Dall'AI che risponde all'AI che agisce: cosa sono davvero gli agenti
Per molto tempo abbiamo conosciuto l'intelligenza artificiale attraverso una casella di testo.
Scriviamo una domanda, premiamo invio e aspettiamo una risposta.
Possiamo chiederle di analizzare un documento, riassumere un testo, scrivere una mail, interpretare dei dati o aiutarci a risolvere un problema. In pochi secondi otteniamo qualcosa che, fino a pochi anni fa, sarebbe sembrato sorprendente.
Ma c'è un limite in questo modo di utilizzare l'intelligenza artificiale.
Una volta ottenuta la risposta, molto spesso siamo ancora noi a dover fare tutto il resto.
Se l'AI individua un'anomalia nei dati, dobbiamo aprire il gestionale e verificare.
Se suggerisce di inviare una comunicazione, dobbiamo entrare nella posta elettronica e scriverla.
Se trova un'informazione importante all'interno di un documento, dobbiamo decidere cosa farne.
L'intelligenza artificiale ci ha aiutato a capire cosa fare, ma il suo lavoro è terminato nel momento in cui ha generato una risposta.
Gli agenti AI iniziano a cambiare proprio questo paradigma.
L'intelligenza artificiale non si limita più a dirci cosa potremmo fare.
Può avere a disposizione gli strumenti per farlo.
Una risposta non è un'azione
La differenza sembra sottile, ma cambia completamente il modo in cui possiamo utilizzare l'intelligenza artificiale.
Immaginiamo di chiedere:
Quali clienti hanno ridotto maggiormente gli acquisti negli ultimi tre mesi rispetto allo stesso periodo precedente?
Un normale assistente AI non può conoscere la risposta se non gli forniamo prima i dati.
Potremmo esportarli dal gestionale, preparare un file, caricarlo nella conversazione e chiedergli di analizzarlo.
Otterremmo probabilmente un'ottima analisi.
Ma abbiamo dovuto preparare noi tutto ciò di cui l'intelligenza artificiale aveva bisogno.
Un agente può funzionare diversamente.
Se dispone degli strumenti e delle autorizzazioni necessarie, può capire che per rispondere deve interrogare una determinata fonte dati, recuperare le informazioni rilevanti, confrontare i periodi, elaborare i risultati e infine presentarci ciò che ha trovato.
Non gli abbiamo fornito direttamente i dati.
Gli abbiamo fornito la possibilità di raggiungerli.
È una differenza fondamentale.
Quando diamo degli strumenti all'intelligenza artificiale
Un modello linguistico, da solo, può essere estremamente capace, ma rimane sostanzialmente isolato.
Conosce ciò che gli comunichiamo nella conversazione e ciò che deriva dal suo addestramento o dal contesto che gli viene fornito.
Le cose diventano molto più interessanti quando iniziamo a collegarlo al mondo esterno.
Un agente può avere accesso, ad esempio, a un database.
Può utilizzare delle API.
Può cercare informazioni sul web.
Può leggere documenti.
Può interagire con un CRM.
Può consultare un calendario.
Può preparare una mail.
Può attivare un'automazione.
A quel punto il modello non è più soltanto il luogo nel quale avviene la conversazione.
Diventa una sorta di motore decisionale capace di scegliere quali strumenti utilizzare per raggiungere un determinato obiettivo.
Ed è qui che, secondo me, gli agenti diventano davvero interessanti.
Non dobbiamo spiegare ogni singolo passaggio
Nell'automazione tradizionale siamo abituati a definire in anticipo una sequenza molto precisa.
Succede A.
Esegui B.
Se B restituisce un determinato risultato, esegui C.
Altrimenti esegui D.
È un approccio estremamente efficace e continuerà a esserlo. Ci sono moltissimi processi nei quali una sequenza deterministica rappresenta ancora la soluzione migliore.
Un agente introduce però una possibilità differente.
Possiamo descrivere l'obiettivo, fornire gli strumenti disponibili e lasciare che sia il sistema a determinare quali utilizzare.
Supponiamo di chiedere:
Analizza l'andamento delle vendite di questo mese e indicami le anomalie che meritano attenzione.
Per rispondere, un agente potrebbe decidere autonomamente di interrogare i dati delle vendite, confrontarli con il mese precedente, verificare lo storico, analizzare determinate categorie e infine costruire una sintesi.
Il processo non deve necessariamente essere definito attraverso una sequenza rigida.
L'agente osserva il risultato di un'azione e utilizza quell'informazione per decidere quale sarà il passaggio successivo.
Obiettivo, azione, risultato
Dietro un agente AI può esserci un'architettura molto sofisticata, ma il principio fondamentale può essere spiegato in maniera relativamente semplice.
Gli assegniamo un obiettivo.
L'agente valuta le informazioni disponibili e decide quale strumento utilizzare.
Esegue un'azione.
Osserva il risultato.
Sulla base di quel risultato decide se ha abbastanza informazioni per rispondere oppure se deve compiere un'altra azione.
Il ciclo può continuare fino al raggiungimento dell'obiettivo o fino a quando una determinata condizione gli impone di fermarsi.
Questo significa che la conversazione non è più necessariamente:
domanda → risposta.
Può diventare:
obiettivo → azione → osservazione → nuova azione → risultato.
Ed è un cambiamento molto più importante di quanto possa sembrare.
L'agente non deve sapere tutto
Uno degli aspetti che trovo più interessanti di questo approccio è che il valore di un sistema AI non dipende esclusivamente da quante informazioni possiede il modello.
Un agente non deve necessariamente conoscere tutto.
Deve sapere come ottenere ciò di cui ha bisogno.
È una distinzione importante soprattutto quando portiamo l'intelligenza artificiale all'interno delle aziende.
Non avrebbe senso aspettarsi che un modello conosca ordini effettuati questa mattina, disponibilità di magazzino, documenti interni o informazioni presenti nel CRM.
Quelle informazioni appartengono ai sistemi che già le gestiscono.
Il punto non è trasferire tutto dentro l'AI.
Il punto è permettere all'AI di interagire in maniera controllata con quei sistemi quando ne ha bisogno.
Questo cambia anche il modo in cui possiamo pensare all'architettura.
Il modello fornisce capacità di comprensione e ragionamento.
I sistemi aziendali continuano a essere la fonte delle informazioni.
Gli strumenti creano il collegamento tra i due.
Il problema delle connessioni
Naturalmente, se vogliamo permettere a un agente di utilizzare molti strumenti, nasce immediatamente un problema.
Ogni software parla una lingua diversa.
API differenti, autenticazioni differenti, strutture dati differenti.
Collegare ogni modello a ogni sistema attraverso integrazioni costruite individualmente diventa rapidamente complesso.
Ed è proprio qui che stanno diventando particolarmente interessanti standard come Model Context Protocol, o MCP.
L'idea è creare un modo standardizzato attraverso il quale un sistema AI possa scoprire e utilizzare strumenti e fonti di informazione.
Invece di costruire continuamente collegamenti completamente diversi, possiamo creare una sorta di linguaggio comune tra AI e software.
È un argomento che merita molto più spazio e al quale dedicherò un articolo specifico.
Perché, a mio avviso, una parte importante dell'evoluzione degli agenti passerà proprio dalla capacità di collegare in maniera semplice e controllabile modelli, dati e strumenti.
Più autonomia significa anche più responsabilità
C'è però un aspetto che non possiamo ignorare.
Finché un'intelligenza artificiale genera soltanto del testo, un errore rimane principalmente una risposta sbagliata.
Quando iniziamo a darle degli strumenti, le conseguenze possono essere diverse.
Leggere un dato non è la stessa cosa che modificarlo.
Preparare una mail non è la stessa cosa che inviarla.
Proporre una modifica a un ordine non è la stessa cosa che eseguirla.
Analizzare una situazione non è la stessa cosa che prendere autonomamente una decisione.
Per questo credo che parlare di agenti significhi inevitabilmente parlare anche di permessi, limiti e responsabilità.
Non tutti gli strumenti devono essere disponibili a ogni agente.
Non tutte le azioni devono poter essere eseguite senza conferma.
E soprattutto non dobbiamo confondere la capacità tecnica di automatizzare qualcosa con l'opportunità di farlo.
Un sistema ben progettato deve sapere non soltanto cosa può fare, ma anche quando deve fermarsi e chiedere.
Human in the loop
Nel precedente articolo ho parlato di Human × AI e del valore che può nascere dall'interazione tra intelligenza umana e artificiale.
Gli agenti sono probabilmente uno degli esempi più concreti di questo principio.
Un agente potrebbe analizzare migliaia di informazioni, individuare una situazione anomala e preparare una possibile azione.
A quel punto può fermarsi.
Presentare ciò che ha trovato.
Spiegare perché ritiene opportuno intervenire.
E chiedere a una persona di decidere.
Dopo l'approvazione, può riprendere il processo ed eseguire l'azione.
Questa interruzione non rende l'agente meno intelligente.
In determinati contesti lo rende molto più utile.
Perché il nostro obiettivo non dovrebbe essere ottenere il massimo livello possibile di autonomia.
Dovrebbe essere ottenere il livello corretto di autonomia per ogni processo.
Non tutti gli agenti devono essere autonomi
Quando sentiamo parlare di agenti AI, è facile immaginare sistemi completamente autonomi che lavorano per ore senza alcun intervento umano.
In alcuni casi arriveremo certamente a questo livello.
E in alcuni processi ci siamo già molto vicini.
Ma non credo che questa sia necessariamente la destinazione di ogni applicazione.
Un agente che monitora continuamente dei dati e ci segnala soltanto le situazioni rilevanti può avere un valore enorme.
Un agente che prepara un'attività lasciandoci l'approvazione finale può essere estremamente efficace.
Un agente che raccoglie informazioni da cinque sistemi diversi e ce le presenta in pochi secondi può trasformare completamente un processo senza prendere autonomamente una singola decisione.
L'autonomia è una caratteristica.
Non è l'obiettivo.
Dall'assistente all'agente
Probabilmente continueremo a utilizzare l'intelligenza artificiale attraverso una casella di testo ancora per molto tempo.
È semplice, naturale e incredibilmente potente.
Ma dietro quella casella di testo sta cambiando qualcosa.
Quando chiediamo qualcosa a un sistema AI, la risposta potrebbe non essere più il risultato immediato della nostra richiesta.
Potrebbe essere il risultato di una serie di azioni compiute attraverso strumenti differenti.
L'AI potrebbe cercare.
Interrogare.
Confrontare.
Verificare.
Elaborare.
E, quando appropriato, agire.
La distinzione tra software che utilizziamo e software con cui collaboriamo inizierà probabilmente a diventare sempre meno evidente.
Ed è qui che gli agenti rappresentano, secondo me, uno dei passaggi più interessanti nell'evoluzione dell'intelligenza artificiale.
Non perché permettono all'AI di fare tutto da sola.
Ma perché permettono di costruire sistemi nei quali persone, intelligenza artificiale, dati e software possono finalmente iniziare a lavorare insieme.
← Torna al blog
