IA agentica: definizione, funzionamento ed esempi

Definizione dettagliata

L'IA agentica (agentic AI in inglese) indica i sistemi di intelligenza artificiale progettati per raggiungere un obiettivo in più passaggi, con una supervisione umana limitata. IBM la definisce come un sistema capace di portare a termine un obiettivo specifico con una supervisione limitata, valutando più azioni possibili e scegliendo quella più pertinente. Microsoft va nella stessa direzione e parla di sistemi IA dotati di agentività, ossia la capacità di decidere e agire in modo indipendente perseguendo uno scopo.

Non è un prodotto, è una categoria. Si può costruire un chatbot che non ha nulla di agentico, e si può costruire un agente che lo è pienamente. Ciò che colloca un sistema dal lato agentico sono tre ingredienti riuniti: un obiettivo dato invece di una singola domanda posta, una capacità di scomporre questo obiettivo in azioni successive, e un'esecuzione reale di queste azioni tramite strumenti, non solo una risposta in testo.

La nozione non è nata con gli LLM. Prosegue un'idea più antica dell'intelligenza artificiale, quella dell'agente razionale formalizzata da Russell e Norvig: un agente percepisce il proprio ambiente tramite sensori e agisce su di esso tramite effettori, cercando il miglior risultato possibile in base a ciò che sa. Ciò che cambia con i modelli linguistici recenti è che il "cervello" dell'agente può ora ragionare in linguaggio naturale, leggere una documentazione, e decidere di chiamare uno strumento senza una regola codificata in anticipo per ogni caso. Si veda anche la pagina IA generativa vs IA agentica per il confronto completo tra le due nozioni.

Come funziona

Le descrizioni tecniche convergono verso un ciclo in quattro tempi. Microsoft lo riassume così: percezione (acquisizione di dati e segnali), ragionamento (costruzione di un piano), azione (esecuzione tramite strumenti e API), poi riflessione (valutazione del risultato e aggiustamento). Google Cloud descrive un ciclo simile, percezione, decisione, azione, con un ritorno che si ricollega alla percezione successiva.

Quattro elementi rendono possibile questo ciclo:

• La pianificazione: il sistema scompone un obiettivo vago in una sequenza di passaggi concreti, e può rivedere questo piano se un passaggio fallisce.
• L'uso di strumenti: l'agente chiama API, interroga basi di dati, invia messaggi, invece di limitarsi a descrivere cosa andrebbe fatto.
• La memoria: a breve termine per mantenere il filo di un'attività in corso, a lungo termine per ricordare il contesto di un progetto da una sessione all'altra.
• L'autonomia, che non è un tutto o niente: va dal semplice assistente che propone un'azione da convalidare fino all'agente che esegue e segnala solo le decisioni davvero critiche.

È qui che si gioca una vera linea di demarcazione nel mercato attuale: da un lato gli agenti autonomi asincroni, che ricevono un obiettivo di fondo, scelgono il proprio percorso per raggiungerlo, funzionano in continuo nel proprio ambiente di esecuzione e coinvolgono una persona solo per una decisione precisa; dall'altro gli agenti-workflow attivati, costruiti su strumenti come Make, n8n, Zapier, Lindy, Copilot Studio o Agentforce, dove un trigger avvia una sequenza di passaggi in gran parte predefinita. Le due categorie sono entrambe legittime e rispondono a esigenze diverse, non è una questione di strumento migliore o peggiore, ma di quale granularità di autonomia si cerca.

Esempio concreto con Atako

In Atako, un agente creato da un'azienda funziona nel proprio ambiente di esecuzione isolato, non in un pool di worker condiviso. Questa persistenza cambia tutto: la memoria, i file e le attività pianificate dell'agente sopravvivono alle sue pause e ai suoi riavvii, esattamente ciò che ci si aspetta da un sistema che persegue un obiettivo nel tempo invece di rispondere una volta sola e poi dimenticare.

Concretamente, uno stesso agente IA riceve le proprie sollecitazioni tramite quattro canali che alimentano tutti la stessa memoria: chat, email, webhook e cron. Il canale cron illustra bene la logica agentica: l'attività pianificata non viene configurata in un modulo da una persona, viene creata dall'agente stesso quando decide che una verifica regolare fa parte del proprio piano per raggiungere l'obiettivo. Per i sottocompiti complessi, l'agente può anche delegare a un sotto-agente effimero, il cui lavoro appare come passaggi nella propria timeline di attività.

Questa autonomia resta comunque inquadrata. Ogni chiamata a uno strumento passa attraverso un grant esplicito (agente, connessione, azione precisa, ambito di lettura o lettura-scrittura), rifiutato per impostazione predefinita finché non è stato concesso. Un caso d'uso come il triage CI e la gestione degli incidenti mostra questo funzionamento nella pratica: l'agente sorveglia una pipeline, correla l'errore con i commit recenti, notifica il team e redige un rapporto, più passaggi concatenati verso un obiettivo, con punti di passaggio umani mantenuti dove contano davvero.

Errori frequenti

La confusione più comune consiste nel chiamare "agentico" qualsiasi strumento che risponde in modo intelligente a un prompt. Un buon chatbot che riassume un documento non è agentico se non pianifica nulla e non agisce su nulla al di fuori della conversazione. Al contrario, una sequenza di regole fisse automatizzata dall'inizio alla fine non è nemmeno essa agentica in senso pieno, anche se funziona senza supervisione: le manca la decisione.

Secondo errore, credere che l'autonomia sia un interruttore unico, tutto o niente. In pratica è un cursore: un sistema può pianificare le proprie azioni e proporre una convalida prima di ogni esecuzione sensibile, oppure andare molto oltre e segnalare solo le decisioni critiche. Confondere i due estremi porta a sottostimare un sistema davvero autonomo, o a sopravvalutare un semplice copilota come se agisse da solo.

Terza trappola, pensare che "agentico" e "generativo" si oppongano. In realtà, come ricorda IBM, le due nozioni si sovrappongono largamente e funzionano spesso insieme: il modello generativo funge da motore di ragionamento all'interno del sistema agentico. Si veda il confronto dettagliato nella pagina IA generativa vs IA agentica.

Per approfondire

Se desidera approfondire la distinzione con i modelli generativi semplici, la pagina IA generativa vs IA agentica descrive nel dettaglio dove finisce l'uno e dove inizia l'altro, con la stessa attenzione a non contrapporli artificialmente. Il nostro articolo di blog sull'argomento, IA generativa vs agenti autonomi, le vere differenze, riprende il tema con esempi più ampi di quelli di Atako. Il glossario completo copre le altre nozioni collegate, come l'orchestrazione di agenti o l'agente IA autonomo, per collocare l'IA agentica nell'insieme del vocabolario del settore.