzione si è spostata sul prodotto e sull'utente. Si è iniziato a misurare retention, adozione, NPS, valore percepito.  

Il problema è che l'AI sta "commoditizzando" le feature: ciò che ieri era un differenziatore di prodotto oggi è replicabile in settimane. E l'NPS, quando lo si sottopone a verifica empirica seria, regge molto meno di quanto la sua popolarità lasci credere.  

Vale la pena rendere concreti i tre KPI più nuovi, perché è facile scambiarli per slogan.  

La qualità del contesto si misura come tasso di output utilizzabili al primo tentativo: un agente che dispone delle regole di dominio, delle linee guida tecnologiche e di criteri di accettazione adeguati, con il giusto livello di granularità, produce risultati validi senza rilavorazione molto più spesso di uno che parte da un prompt generico. Se lo stesso task, con contesto migliore, passa dal 40% all'80% di output accettati senza correzioni, quella differenza è la qualità del contesto. Occorre considerare anche la sostenibilità del workflow: ottimizzare l'utilizzo di token attraverso una pre-lavorazione e una corretta delimitazione del contesto necessario. Tobi Lütke e Andrej Karpathy l'hanno battezzata context engineering a metà 2025: "l'arte e la scienza di riempire la finestra di contesto con esattamente le informazioni giuste per il passo successivo".  

Il rapporto automazione/valore distingue l'automazione che conta da quella per inerzia: automatizzare la generazione di un report che nessuno legge alza la percentuale di attività automatizzate ma non muove il valore. Il KPI mette in rapporto il valore generato con lo sforzo di automazione, non il numero di task automatizzati.  

La resilienza del workflow è la capacità del flusso di reggere quando un agente sbaglia: si misura con il tempo medio di recupero da un errore e con la quota di errori intercettati prima che arrivino a produzione. 

Il report MIT Sloan Management Review–BCG The Emerging Agentic Enterprise (novembre 2025) è esplicito: il vantaggio competitivo non verrà dall'accesso anticipato all'AI, ma dal design organizzativo costruito attorno ad essa. McKinsey arriva alla stessa conclusione, identificando nel ridisegno del workflow, non nell'adozione dello strumento, il vero moltiplicatore di impatto. Harvard Business Review, a febbraio 2026, ne ha tirato la conseguenza strategica: quando tutti hanno accesso agli stessi modelli, agli stessi strumenti e agli stessi fornitori, è il contesto organizzativo a diventare il fattore differenziante. 

La metrica che conta non è solo il prodotto consegnato: è quanto il sistema aziendale diventa più adattivo, resiliente, scalabile e verificabile. Ciò che vale è il contesto proprietario, il modo in cui un'organizzazione lavora davvero. Il nostro lavoro non è "fare AI", ma progettare sistemi di lavoro aumentato che siano verificabili, governabili e capaci di migliorare nel tempo. La velocità dei modelli è un punto di partenza disponibile a tutti; ciò che trasformiamo in vantaggio per il cliente è la disciplina con cui quei modelli vengono messi al lavoro dentro la sua organizzazione. 

Cosa sono i KPI di sistema e perché contano nell'era dell'AI agentica?  

I KPI di sistema misurano non il singolo output prodotto dall'AI, ma la capacità dell'organizzazione di imparare, adattarsi e mantenere il controllo nel tempo: velocità di iterazione, qualità del contesto fornito ai modelli, resilienza del workflow, rapporto tra automazione e valore reale generato.  

I nuovi KPI di sistema sostituiscono quelli tradizionali?  

No. Ogni fase stratifica la precedente. Sarebbe un errore misurare KPI di sistema senza avere lead time di processo sotto controllo e chiari KPI di prodotto. Cambia il livello che guida le decisioni strategiche: nell'era agentica deve essere il livello di sistema.  

Cos'è il context engineering?  

È la disciplina di costruire e curare le informazioni fornite ai modelli AI per ogni specifico compito, introdotta come termine da Tobi Lütke e Andrej Karpathy nel 2025. Quando tutti i player accedono agli stessi modelli e strumenti, il contesto organizzativo proprietario diventa il principale fattore di differenziazione competitiva.  

Come si misura la qualità del contesto in modo concreto?  

Come tasso di output utilizzabili al primo tentativo, senza rilavorazione. Se lo stesso task, con lo stesso modello ma con contesto migliore, passa dal 40% all'80% di output accettati senza correzioni, quella differenza è la qualità del contesto. 

S. Ransbotham, D. Kiron, S. Khodabandeh, S. Iyer, A. Das, The Emerging Agentic Enterprise: How Leaders Must Navigate a New Age of AI, MIT Sloan Management Review e Boston Consulting Group, novembre 2025. https://sloanreview.mit.edu/projects/scholars/the-emerging-agentic-enterprise-how-leaders-must-navigate-a-new-age-of-ai/  

R. Narayana Murty, R. Kumar S, When Every Company Can Use the Same AI Models, Context Becomes a Competitive Advantage, Harvard Business Review, febbraio 2026. https://hbr.org/2026/02/when-every-company-can-use-the-same-ai-models-context-becomes-a-competitive-advantage  

A. Tavakoli, B. Goodman, K. Rowshankish, A. Kumar, H. Soller, Building the Foundations for Agentic AI at Scale, McKinsey, 2 aprile 2026.  https://www.mckinsey.com/capabilities/mckinsey-technology/our-insights/building-the-foundations-for-agentic-ai-at-scale