Sistemi multi-agente: quando più agenti valgono più di uno

Un agente, più agenti: di cosa parliamo

Un agente IA autonomo gira da solo, con i propri strumenti, la propria memoria e il proprio obiettivo. Un sistema multi-agente, invece, mette al lavoro più agenti sullo stesso compito, ciascuno con un ruolo preciso. L'idea non è nuova nell'informatica distribuita, ma assume un senso concreto da quando i modelli linguistici sanno usare strumenti e concatenare passaggi senza supervisione costante.

Il termine copre realtà diverse. C'è il sistema "orchestratore più sotto-agenti", in cui un agente principale suddivide il lavoro e delega porzioni ad agenti più specializzati. Ci sono anche agenti pari, che comunicano tra loro per condividere risultati senza una gerarchia rigida. La sfumatura da ricordare è che "più agenti" non significa "più istanze identiche che fanno la stessa cosa in parallelo": ogni agente ha un proprio perimetro. Il glossario di Atako approfondisce questa distinzione.

Il principio dell'orchestrazione

Ciò che distingue un vero sistema multi-agente da un semplice lotto di script che girano in parallelo è l'orchestrazione: la logica che decide chi fa cosa, in quale ordine, e come i risultati si ricombinano. Anthropic ha documentato in dettaglio l'architettura che usa per la propria funzione di ricerca approfondita: un agente "lead" analizza la richiesta, definisce una strategia, poi crea sotto-agenti incaricati di esplorare ciascuno una pista in parallelo prima di far confluire i loro risultati (fonte: Anthropic, "How we built our multi-agent research system", https://www.anthropic.com/engineering/multi-agent-research-system, consultato il 2026-09-04).

Questo modello orchestratore/lavoratori ricorre in quasi tutte le implementazioni serie. L'agente principale non svolge il lavoro da solo: pianifica, distribuisce, verifica e assembla. È ciò che si chiama orchestrazione di agenti. Il sotto-agente, dal canto suo, è pensato per essere breve e usa e getta: esiste per la durata di un sotto-compito, poi scompare.

Perché più agenti a volte fanno meglio di uno solo

Il risultato più citato sull'argomento viene proprio da Anthropic. Nella sua valutazione interna, un sistema composto da un agente Opus come direttore d'orchestra e sotto-agenti Sonnet ha superato del 90,2% le prestazioni di un agente Opus da solo sugli stessi compiti di ricerca (stessa fonte di cui sopra). La spiegazione sta in una parola: la parallelizzazione. Un agente singolo esplora le piste una alla volta, in un'unica finestra di contesto che finisce per saturarsi. Più agenti possono esplorare più piste contemporaneamente, ciascuno nel proprio contesto, prima di ricombinare ciò che hanno trovato.

Questo vantaggio non è universale. Si manifesta soprattutto su compiti "in ampiezza": ricerca documentale, esplorazione di più ipotesi, elaborazione di un grande volume di informazioni disgiunte. LangChain, in un articolo di riferimento sull'argomento, riassume bene la condizione: i sistemi multi-agente eccellono sui compiti ad alto valore che si parallelizzano bene, e perdono interesse non appena il lavoro è fortemente sequenziale o dipendente da un contesto condiviso (fonte: LangChain, "How and when to build multi-agent systems", https://www.langchain.com/blog/how-and-when-to-build-multi-agent-systems, consultato il 2026-09-04).

Anthropic è arrivata a scomporre statisticamente ciò che spiega gli scarti di prestazione tra le configurazioni. Tre fattori spiegano da soli il 95% della varianza osservata: la quantità di token utilizzata, il numero di chiamate a strumenti effettuate, e la scelta del modello. L'uso di token, da solo, spiega l'80% di questa varianza (stessa fonte). In altre parole, non è "avere più agenti" a far guadagnare in prestazioni, è la capacità che questo dà di consumare più calcolo in parallelo su un problema che si presta a questo. Su un problema che non si presta a questo, questa stessa capacità non serve a nulla, costa semplicemente di più per un risultato paragonabile a un agente singolo.

Il prezzo del coordinamento

Questo guadagno di prestazioni ha un costo, e non è affatto marginale. Secondo Anthropic, un agente singolo consuma già circa 4 volte più token di una conversazione in chat classica. Un sistema multi-agente, invece, ne consuma circa 15 volte di più (stessa fonte). Non è un dettaglio contabile: a questo livello di moltiplicazione, solo i compiti il cui valore di business è realmente elevato giustificano l'investimento.

Il costo di coordinamento non si limita ai token. LangChain individua un problema più strutturale: le scritture concorrenti creano molti più problemi delle letture concorrenti. Due agenti che leggono lo stesso database in parallelo non è un problema. Due agenti che modificano lo stesso documento, lo stesso ticket o la stessa riga di codice contemporaneamente, producono conflitti che poi vanno riconciliati, spesso a mano. Più ci sono agenti, più aumenta la superficie di guasto: ogni agente aggiuntivo aggiunge uno strato di stato condiviso, un protocollo di comunicazione, e un nuovo punto in cui il sistema può bloccarsi senza che nessuno capisca subito il perché.

Bisogna anche contare il costo di debug. Seguire il ragionamento di un solo agente, con la sua timeline di azioni, è già un lavoro a sé. Seguire la concatenazione di decisioni tra più agenti che si dividono un compito, con i loro scambi di messaggi e le loro eventuali divergenze, richiede un'osservabilità molto più spinta. È un cantiere a sé stante.

Quando non lanciarsi nel multi-agente

Il riflesso "più agenti, più potenza" è uno dei modi più sicuri per far esplodere un budget IA senza un guadagno proporzionale. Gartner lo ha quantificato duramente: la società prevede che oltre il 40% dei progetti di IA agentica sarà abbandonato entro fine 2027, in particolare a causa di costi fuori controllo, di un valore di business mal definito e di controlli di rischio insufficienti (fonte: Gartner, "Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027", https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027, consultato il 2026-09-04). Buona parte di questi fallimenti deriva da progetti che aggiungono complessità di orchestrazione senza che il compito lo giustifichi.

In concreto, è meglio restare su un solo agente quando il compito rientra in un'unica finestra di contesto, quando è fortemente sequenziale (ogni passaggio dipende strettamente dal precedente), o quando il volume di lavoro non giustifica la spesa in token. LangChain cita proprio la programmazione come esempio: a differenza della ricerca, un compito di sviluppo raramente contiene vero lavoro parallelizzabile, il che rende il multi-agente meno pertinente di quanto si pensi per questo caso d'uso specifico.

La domanda giusta da porsi prima di aggiungere un secondo agente non è quindi "può aiutare?", è "questo compito ha una vera linea di separazione naturale?". Se una parte del lavoro richiede un accesso ai file, un'altra un accesso a un database, e una terza una chiamata a un'API esterna, c'è una vera suddivisione possibile. Se tutto dipende dallo stesso filo di ragionamento, aggiungere agenti aggiunge soprattutto attrito.

Una checklist semplice prima di lanciarsi: il compito genera più piste indipendenti da esplorare in parallelo? Il volume di lavoro giustifica una spesa in token più volte superiore? I sotto-compiti scrivono in sistemi diversi, o rischiano di pestarsi i piedi sugli stessi dati? Se la risposta è no a una di queste tre domande, un solo agente ben attrezzato, con buoni accessi e istruzioni chiare, probabilmente sarà più veloce e costerà meno di un'architettura a più agenti.

Cosa cambia concretamente con Atako

In Atako, questa logica orchestratore/sotto-agenti esiste in modo nativo: un agente può delegare un sotto-compito complesso a un sotto-agente effimero, il cui lavoro risale come passaggi nella timeline di attività dell'agente principale, senza consumare uno slot aggiuntivo. Questo evita l'insidia più comune: moltiplicare gli agenti "completi" (e il loro costo) quando un semplice sotto-agente temporaneo basterebbe. Se vuole approfondire il lato budget, l'articolo seguente illustra le voci di costo reali di un agente IA in azienda, e quello sulla misurazione del ROI La aiuterà a verificare, una volta implementato, se l'investimento ne è valsa la pena.