Architettura dell’IA agenziale: una guida pratica alla creazione di sistemi di IA più intelligenti

Un’architettura di AI agentica è un modello di progettazione che coordina più agenti di intelligenza artificiale specializzati. Ogni agente gestisce una parte specifica di un’attività più ampia, permettendo al sistema nel suo complesso di ottenere risultati migliori rispetto a quelli prodotti da un singolo modello.

«In sostanza, possiamo considerare questi LLM come agenti, ciascuno dei quali svolge una parte del compito», spiega Don Woodlock, presidente di InterSystems, nella sua serie «Code to Care ».

A differenza dei sistemi di intelligenza artificiale tradizionali, che rispondono a una singola richiesta generando un unico risultato, i sistemi di AI agentica possono pianificare le attività, utilizzare strumenti, conservare informazioni in memoria e prendere decisioni autonome nel corso di processi articolati in più fasi.

Anziché chiedere a un solo modello di svolgere l’intero lavoro, è possibile assegnare agli agenti ruoli specializzati. Un agente prepara una prima versione. Un altro la valuta. Un terzo la perfeziona. Alcuni agenti, inoltre, non sono necessariamente modelli linguistici: possono essere motori di ricerca, API, database o strumenti di calcolo. Un orchestratore coordina tutti questi elementi affinché operino verso un obiettivo comune.

Cosa ha reso concretamente possibile questo approccio? I modelli linguistici di grandi dimensioni hanno raggiunto un livello di affidabilità superiore. I modelli precedenti non erano sufficientemente affidabili per gestire sotto-attività autonome: potevano perdere di vista l’obiettivo o introdurre vincoli inesistenti. Gli agenti di AI più recenti riescono invece a seguire istruzioni complesse con una precisione sufficiente per assumere ruoli specializzati all’interno di sistemi più ampi, interpretare il contesto in cui operano e intervenire senza richiedere l’intervento umano in ogni singola fase.

I modelli linguistici di grandi dimensioni generano i contenuti un token alla volta, procedendo sempre in avanti. Una singola chiamata al modello non prevede un processo interno di revisione.

Pensiamo, ad esempio, a come verrebbe realmente sviluppato un piano di marketing. Si partirebbe da una scaletta, per poi preparare una bozza rileggerla raccogliere osservazioni e apportare modifiche. Potrebbe essere prevista anche una prova preliminare, prima di arrivare alla versione definitiva. Il lavoro si svilupperebbe quindi attraverso più passaggi, ciascuno volto a migliorare il precedente.

Un LLM, invece, concentra tutte queste attività in un’unica elaborazione. Non prepara una vera scaletta, non sottopone il risultato a una valutazione separata e non lo rivede. L’output corrisponde semplicemente a ciò che il modello ha previsto, parola dopo parola, senza la possibilità di fermarsi e riconsiderare quanto prodotto.

L’architettura agentica colma questa lacuna. Collegando più agenti, ognuno responsabile di una fase diversa, è possibile consentire ai sistemi di AI di creare, valutare e perfezionare flussi di lavoro complessi che un singolo modello non riuscirebbe a gestire con la stessa efficacia.

Le ricerche sul prompting basato sulla catena di pensiero( Wei et al., 2022; Kojima et al., Nel 2022, lo studio “)” hanno dimostrato che chiedere agli LLM di procedere attraverso passaggi intermedi di ragionamento può migliorare sensibilmente l’accuratezza nelle attività complesse. L’architettura agentica estende questo principio: non si limita a una tecnica applicata a un singolo prompt, ma lo trasforma in un modello di progettazione completo. Anziché chiedere a un solo modello di fermarsi e ragionare, si crea un insieme di agenti che opera strutturalmente attraverso fasi successive.

Il punto di partenza è ciò che Don Woodlock definisce “AI composita”: collegare più LLM tra loro anziché affidarsi a un solo modello. La configurazione più semplice utilizza tre agenti in sequenza:

1. Agente di redazione: genera il contenuto iniziale.
2. Agente di revisione: verifica la bozza rispetto ai requisiti di partenza.
3. Agente finale: rielabora il contenuto sulla base delle osservazioni ricevute.

"Questo approccio funziona davvero e permette di ottenere risultati molto migliori. È possibile provarlo direttamente anche con ChatGPT" - Don Woodlock

Il cambiamento fondamentale consiste nel non considerare più ogni chiamata a un LLM come “l’intelligenza artificiale” nel suo complesso. Ogni chiamata diventa invece un agente dotato di un ruolo preciso: chi scrive, chi valuta e chi prepara la versione finale. È possibile utilizzare lo stesso modello per tutti e tre i ruoli oppure combinare modelli diversi, in modo da introdurre prospettive differenti. In entrambi i casi, il risultato ottenuto dalla loro collaborazione tende a superare quello prodotto da una singola chiamata.

Una volta iniziato a ragionare in termini di agenti, emerge un secondo principio: non tutti gli agenti devono necessariamente essere modelli linguistici.

"Alcuni agenti possono essere strumenti: possono effettuare una ricerca su Google, chiamare un’API per fissare un appuntamento oppure utilizzare un’API di calcolo per eseguire un’operazione matematica." - Don Woodlock

Nel suo esempio, un “agente per la richiesta di dati” stabilisce quali statistiche potrebbero rafforzare un piano di marketing. Un altro agente esegue le ricerche online necessarie per trovarle. L’agente di ricerca può essere semplicemente una chiamata API, ma all’interno del sistema svolge lo stesso ruolo degli altri: riceve un compito, lo esegue e restituisce un risultato.

È proprio questo aspetto a distinguere un sistema agentico da una semplice catena di prompt. L’architettura può includere qualsiasi tipo di elaborazione: modelli linguistici, motori di ricerca, database, calcolatori o API esterne, tutti coordinati verso un unico obiettivo.

Il terzo passaggio consiste nel comprendere che il flusso di lavoro non deve necessariamente essere definito in modo rigido nel codice.

Anziché stabilire preventivamente una sequenza fissa di sei passaggi, è possibile fornire a un agente orchestratore un obiettivo, un insieme di agenti disponibili e alcune indicazioni generali. Sarà quindi l’orchestratore a decidere la sequenza operativa. Potrà tornare a una fase precedente per effettuare ulteriori ricerche, saltare un passaggio non necessario o modificare il percorso in funzione dei risultati intermedi.

L’orchestratore può essere paragonato a un investigatore. Un investigatore non segue necessariamente una lista prestabilita di attività: persegue un obiettivo, come risolvere un caso, e utilizza ogni nuovo elemento per stabilire cosa approfondire. Se una pista non porta a risultati, torna sui propri passi. Se una testimonianza apre una nuova direzione, decide di seguirla. L’orchestratore opera nello stesso modo: prima viene l’obiettivo, poi la sequenza delle azioni.

È questa caratteristica a distinguere l’architettura agentica dall’automazione tradizionale. Il sistema non si limita a seguire uno script, ma persegue autonomamente un risultato.

Indipendentemente dal livello di complessità, ogni sistema agentico comprende quattro moduli fondamentali, ai quali si aggiunge un livello di orchestrazione che li collega e li coordina.

Il modulo di percezione rappresenta il livello sensoriale del sistema. Raccoglie dati in tempo reale da API, database, sensori o interfacce utente e li trasforma in rappresentazioni utilizzabili dagli agenti. È qui che le tecnologie di elaborazione del linguaggio naturale interpretano i testi, i sistemi di computer vision analizzano le immagini e i connettori recuperano dati strutturati dai sistemi aziendali. La qualità del livello di percezione determina ciò che il sistema sarà in grado di fare nelle fasi successive. Il risultato prodotto da un agente, infatti, può essere valido solo quanto lo sono i dati ai quali può accedere.

In ambito sanitario, le organizzazioni che utilizzano piattaforme dati unificate come InterSystems HealthShare, in grado di aggregare le cartelle cliniche provenienti da diversi fornitori di cartelle cliniche elettroniche (EHR) attraverso standard quali FHIR^® e HL7®, offrono ai propri operatori una base di dati molto più completa rispetto a quelle che attingono da silos frammentati.

Il modulo cognitivo interpreta gli input provenienti dal livello di percezione alla luce degli obiettivi assegnati all’agente. È in questa fase che intervengono i modelli di machine learning, i meccanismi di ragionamento e gli algoritmi di pianificazione.

Le capacità di ragionamento dei modelli linguistici di grandi dimensioni hanno reso concretamente utilizzabili gli agenti deliberativi. Questi agenti possono confrontare diverse opzioni, definire sotto-obiettivi e modificare il piano durante lo svolgimento di un’attività.

Il ragionamento è però anche una delle fasi in cui possono verificarsi errori. Se un modello interpreta in modo scorretto i dati o definisce un sotto-obiettivo inadeguato, l’errore può propagarsi a tutte le fasi successive.

I sistemi di memoria consentono agli agenti di conservare un contesto che va oltre il prompt corrente. La memoria a breve termine tiene traccia del contesto della sessione e dei risultati intermedi. Può indicare, ad esempio, quale contenuto sia già stato prodotto dall’agente di redazione o quali dati siano già stati recuperati.

La memoria a lungo termine conserva invece risultati precedenti, preferenze degli utenti e conoscenze accumulate. In questo modo, il sistema può migliorare nel tempo. Gli agenti che mantengono una traccia delle interazioni precedenti e degli stati dell’ambiente possono sviluppare ragionamenti su periodi più estesi, collegando l’attività corrente alle informazioni apprese in passato.

La gestione del contesto tra agenti rappresenta una delle sfide tecniche più complesse nei sistemi multi-agente. Le informazioni accessibili a ciascun agente devono essere delimitate correttamente, così da fornirgli ciò di cui ha bisogno senza sovraccaricarlo con dati irrilevanti.

Il modulo di azione esegue le decisioni prese dal sistema. Può generare un testo, chiamare un’API, aggiornare un record all’interno di un database oppure trasferire l’attività all’agente successivo. Nel modello descritto da Don Woodlock, gli agenti di redazione, valutazione e revisione eseguono azioni differenti, tutte orientate allo stesso obiettivo.

Le azioni possono inoltre attivare processi all’interno di sistemi software esterni: fissare appuntamenti, aprire ticket, aggiornare record in un CRM o inviare dati a una pipeline analitica. Il livello di azione rappresenta quindi il punto in cui l’AI agentica interagisce concretamente con il mondo reale.

Il livello di orchestrazione coordina il flusso dei dati e delle attività tra tutti gli altri moduli. Stabilisce quale agente debba intervenire, in quale momento e quali informazioni debba ricevere.

A questo si aggiunge il ciclo di feedback, che consente al sistema di valutare i propri progressi, individuare eventuali errori logici e adattare la strategia in tempo reale sulla base dei risultati ottenuti Attraverso cicli di apprendimento per rinforzo, i sistemi agentici possono migliorare progressivamente, acquisendo nuovi dati e perfezionando il comportamento degli agenti a ogni iterazione.

I sistemi agentici possono essere analizzati su due livelli: il modo in cui viene progettato il singolo agente e il modo in cui più agenti vengono organizzati all’interno di un sistema.

Il modo in cui un agente elabora le informazioni e prende decisioni determina il tipo di attività che può gestire:

Modello	Come funziona	Ideale per
Reattivo	Risponde a stimoli immediati senza utilizzare memoria o capacità predittive. Un agente riflesso basato su modello associa direttamente le informazioni percepite alle azioni.	Attività semplici e rapide, come l’instradamento degli avvisi o l’attivazione di processi al superamento di determinate soglie.
Deliberativo	Ragiona, pianifica e utilizza modelli interni del contesto per prendere decisioni. più lento, ma anche molto più capace.	Problemi complessi che richiedono una pianificazione articolata, come attività di ricerca e analisi.
Cognitivo	Riproduce alcune modalità del pensiero umano, integrando ragionamento, apprendimento e decisioni autonome con memoria a breve e lungo termine.	Attività che richiedono adattamento, come raccomandazioni personalizzate e creazione iterativa di contenuti.

La maggior parte degli agenti di AI moderni utilizza un modello deliberativo o cognitivo. Le capacità di ragionamento degli LLM hanno reso praticabili questi approcci in modi che non erano possibili fino a pochi anni fa.

Il modo in cui gli agenti vengono organizzati determina come collaborano e chi prende le decisioni:

Modello	Struttura	Ideale per	Vantaggi e limiti
Agente singolo	Un solo agente assume decisioni centralizzate, utilizzando strumenti e un prompt di sistema. L’intera attività viene gestita autonomamente dallo stesso agente.	ttività ben definite, come ricerche di supporto, sintesi di documenti o revisione del codice.	Semplice da sviluppare e correggere. Limitato dalle capacità di un solo agente.
Pipeline verticale	Un agente principale supervisiona le sotto-attività e guida in sequenza più agenti specializzati. Gli agenti gerarchicamente subordinati restituiscono i risultati al livello superiore.	Flussi sequenziali, come creazione di contenuti, elaborazione dati e generazione di report.	Prevedibile e facilmente verificabile Poco flessibile quando i requisiti cambiano durante l’esecuzione.
Architettura orizzontale	Gli agenti operano sullo stesso livello, all’interno di un sistema decentralizzato privo di un unico responsabile. Lavorano in autonomia e negoziano i risultati.	Attività creative, brainstorming, valutazioni red team/blue team e analisi interdisciplinari.	Offre prospettive diverse. Rende più difficile convergere verso un’unica risposta.
Ibrido	Combina una leadership strutturata con modalità di collaborazione flessibili. La responsabilità può cambiare in base alla fase del progetto.	Progetti complessi che alternano esecuzione strutturata ed esplorazione aperta.	È il modello più versatile. È il modello più complesso da progettare e correggere.

L’esempio “bozza-valutazione-revisione” di Don Woodlock rappresenta una pipeline in cui il flusso segue una sequenza prestabilita. L’esempio dell’orchestratore rappresenta invece un’architettura ibrida, nella quale il sistema adatta il proprio comportamento in funzione dei risultati prodotti a ogni passaggio.

L’architettura ideale dipende dai requisiti dell’applicazione. Per attività ben definite è consigliabile partire da un singolo agente. Passare alle architetture multi-agente solo quando la complessità dell'attività lo richiede, ad esempio per motivi di specializzazione, esecuzione parallela o coordinamento tra domini.

Nelle architetture multi-agente, la principale difficoltà consiste nel permettere ai singoli agenti di lavorare insieme in modo efficace.

La collaborazione richiede di affrontare tre aspetti fondamentali: comunicazione, coordinamento e condivisione delle risorse.

Gli agenti comunicano attraverso lo scambio strutturato di messaggi. Il risultato prodotto da un agente diventa l’input del successivo. I protocolli di comunicazione stabiliscono formato, instradamento e priorità dei messaggi.

Nei sistemi verticali, gli agenti che fanno riferimento a un coordinatore seguono generalmente un modello hub-and-spoke. Nei sistemi orizzontali, invece, gli agenti comunicano e negoziano direttamente tra loro.

Standard come il Model Context Protocol (MCP) sono stati introdotti per uniformare il modo in cui gli agenti si collegano agli strumenti e alle fonti dati, riducendo il lavoro di integrazione richiesto ai team di sviluppo.

Uno dei principali vantaggi dei sistemi multi-agente rispetto alle architetture con un solo agente è la possibilità di svolgere attività in parallelo. Agenti diversi possono gestire contemporaneamente sotto-attività separate: uno può effettuare ricerche, un altro preparare una bozza e un terzo interrogare un database.

Questo permette ai sistemi di risolvere problemi complessi più velocemente rispetto a un singolo modello che procede in sequenza. L’esecuzione parallela introduce però nuove difficoltà di sincronizzazione: i risultati devono essere combinati in modo coerente, senza contraddizioni o duplicazioni.

Il coordinamento rappresenta la sfida principale delle architetture multi-agente. In assenza di meccanismi solidi di sincronizzazione, gli agenti possono utilizzare le risorse in modo inefficiente, duplicare attività o produrre risultati contrastanti.

Il problema diventa ancora più rilevante negli ambienti dinamici, nei quali i requisiti cambiano durante l’esecuzione del processo. Per mantenere le prestazioni del sistema al crescere della sua complessità è essenziale monitorarne il funzionamento complessivo: occorre individuare quali agenti rappresentano un collo di bottiglia, quali rimangono inattivi e in quali punti tendono ad accumularsi gli errori.

I sistemi multi-agente sono particolarmente adatti agli ambiti che richiedono la collaborazione tra competenze diverse, come la verifica della conformità, le ricerche di mercato, l’ottimizzazione dei flussi operativi e i progetti interfunzionali nei quali capacità analitiche, creative e operative devono convergere verso un unico risultato.

L’AI agentica non rappresenta sempre la scelta migliore. Attività come sintetizzare un documento, classificare una richiesta di assistenza o tradurre un testo possono essere gestite efficacemente con una singola chiamata a un LLM. Aggiungere più agenti in questi casi aumenta la complessità senza produrre benefici significativi.

L’architettura agentica giustifica la propria complessità quando:

• l’attività richiede più fasi consecutive, come ricerca, analisi e sintesi;
• l’accesso a dati esterni è essenziale e il sistema deve interrogare database, API o fonti aggiornate durante il processo;
• L'autocorrezione migliora i risultati: un ciclo di revisione critica aumenta in modo misurabile la qualità del lavoro;
• È necessario un coordinamento tra i vari sistemi: gli agenti devono prelevare dati da diverse piattaforme e inviarli ad altre.

Quando un’attività prevede un solo input, un solo output e nessuna decisione intermedia, un prompt ben progettato può offrire risultati migliori rispetto a un sistema agentico, con costi e tempi di risposta nettamente inferiori.

I sistemi di intelligenza artificiale agentica eccellono nella risoluzione di problemi aperti che richiedono un processo decisionale autonomo e la gestione di flussi di lavoro complessi articolati in più fasi. Negli ambienti aziendali, ciò si traduce in un impatto misurabile.

Le organizzazioni segnalano un’accelerazione dei processi aziendali compresa tra il 30% e il 50% quando i sistemi basati su agenti gestiscono l’automazione delle attività relative ai flussi di lavoro operativi, quali i controlli di conformità, la riconciliazione dei dati e l’onboarding dei clienti.

In pratica, ciò significa agenti personalizzati in base a specifiche funzioni aziendali. Come spiega Don Woodlock, si potrebbe creare «un modello che effettua verifiche rispetto alle policy dell’organizzazione o alle linee guida del brand», trasformando la revisione della conformità o la governance del marchio da attività manuale e potenziale collo di bottiglia a passaggio automatizzato all’interno di un flusso agentico.

L’AI agentica può automatizzare attività ad alta intensità di conoscenza che i modelli tradizionali non sono in grado di gestire, come analizzare dati non strutturati provenienti da più fonti, formulare valutazioni e adattarsi alle eccezioni.

Questi sistemi possono operare in modo continuativo e gestire improvvisi aumenti nel volume dei dati o delle richieste senza richiedere un incremento proporzionale delle risorse. Affidare agli agenti le attività cognitive ripetitive consente alle persone di concentrarsi su strategia, innovazione e creatività.

Nel settore sanitario, l’IA agentica migliora sia l’efficienza operativa che il processo decisionale clinico. Gli agenti in grado di analizzare immagini mediche, incrociare le anamnesi dei pazienti e apprendere da nuovi casi possono migliorare l’accuratezza diagnostica nel tempo.

L’integrazione dell’IA agentica nei sistemi aziendali esistenti rafforza i vantaggi competitivi in tutti i settori.

Piattaforme come InterSystems IRIS Data Platform forniscono la struttura portante di interoperabilità di cui questi agenti hanno bisogno nel settore sanitario e non solo, collegando i sistemi tramite standard quali FHIR e HL7, indipendentemente dal fornitore.

Anche le operazioni della catena di approvvigionamento ne traggono vantaggi analoghi. Gli agenti che rilevano variazioni della domanda e adeguano l’evasione degli ordini in tempo reale devono poter eseguire analisi sui dati transazionali correnti, non su estrazioni del data warehouse risalenti al giorno precedente. InterSystems IRIS supporta questa funzionalità in modo nativo grazie all'elaborazione translytical, che consente di eseguire carichi di lavoro sia transazionali che analitici sugli stessi dati senza ritardi dovuti all'ETL.

Implementare sistemi di AI agentica richiede un’attenta selezione dei tipi di agente, degli strumenti e dei framework più adatti alle capacità di AI richieste e agli obiettivi aziendali. L'ecosistema si è evoluto rapidamente.

I framework degli agenti gestiscono la logica degli agenti, il coordinamento e l'utilizzo degli strumenti:

Framework	Gestito da	Approccio
LangGraph	LangChain	Flussi di lavoro basati su grafici. Gli agenti come nodi, le transizioni come archi. Massima flessibilità, curva di apprendimento più ripida.
CrewAI	Open source (AI Fund)	"Gruppi" basati sui ruoli. Assegna agli agenti ruoli, obiettivi e contesto. Il percorso più veloce per realizzare prototipi multi-agente.
Microsoft Agent Framework	Microsoft	Struttura unificata (fusione di AutoGen e Semantic Kernel). Integrazione profonda con Azure. Orientato alle imprese.
Google ADK	Google	Toolkit "code-first" con strumenti integrati, supporto per il Model Context Protocol e interfaccia utente per il debug visivo. Si integra con Vertex AI.

Questi framework gestiscono la logica e il coordinamento degli agenti. Ma gli agenti devono anche poter accedere ai dati aziendali distribuiti tra database, motori di interoperabilità e strumenti di analisi in tempo reale. Piattaforme come InterSystems IRIS forniscono il livello di infrastruttura dati su cui gli agenti effettuano le interrogazioni e agiscono, consentendo agli sviluppatori di integrare funzionalità di IA basate su agenti nei sistemi software esistenti.

La scelta di un framework pratico è essenziale per la realizzazione di sistemi gestibili e scalabili. La decisione dipende dalle competenze del team, dall’ambiente cloud utilizzato e dalla necessità di disporre di modelli agentici preconfigurati oppure di un livello maggiore di personalizzazione.

Inizia da qui: scegli un framework e metti in pratica il modello “bozza-critica-revisione” descritto nel Leap 1. Utilizza un unico LLM per tutti e tre gli agenti. Fallo funzionare. Quindi espandi.

La realizzazione di sistemi agenti comporta dei compromessi che gli approcci basati su un unico modello consentono di evitare. Per ottenere risultati affidabili, le organizzazioni devono gestire una maggiore complessità tecnica.

• La latenza si accumula. Ogni agente introduce un ulteriore scambio con il modello. Una pipeline composta da tre agenti può richiedere un tempo circa tre volte superiore rispetto a una singola chiamata. Prima di aggiungere nuovi agenti è quindi necessario definire tempi di risposta accettabili.
• Gli errori si propagano. Un risultato errato prodotto dall’agente di redazione viene trasferito all’agente di valutazione, che potrebbe non individuarlo. È opportuno introdurre controlli di validazione a ogni passaggio e non soltanto alla fine del processo.
• I costi aumentano. Più agenti significano un numero maggiore di chiamate API e, di conseguenza, costi più elevati È importante misurare il costo per attività e confrontarlo con l’effettivo miglioramento qualitativo. In alcuni casi, un singolo prompt ben progettato può essere sufficientemente efficace e molto più conveniente.
• Il debugging diventa più complesso. Quando un sistema composto da cinque agenti produce un risultato errato, è necessario individuare quale agente abbia causato l'errore. È fondamentale che la registrazione strutturata avvenga ad ogni confine tra agenti.
• I benefici marginali diminuiscono rapidamente. Aggiungere un quarto, quinto o sesto agente raramente produce gli stessi vantaggi ottenibili migliorando il funzionamento dei primi tre.

La scalabilità rappresenta una delle principali sfide delle architetture di AI agentica, soprattutto nel passaggio da sistemi con un solo agente a configurazioni multi-agente. Questi sistemi richiedono infrastrutture solide, capaci di sostenere carichi di lavoro crescenti e di garantire una comunicazione fluida tra gli agenti. Un prototipo efficace con tre agenti potrebbe non funzionare correttamente quando il numero sale a venti. Le code dei messaggi possono saturarsi, le finestre di contesto possono riempirsi e il coordinamento tra agenti può diventare il principale collo di bottiglia.

La verifica dei sistemi agentici richiede l’utilizzo sia di dati sintetici sia di dati reali, in modo da garantirne solidità e affidabilità. I dati sintetici permettono di sottoporre il sistema a casi limite e simulare situazioni di errore in condizioni controllate. I dati reali, invece, mostrano la varietà e l’imprevedibilità degli input che il sistema incontrerà effettivamente. È consigliabile verificare prima ciascun agente separatamente e successivamente l’intero sistema end-to-end. Le interazioni tra agenti possono infatti far emergere problemi che i test condotti sui singoli componenti non riescono a rilevare.

La progettazione di un’architettura di AI agentica è un processo iterativo. Le architetture dovrebbero essere rivalutate periodicamente in funzione dell’evoluzione dei carichi di lavoro. Un sistema nato come una semplice pipeline potrebbe richiedere un’orchestrazione dinamica quando le attività diventano più complesse.

Come osserva Don Woodlock, l’obiettivo è «creare flussi di lavoro nei quali uno o più agenti possano decidere cosa debba accadere successivamente, anziché dover definire in anticipo l’intero processo nel codice o nell’applicazione». È quindi opportuno iniziare con l’architettura più semplice in grado di rispondere alle esigenze. Lasciamo che siano l’esperienza e i risultati ottenuti a guidarne l’evoluzione.

L’architettura di AI agentica trasforma l’intelligenza artificiale da strumento basato su una singola richiesta a sistema coordinato composto da agenti specializzati.

Il principio fondamentale descritto da Don Woodlock è semplice: iniziare considerando gli LLM come agenti, riconoscere che non tutti gli agenti devono essere modelli linguistici e permettere al sistema di guidare autonomamente il proprio flusso di lavoro, anziché definire ogni singolo passaggio nel codice. Il punto di partenza può essere un ciclo di redazione, valutazione e revisione. Successivamente è possibile aggiungere strumenti e introdurre l’orchestrazione. Infine introdurre l'orchestrazione. La complessità del sistema dovrebbe crescere insieme alle esigenze effettive, non anticiparle.