IA generativa vs IA agentica: qual è la differenza?

Definizione dettagliata

I due termini si assomigliano e vengono spesso confusi, ma non descrivono la stessa cosa. IBM lo dice in modo semplice: l'IA generativa crea contenuti nuovi, testo, immagini, video, audio o codice, in risposta a una richiesta. Il modello ha appreso schemi da enormi quantità di dati e li riproduce in una forma nuova e statisticamente plausibile. Il punto in comune a tutti gli usi generativi: si pone una domanda o si dà un'istruzione, il modello risponde una volta, e si ferma lì.

L'IA agentica, invece, punta al raggiungimento di un obiettivo tramite una sequenza di decisioni e azioni, non una singola risposta. Nella sua pagina di confronto, IBM riassume la differenza così: l'IA generativa crea nuovi contenuti, l'IA agentica si concentra sul raggiungimento di obiettivi pianificando, decidendo ed eseguendo workflow su più passaggi. Per il dettaglio di questa seconda nozione, si veda la pagina IA agentica.

Il punto in cui l'argomento diventa interessante è la sovrapposizione. IBM lo dichiara esplicitamente: le due categorie "funzionano spesso insieme" nella pratica. Un sistema agentico non ha un linguaggio né una capacità di redazione propria: prende in prestito quella di un modello generativo, che diventa il suo motore di ragionamento interno. In altre parole, quasi ogni agente agentico costruito oggi contiene un modello generativo da qualche parte, ma non ogni uso generativo è per questo un agente. È una relazione di inclusione parziale, non un'opposizione frontale, e le due nozioni si sovrappongono senza coincidere del tutto.

Come funziona

Il modello generativo da solo funziona in un ciclo breve: un input, un passaggio nel modello, un output, fine. Non ha memoria tra una chiamata e l'altra a meno che non gliela si fornisca esplicitamente ogni volta nel prompt, e non agisce su nulla al di fuori della conversazione a meno che un sistema esterno non interpreti la sua risposta e attivi un'azione.

Un sistema agentico aggiunge quattro livelli sopra questo stesso modello generativo. Microsoft descrive il ciclo in quattro tempi: percezione di dati e segnali, ragionamento per costruire un piano (è qui che interviene il modello generativo), azione tramite strumenti e API, poi riflessione per valutare il risultato e aggiustare il seguito. Google Cloud descrive un ciclo simile, percezione, decisione, azione, con un ritorno che si ricollega al passaggio successivo. Concretamente, lo strato agentico apporta:

• La pianificazione, che scompone un obiettivo in passaggi e può rivedere il piano in corso d'opera, una capacità che il modello generativo da solo non possiede nativamente.
• La chiamata di strumenti, o tool calling, che permette al sistema di agire davvero (inviare un messaggio, creare un file, interrogare una base) invece di descrivere l'azione in testo.
• La memoria persistente, a breve e a lungo termine, per mantenere il filo di un obiettivo su più sessioni.
• Un livello di autonomia regolabile, dal copilota che propone un'azione da convalidare fino all'agente autonomo che esegue senza convalida sistematica.

Sul mercato, questa distinzione si sovrappone a un'altra linea di demarcazione utile: quella tra agente autonomo asincrono, che riceve un obiettivo a lungo termine, sceglie il proprio percorso e funziona in continuo nel proprio ambiente, e agente-workflow attivato, costruito su strumenti come Make, n8n, Zapier, Lindy, Copilot Studio o Agentforce, dove un evento avvia una sequenza in gran parte predefinita. Entrambi possono appoggiarsi allo stesso modello generativo internamente; ciò che cambia è il margine lasciato al sistema per scegliere da sé la propria sequenza di passaggi.

Esempio concreto con Atako

Un agente creato su Atako illustra bene dove passa il confine. Al momento della creazione, si sceglie un modello IA da un elenco curato (oppure una chiave tramite BYOK se l'azienda l'ha attivato): è il componente generativo, quello che comprende le istruzioni e redige le risposte. Usato da solo in una conversazione di chat, questo agente resta in un registro vicino al generativo classico, una domanda, una risposta.

Ciò che fa passare l'agente dal lato agentico sono gli strati aggiunti dalla piattaforma attorno a questo modello. L'agente funziona in continuo nel proprio ambiente isolato, non solo per la durata di una richiesta. Riceve sollecitazioni tramite quattro canali (chat, email, webhook, cron) che alimentano tutti la stessa memoria persistente. Può creare da sé un'attività cron quando ritiene che un monitoraggio regolare faccia parte del proprio piano, senza che una persona configuri questa pianificazione al posto suo. Per un sottocompito, può delegare a un sotto-agente effimero, il cui lavoro risale nella sua timeline di attività. E ogni chiamata reale verso uno strumento esterno (Slack, GitHub, Notion) passa attraverso un grant esplicito, un permesso preciso concesso a questo agente per questa azione, rifiutato per impostazione predefinita altrimenti.

Il modello generativo scelto alla creazione resta lo stesso dall'inizio alla fine. Ciò che rende l'insieme agentico non è quindi un modello diverso, ma la pianificazione, la memoria, gli strumenti e l'autonomia che la piattaforma costruisce attorno a esso.

Errori frequenti

L'errore più diffuso consiste nel trattare i due termini come sinonimi intercambiabili, o peggio, come rivali tra cui scegliere. Un progetto non deve "scegliere" tra IA generativa e IA agentica: la domanda pertinente è fino a dove spingere lo strato agentico sopra un modello generativo, non rinunciare all'uno per l'altro.

Secondo errore, credere che uno strumento diventi agentico semplicemente perché "usa l'IA" o perché viene presentato come tale in una brochure di marketing. Senza una pianificazione reale su più passaggi né un'azione effettiva su sistemi esterni, si tratta sempre di IA generativa, anche se vestita con un vocabolario agentico.

Terzo errore, sottovalutare la dipendenza dell'agentico dalla qualità del modello generativo sottostante. Un sistema agentico poco dotato di strumenti ma costruito su un ottimo modello di ragionamento produrrà piani migliori di un sistema pieno di strumenti ma basato su un modello generatore debole. Lo strato agentico amplifica i pregi e i difetti del modello che pilota, non li corregge.

Per approfondire

Il nostro articolo di blog IA generativa vs agenti autonomi, le vere differenze riprende questo confronto con uno sguardo più ampio sul mercato, al di là del solo caso di Atako. Per approfondire il vocabolario, la pagina IA agentica descrive nel dettaglio il paradigma, e la pagina agente IA parte dal mattone di base, l'agente, prima di affrontare la pianificazione e l'orchestrazione tra più agenti.