Negli ultimi anni, il mondo della data science e, più in particolare, quello dell’intelligenza artificiale hanno vissuto un’evoluzione incessante. Nella seconda parte del 2022, il lancio planetario dell’AI generativa ha segnato un vero e proprio punto di svolta, dimostrando al mondo le potenzialità di sistemi capaci di generare contenuti coerenti, scrivere codice, creare immagini e persino risolvere problemi complessi.
Oggi, l’AI è percepita dalle aziende come un driver di competitività imprescindibile, spingendo gli investimenti globali a livelli mai visti; solo in Italia, si è registrato un +58% nel 2024 (Osservatorio PoliMI), con contestuale moltiplicazione delle applicazioni pratiche e un forte incremento della loro efficacia.
In un mondo che evolve su base quotidiana, uno dei temi più rilevanti è quello dell’Agentive AI e degli AI Agents, un paradigma emergente che sta ridefinendo i confini dell’intelligenza artificiale. In questo articolo, esploreremo il concetto di Agentic AI (o Agentive AI), le differenze rispetto alle soluzioni tradizionali e le implicazioni concrete per qualsiasi impresa.
Cosa sono gli Agenti AI
Data la dinamicità e l'attualità del tema, le definizioni di Agenti AI (e di AI Agentica) abbondano. Si tratta, in sostanza, di sistemi software progettati per eseguire autonomamente dei task in modo differente rispetto ai tradizionali approcci deterministici basati su un insieme articolato e progressivo di regole.
Per raggiungere in modo autonomo, o con una supervisione umana limitata, lo scopo per cui sono stati sviluppati, gli AI Agents adottano una strategia adattiva, ovvero acquisiscono le informazioni necessarie, identificano la migliore strategia di azione e, infine, eseguono concretamente la strategia stessa. Tutto questo, in aggiunta alla capacità di auto apprendimento, che migliora progressivamente le loro performance a livello di problem solving.
Un esempio concreto di AI Agent potrebbe essere uno shopping assistant (virtuale) avanzato che, compresi i gusti dell’utente dalle informazioni ricevute e dall’analisi dello storico degli acquisti, seleziona il prodotto ideale, lo propone, completa l’acquisto e monitora la spedizione fino alla consegna finale.
Alzando la prospettiva di osservazione, gli AI Agents possono essere descritti come sistemi cognitivi autonomi, progettati per risolvere problemi ed eseguire task specifici attraverso un processo decisionale molto simile a quello umano e fondato sulla percezione del contesto, sul ragionamento e sull’azione.
Agentive AI ed LLM: l’unione che fa la forza
Per comprendere a fondo il concetto di AI agentica, occorre spiegarne la differenza con i Large Language Models (LLM) come GPT o Gemini. Tutti gli LLM sono progettati per generare risposte in base ad input ricevuti dall'utente: a fronte di un prompt, attivano un processo di generazione basato su modelli di probabilità, attingendo a conoscenze pregresse acquisite durante la fase di training. In altre parole, un LLM non prende l’iniziativa: attende un prompt, lo elabora e restituisce un output.
Gli AI Agents, come si è visto, rappresentano invece un’evoluzione del segno dell’automazione e dell’indipendenza. Non sono modelli di linguaggio, ma sistemi autonomi finalizzati al problem-solving, a porre in essere attività complesse o ad automatizzare processi aziendali anche articolati. Ciò non toglie che Agenti AI e LLM vivano una relazione molto stretta, poiché la strategia di azione viene definita dall’agente interagendo con un LLM (o uno Small Language Model – SLM), che di conseguenza è un elemento costitutivo della sua architettura.
Come funzionano gli AI Agents: i pilastri dell’architettura
Osservando con la giusta dose di astrazione l'architettura di un AI Agent, è possibile comprendere più facilmente il suo funzionamento. Ecco, dunque, i suoi elementi di base.
LLM, il ‘cervello’ dell’agente
Il Large Language Model (o Small Language Model, a seconda dei casi) è il pilastro cognitivo dell’agente. È lui che interpreta gli input, genera linguaggio, ragiona sui task, pianifica azioni e risposte. Senza LLM, un agente non può “comprendere” né interagire. Tuttavia, da solo non basta: ha bisogno di memoria, strumenti e conoscenza per agire in modo utile.
Pianificazione
L’agente AI apprende il suo obiettivo e lo scompone in un elenco di sotto-task più gestibili sfruttando le capacità di reasoning degli LLM con un metodo simile al chain of thought usato nel prompt engineering. La differenza chiave è che, mentre con il prompt engineering è l’utente a definire manualmente il workflow, un AI Agent lo costruisce in autonomia: analizza l’obiettivo, lo scompone in sotto-task, identifica le risorse necessarie e affronta ogni fase in modo logico e sequenziale. La flessibilità e la capacità di adattamento a un obiettivo sono gli elementi chiave che differenziano gli agenti AI dalle tradizionali automazioni basate su workflow predefiniti.
Memoria e stato
L’agente conserva la memoria di ciò che ha fatto, visto o dedotto, per poter prendere decisioni coerenti. Può trattarsi di memoria a breve e lungo termine, esplicita o implicita, utile per evitare ripetizioni e mantenere il contesto nei task più complessi.
Accesso a conoscenze custom: cos’è la Retrieval-Augmented Generation (RAG)
Per raggiungere il suo obiettivo, l’agente può accedere a conoscenze esterne ai dataset degli LLM. Possono essere utilizzate svariate tecniche in proposito, ma quella più comune è RAG, acronimo di Retrieval-Augmented Generation (RAG).
Prima di generare una risposta, l’agente AI effettua una ricerca semantica in una base di conoscenza aggiornata e indicizzata (come database aziendali, documenti, policy interne). I risultati più rilevanti vengono inseriti nel prompt del modello, che può così produrre risposte contestualizzate e pertinenti.
RAG è una delle tecniche più semplici e diffuse per estendere le capacità di un LLM, ma non è l’unica. Esistono approcci più strutturati, come la costruzione di knowledge graph avanzati, che modellano entità e relazioni in modo semantico, oppure l’impiego di database vettoriali per una gestione più sofisticata delle relazioni tra informazioni. La scelta dipende dalla complessità dell’ambiente, dai dati disponibili e dal livello di autonomia richiesto all’agente.
Interazione con tool esterni
Un componente fondamentale dell’architettura degli agenti è la capacità di interazione con strumenti esterni, essenziale per estenderne le capacità operative. L’agente può connettersi a strumenti come browser, database, API di terze parti e altri sistemi aziendali per raccogliere informazioni, fare ricerche su Internet e interagire con piattaforme esterne, permettendo di affrontare una vasta gamma di compiti.
Gli agenti, inoltre, non sono entità monolitiche: possono essere progettati per collaborare tra loro, scambiandosi task, dati o istruzioni. Questa capacità di interoperare consente di realizzare ecosistemi di agenti specializzati, in grado di coordinarsi per affrontare flussi complessi e moltiplicare le possibilità operative. Ovviamente, una multi-agent architecture deve mettere in conto un livello di complessità nettamente superiore rispetto a un agente singolo: servono meccanismi di coordinamento, gestione delle priorità, condivisione della memoria e monitoraggio dei flussi tra entità.
Esecuzione
Pianificata la strategia e acquisite le informazioni, si passa alla fase dell’esecuzione, che può includere la generazione di report, l'invio di email, la gestione di ordini o resi, la chiusura di un contratto o anche l'attivazione di flussi di lavoro tra diversi agenti virtuali. Più il task è complesso, maggiore sarà la supervisione umana, ma con l’obiettivo di ridurla strada facendo.
Come creare un Agente AI
Comprendere l’architettura di un AI Agent è il primo passo. Portarlo in produzione, integrarlo in un ambiente aziendale e garantirne efficacia e affidabilità richiede strumenti, metodo e competenze specifiche.
Per creare un agente AI esistono oggi piattaforme e framework dedicati, ma la vera sfida è progettare un agente che sia realmente utile, scalabile e sicuro, in linea con i processi e i dati aziendali.
Realizzare un agente operativo richiede diverse componenti tecniche come un LLM, un orchestratore in grado di gestire task e memory (come LangChain), una base di conoscenza interrogabile e, come visto, la capacità di connettersi a strumenti esterni (dalle email al CRM). Inoltre, è necessario impostare in modo chiaro un processo che parta dalla definizione dell’obiettivo, passi dallo sviluppo del modello di percezione (ovvero cosa deve vedere e sapere l’agente per agire), e arrivi alla progettazione del ciclo di interazione: come prende decisioni, come aggiorna la propria memoria, quando attiva un tool esterno, che tipo di output fornisce o come interagisce con altri agenti.
È qui che emergono le vere sfide. Un agente non progettato in molto impeccabile può generare risposte scorrette, eseguire azioni indesiderate, farsi manipolare dall’utente ed esporre dati sensibili. Per questo motivo, è assolutamente fondamentale affidarsi a chi ha esperienza concreta non solo nella progettazione e implementazione di questi sistemi, ma anche nella definizione di KPI, nel monitoraggio e nella gestione dei rischi operativi.
Agentive AI, un nuovo slancio verso l'hyperautomation
Gli AI Agent rappresentano una grande opportunità per le aziende, da sempre impegnate a ottimizzare e automatizzare i propri processi interni ed esterni. In questo modo, l'Agentive AI diviene un abilitatore per eccellenza del trend dell’hyperautomation, che si propone di automatizzare il maggior numero di processi di business e IT utilizzando proprio le potenzialità (in perenne evoluzione) dell’intelligenza artificiale.
Mentre la Robotic Process Automation (RPA) si è rivelata efficace nell’automatizzare compiti ripetitivi e rigidamente definiti, gli AI Agents offrono un livello di adattabilità decisamente superiore. Grazie alla loro capacità di prendere decisioni autonome e di adattarsi dinamicamente alle variazioni del contesto operativo, questi sistemi rappresentano un’evoluzione significativa nell’automazione intelligente.
Kirey: affrontare la complessità con il giusto partner
La capacità di progettare e implementare Agenti AI efficaci, efficienti e sicuri richiede competenze trasversali che vadano oltre la conoscenza dei modelli linguistici. Serve un approccio solido, capace di coniugare tecnologia avanzata, compliance normativa, sicurezza e risultati concreti già ottenuti sul campo.
Una delle nostre aree chiave è proprio Data & AI. Ogni giorno mettiamo in campo le nostre competenze, l’esperienza maturata e un ecosistema tecnologico di alto profilo per accompagnare le organizzazioni verso una vera trasformazione digitale.
Se stai valutando l’adozione Agenti AI nei tuoi processi aziendali, vuoi potenziare progetti già avviati o semplicemente capire quali benefici concreti l’Agentic AI potrebbe portare nella tua realtà, contattaci: siamo pronti a costruire insieme un percorso di successo.
