Agenti IA : la guida completa per comprendere, creare e utilizzare agenti autonomi

Agenti IA : la guida completa per comprendere, creare e utilizzare agenti autonomi
15 min di lettura

Un agente IA è un sistema che lascia a un modello linguistico scegliere da solo i passi e gli strumenti necessari per raggiungere un obiettivo, in un ciclo, finché il compito non è completato o un limite lo ferma. Si distingue da un workflow automatizzato, il cui percorso è scritto in anticipo, e da un assistente che agisce solo su richiesta, turno per turno. Questa guida spiega come funziona, quale tipo di agente scegliere, come testarlo e come regolare i suoi accessi e il suo costo.

La parola «agente» oggi è appiccicata a prodotti molto diversi, dal semplice chatbot dotato di una ricerca web fino a sistemi capaci di concatenare decine di azioni in un software aziendale. Per decidere se ne avete bisogno, e quale, bisogna tornare al meccanismo: chi decide la prossima azione, con quali diritti, e chi verifica il risultato. È il filo conduttore di questa pagina, che rimanda poi a guide più specializzate.

Cos’è un agente IA e cosa può fare realmente?

La definizione più usata nell’industria viene dalla guida Building effective agents pubblicata da Anthropic nel dicembre 2024. L’editore separa due famiglie di «sistemi agentici»: i workflow, dove modelli e strumenti sono orchestrati da un percorso di codice definito in anticipo, e gli agent, dove il modello dirige da solo il suo processo e l’uso degli strumenti. Nella pratica, riassume questo testo, un agente spesso non è altro che un modello linguistico che usa strumenti in base ai feedback del suo ambiente, in un ciclo. Per approfondire, leggete il nostro articolo «Cos’è un agente IA? Definizione, funzionamento ed esempi».

Concretamente, un agente può fare tutto ciò che i suoi strumenti gli permettono: interrogare un database, cercare sul web, leggere un documento, creare un ticket, redigere e inviare un’email, eseguire codice o compilare un modulo. Non può fare nulla al di fuori di questi strumenti e dei diritti ad essi associati. Non garantisce nemmeno la correttezza di ciò che produce: Anthropic sottolinea che l’autonomia si paga con un costo più elevato e con un rischio di errori che si sommano da un passo all’altro.

Workflow, assistente dotato di strumenti, agente autonomo: tre gradi di autonomia

La distinzione utile non è tra «IA» e «non IA», ma tra tre modi di ripartire la decisione. La tabella seguente le confronta sui punti che contano al momento del dispiegamento.

Approccio Chi decide i passi Esempio Supervisione tipica Rischio principale
Workflow deterministico Il progettista, una volta per tutte; il modello interviene solo in un passo preciso Ogni modulo ricevuto è riassunto da un modello poi registrato nel CRM Lettura dei log di esecuzione Casi non previsti dal percorso scritto
Assistente con strumenti Il modello propone un’azione, l’utente è presente a ogni turno Un assistente consulta il tuo calendario per proporre una fascia oraria L’utente rilegge ogni risposta Azione mal compresa ma visibile subito
Agente autonomo Il modello concatena più azioni fino all’obiettivo Trattare una coda di richieste clienti, dalla lettura all’archiviazione Limiti, validazione umana delle azioni sensibili, log Errori a cascata, azioni non volute, deriva dei costi

Queste frontiere sono porose: un workflow può contenere un passo agentico, e un agente può essere racchiuso in un workflow molto regolato. Il confronto dettagliato tra agente IA e chatbot, la definizione rigorosa di cos’è un agente IA e l’arbitraggio tra automazione classica e agente IA sono oggetto ciascuno di una guida dedicata in questo dossier.

Come funziona un agente IA: modello, strumenti, memoria e ciclo d’azione

Tutti gli agenti si basano sulla stessa meccanica, qualunque sia lo strumento che li ospita. Quattro mattoni bastano a descriverla.

  • Il modello: un grande modello linguistico legge l’obiettivo, la cronologia e i risultati già ottenuti, poi sceglie la prossima azione. La sua capacità di seguire istruzioni e di chiamare strumenti correttamente pesa più del suo punteggio generale; lo strumento quale modello di IA scegliere per il tuo compito aiuta a selezionare i candidati.
  • Gli strumenti: ogni strumento è descritto al modello da un nome, una descrizione e uno schema di parametri. Il modello non lo esegue da solo: produce una richiesta di chiamata strutturata, che l’applicazione esegue prima di restituirgli il risultato.
  • La memoria: a breve termine, è la cronologia conservata nella finestra di contesto; a lungo termine, sono documenti o note che l’agente va a cercare, spesso tramite una ricerca in una base documentale di tipo RAG, argomento trattato nella nostra guida sull’IA locale e il RAG.
  • Il ciclo e i suoi limiti: l’agente osserva il risultato della sua azione, decide la successiva, e si ferma quando l’obiettivo è raggiunto o quando una condizione di arresto è superata (numero massimo di iterazioni, durata, budget).

Questa alternanza tra ragionamento e azione è stata formalizzata già nel 2022 dall’articolo di ricerca ReAct, di Shunyu Yao e i suoi coautori, che faceva intercalare al modello fasi di riflessione e azioni su una fonte esterna. Anthropic insiste dal canto suo su due punti pratici: l’agente deve ottenere a ogni passo una «verità di terreno» del suo ambiente (il risultato reale di uno strumento o di un codice), e la descrizione degli strumenti merita tanta cura quanto un’interfaccia destinata a esseri umani.

Resta da collegare questi strumenti. Il Model Context Protocol (MCP), lanciato da Anthropic nel novembre 2024 e poi affidato nel dicembre 2025 all’Agentic AI Foundation, una struttura della Linux Foundation, standardizza il modo in cui un’applicazione di IA si connette a servizi esterni. La sua specifica, nella versione datata 28 luglio 2026, descrive server che espongono strumenti, risorse e modelli di messaggi; la nostra guida dedicata al MCP ne dettaglia l’architettura. Per approfondire, consultate «MCP: comprendere il Model Context Protocol e i suoi usi».

Una richiesta di rimborso trattata dall’inizio alla fine

Lo scenario seguente è illustrativo: mostra il ciclo su un caso comune di supporto clienti, uno dei due usi che Anthropic ritiene più adatti agli agenti insieme allo sviluppo software. Approfondiamo questo punto in «Agenti IA in azienda: dieci casi d’uso realmente utili».

  1. Arriva un’email: un cliente segnala un pacco danneggiato e chiede un rimborso.
  2. L’agente chiama lo strumento di ricerca clienti e ritrova l’ordine.
  3. Consulta la politica di reso nella base documentale e constata che la richiesta è nei tempi.
  4. Prepara il rimborso, ma lo strumento di pagamento è configurato per richiedere una validazione umana: la richiesta parte per un consulente con l’importo e la giustificazione.
  5. Una volta ricevuta la validazione, l’agente esegue il rimborso, risponde al cliente e registra ogni passo nel ticket.

Il punto chiave sta nel passo 4: l’agente decide la concatenazione, ma l’azione irreversibile resta sottoposta a un umano. È questa regolazione, molto più della scelta del modello, che determina il livello di rischio.

Quali tipi di agenti IA scegliere in base alle tue esigenze?

Gli agenti si distinguono meno per la loro tecnologia che per il luogo in cui si eseguono e per ciò che li attiva. La tabella seguente raggruppa le grandi famiglie disponibili nel novembre 2026.

Famiglia Attivazione Usi tipici Punto di attenzione
Assistente conversazionale connesso Una richiesta dell’utente Ricerca, sintesi, azioni puntuali in applicazioni connesse Diritti ereditati dall’account dell’utente
Agente di workflow (n8n, Make, Zapier) Un evento: email, modulo, orario Smistamento di richieste, arricchimento di schede, risposte preparate Esecuzione senza testimone, da qui l’importanza dei log
Agente di codice Un compito di sviluppo Correggere un bug, scrivere test, migrare codice Accesso al repository e ai segreti del progetto
Agente di navigazione o agente personale Una missione affidata dall’utente Confrontare offerte, compilare moduli, prenotare Contenuti web malevoli, pagamenti
Sistema multi-agente Un agente orchestratore che delega Compiti lunghi suddivisi in sotto-compiti specializzati Costo e tracciabilità che si moltiplicano

Gli agenti di navigazione sono quelli che cambiano di più il rapporto con i siti e i servizi online. Il nostro articolo su il web agentico mostra come assistenti personali potrebbero acquistare, consultare e pagare contenuti per conto dell’utente, e perché le grandi piattaforme potrebbero cercare di bloccarne l’accesso. I sistemi multi-agente, invece, riguardano un argomento a sé stante, l’orchestrazione multi-agente, che sarà trattato separatamente. Per approfondire, leggete il nostro articolo «Orchestrazione multi-agente: come coordinare più agenti IA?».

I criteri che fanno la differenza

Prima di scegliere un tipo di agente, ponetevi queste sei domande sul compito mirato. Più le risposte pendono verso la destra di ogni alternativa, più un workflow semplice o un assistente supervisionato sarà preferibile a un agente autonomo.

  • Variabilità: le richieste cambiano molto da una volta all’altra, o seguono sempre lo stesso percorso?
  • Numero di passi: è imprevedibile, o potete scriverlo in anticipo?
  • Reversibilità: un errore si corregge con un clic, o coinvolge denaro, un cliente, dati?
  • Verificabilità: il risultato può essere controllato automaticamente (test, regole), o solo da un esperto?
  • Sensibilità dei dati: l’agente manipola dati pubblici, o personali e confidenziali?
  • Volume: il compito si ripete centinaia di volte al mese, o solo poche volte?

Anthropic raccomanda esplicitamente di iniziare con la soluzione più semplice e di aggiungere autonomia solo quando migliora il risultato in modo misurabile. Per i casi d’uso degli agenti IA in azienda e la scelta dei migliori strumenti per agenti IA, due guide di questo dossier dettagliano esempi e un confronto per uso. Approfondiamo questo punto in «Migliori strumenti per creare un agente IA: confronto per uso».

Come costruire e testare un primo agente?

Esistono due percorsi. Le piattaforme di automazione visiva (n8n, Make, Zapier Agents) permettono di creare un agente IA senza codice, assemblando un trigger, un modello e degli strumenti; un tutorial dedicato all’agente IA con n8n mostra questo montaggio passo per passo. I kit di sviluppo degli editori di modelli offrono più controllo, al prezzo di un lavoro di ingegneria. In entrambi i casi, il metodo rimane lo stesso. L’argomento è oggetto di un articolo dedicato: «Creare un agente IA con n8n: tutorial, costi e salvaguardie».

  1. Scegliete un compito delimitato, frequente e poco rischioso: smistare richieste in arrivo piuttosto che «gestire il supporto».
  2. Scrivete la definizione di successo: come appare un compito completato, e cosa non deve mai accadere.
  3. Date il minimo di strumenti, in sola lettura all’inizio; aggiungete i diritti di scrittura uno per uno.
  4. Redigete le istruzioni: ruolo, obiettivo, regole, formato di output, condotta da tenere in caso di dubbio.
  5. Fissate i limiti: numero di iterazioni, durata massima, budget per esecuzione. In n8n, per esempio, il nodo AI Agent limita di default l’agente a 10 iterazioni.
  6. Costituite un set di test a partire da casi reali, aggiungendo casi ambigui, incompleti o ingannevoli.
  7. Avviate un pilota supervisionato, con validazione umana delle azioni sensibili e registrazione di ogni passo.

Il test è il passo più spesso trascurato. La nostra guida per valutare agenti IA in azienda ricorda un calcolo semplice: un agente che riesce in un compito l’80% delle volte ha solo circa il 33% di probabilità di riuscirci cinque volte di fila. L’affidabilità deve quindi essere misurata su esecuzioni ripetute, non su una dimostrazione riuscita; il metodo per valutare un agente IA sarà oggetto di una guida specifica di questo dossier.

Cosa fa fallire un primo agente

  • Un obiettivo vago, che lascia il modello interpretare la missione.
  • Troppi strumenti, o strumenti con descrizioni vaghe, che provocano scelte di chiamata sbagliate.
  • Nessuna condizione di arresto, e quindi cicli che consumano chiamate senza concludere.
  • Test limitati ai casi facili, che nascondono i fallimenti sulle richieste atipiche.
  • Diritti di scrittura concessi fin dal primo giorno, prima di aver osservato il comportamento reale.

Come proteggere gli accessi e controllare i costi?

L’OWASP, la fondazione di riferimento in sicurezza applicativa, classifica l’«agentività eccessiva» tra i dieci rischi maggiori delle applicazioni basate su modelli linguistici (scheda LLM06:2025). Ne identifica tre cause: funzioni inutili (uno strumento che può cancellare quando basta leggere), permessi troppo ampi (un account di servizio onnipotente invece dei diritti dell’utente) e troppa autonomia (azioni ad alto impatto senza validazione). Le contromisure derivano direttamente da questa diagnosi: strumenti specializzati piuttosto che generici, privilegio minimo, approvazione umana delle azioni ad alto impatto, e controllo delle autorizzazioni nei sistemi target piuttosto che nel giudizio del modello.

Il secondo rischio proprio degli agenti è l’iniezione di prompt indiretta: un’email, una pagina web o un documento trattato dall’agente contiene istruzioni che deviano il suo comportamento. L’OWASP, che lo considera il rischio numero uno (LLM01:2025), precisa che né il RAG né l’adeguamento del modello bastano a impedirlo. La specifica MCP pone lo stesso principio lato connettori: l’applicazione ospite deve ottenere il consenso esplicito dell’utente prima di invocare uno strumento, e le descrizioni degli strumenti sono da considerare inaffidabili finché non provengono da un server di fiducia. La sicurezza degli agenti IA, la governance degli agenti e la prevenzione dell’iniezione di prompt sono dettagliate in guide dedicate.

Per quanto riguarda i segreti, la regola è semplice: una chiave API non deve mai figurare nelle istruzioni dell’agente né in un file condiviso. Si ripone nel portachiavi della piattaforma, si limita a un uso, e si revoca se viene compromessa.

Stimare il costo prima di lanciare

Un agente consuma token a ogni giro di ciclo, e la fattura cresce in fretta perché il contesto si allunga man mano che i risultati degli strumenti si accumulano. Il listino prezzi di Anthropic ricorda anche che le definizioni degli strumenti inviate al modello contano come token di input. Per fissare gli ordini di grandezza, prendiamo un esempio teorico con Claude Sonnet 5.5, fatturato 2 dollari per milione di token in input e 10 dollari per milione in output (prezzi verificati nel novembre 2026):

  • 8 chiamate al modello per compito, con in media 6.000 token in input e 400 in output;
  • cioè 48.000 token in input (circa 0,096 dollari) e 3.200 in output (circa 0,032 dollari);
  • circa 0,13 dollari per compito, quindi circa 64 dollari per 500 compiti al mese, escluso abbonamento alla piattaforma e tempo di supervisione.

Queste ipotesi variano enormemente da un agente all’altro: un nuovo tentativo, un documento voluminoso o un sotto-agente possono moltiplicare il totale. Il calcolatore del costo di un agente IA permette di rifare questo calcolo con il vostro scenario, i vostri volumi e il vostro modello, e la guida sul costo di un agente IA dettaglierà le voci nascoste: supervisione, manutenzione, valutazione.

Cosa dice l’AI Act

Il regolamento europeo sull’IA (AI Act) non ragiona per tecnologia ma per uso e livello di rischio: un agente che smista candidature non ha gli stessi obblighi di un agente che riassume una rassegna stampa. Secondo la pagina della Commissione europea dedicata al testo, consultata nel novembre 2026, il regolamento modificativo detto «omnibus digitale» (regolamento (UE) 2026/1744), entrato in vigore il 27 luglio 2026, ha posticipato le regole applicabili ai sistemi ad alto rischio: si applicheranno a partire dal 2 dicembre 2027 per i settori sensibili elencati nell’allegato III (impiego, istruzione, biometria in particolare) e dal 2 agosto 2028 per i sistemi integrati in prodotti. Il test per sapere se siete interessati dall’AI Act dà un primo orientamento, e la nostra guida all’AI Act in azienda dettaglierà gli obblighi; nessuno di questi contenuti sostituisce il parere di un giurista. L’argomento è oggetto di un articolo dedicato: «AI Act: guida agli obblighi e alla governance dell’IA in azienda».

Checklist prima del rilascio in produzione

  • Ogni strumento ha un ruolo unico e diritti minimi, documentati.
  • Le azioni irreversibili (pagamento, invio, cancellazione) richiedono una validazione umana.
  • I contenuti esterni trattati dall’agente sono considerati non affidabili.
  • Le chiavi API sono memorizzate in un portachiavi, mai nelle istruzioni.
  • Sono attivi limiti di iterazioni, durata e budget.
  • Ogni esecuzione è registrata: input, chiamate agli strumenti, decisioni, costo.
  • Un set di test viene rieseguito a ogni modifica delle istruzioni, del modello o degli strumenti.
  • Una persona è designata per riesaminare i log e fermare l’agente se necessario.

Domande frequenti sugli agenti autonomi

Un agente IA può lavorare senza alcuna supervisione?

Tecnicamente sì, purché disponga di un trigger e di strumenti. In pratica, nessuna fonte seria lo raccomanda per azioni ad alto impatto: Anthropic come l’OWASP prevedono punti di controllo umani e condizioni di arresto. La supervisione può tuttavia diventare più leggera col tempo, passando da una validazione sistematica a un controllo per campione, una volta misurata l’affidabilità.

Bisogna saper programmare per creare un agente?

No per un primo agente: n8n, Make o Zapier Agents propongono editor visivi dove si assemblano modello, strumenti e istruzioni. Il codice diventa utile quando servono strumenti su misura, un’integrazione fine al sistema informativo o un controllo preciso dei costi. In ogni caso, la qualità dell’agente dipende più dalla definizione del compito e dai test che dallo strumento scelto.

Quale differenza tra un agente IA e un’automazione classica?

Un’automazione segue regole scritte: è prevedibile, poco costosa, ma non sa trattare un caso non anticipato. Un agente interpreta la situazione e sceglie le sue azioni: gestisce meglio la varietà, al prezzo di un costo per esecuzione più elevato e di un comportamento meno prevedibile. Molti dispiegamenti di successo combinano entrambi, con un agente limitato ai passi che richiedono giudizio.

Quale modello usare per un agente?

Non esiste un modello migliore universale. Un agente richiede soprattutto una buona affidabilità nella chiamata degli strumenti e nel seguire istruzioni; un modello più piccolo e meno costoso può bastare per compiti di smistamento, un modello più potente è necessario per ragionamenti lunghi. Il confrontatore interattivo di modelli permette di incrociare prezzo, contesto e capacità, e il confronto dei modelli IA di questo sito dettaglierà il metodo di scelta.

Come sapere se un agente funziona davvero?

Misurandolo su un set di casi rappresentativo, rieseguito più volte: tasso di successo, tasso di azioni errate, numero di escalation verso un umano, costo e durata per compito. Confrontate queste cifre con la situazione senza agente, sullo stesso periodo e stesso volume. Il limite dell’esercizio è noto: un set di test non copre mai tutti i casi reali, da qui l’interesse di riesaminare regolarmente un campione di esecuzioni in produzione e di aggiungere ogni nuovo fallimento al set di test.

S’abonner
Notification pour
guest

0 Commentaires
Le plus ancien
Le plus récent Le plus populaire
0
Nous aimerions avoir votre avis, veuillez laisser un commentaire.x