1. Cosa sono gli Agenti AI

"Un agente AI è un programma che usa un LLM per decidere cosa fare, agire, vedere il risultato e ricominciare."

Tutto qui. Il resto del capitolo serve a far capire perché questa frase semplice cambia tutto.

1.1 Dal chatbot all'agente: una storia in tre passi

Passo 1 — Il chatbot (2022)

Tu scrivi una domanda, il modello risponde. Fine.

Tu:    "Qual è la capitale della Francia?"
Bot:   "Parigi."

Il bot non agisce. Non apre browser, non legge file, non scrive sul tuo disco. È una macchina conversazionale: testo dentro, testo fuori.

Passo 2 — L'assistente con strumenti (2023)

Diamo al modello la possibilità di chiamare delle funzioni. Ora se gli chiedi il meteo, può davvero andarlo a cercare.

Tu:    "Che tempo fa a Roma?"
Bot:   [chiama la funzione get_weather("Roma")]
       [riceve "18°, sereno"]
       "A Roma ci sono 18 gradi e cielo sereno."

Già più utile, ma è ancora reattivo. Tu chiedi una cosa, lui fa una cosa.

Passo 3 — L'agente (2024 in poi)

Adesso diamogli un obiettivo, non un comando. E lasciamolo lavorare in loop: pensa, agisce, osserva il risultato, ripensa, riagisce. Finché non ha finito.

Tu:    "Trova i 5 ristoranti giapponesi meglio recensiti
        a Milano, prenota quello disponibile sabato sera per 4 persone."
Agente: [cerca su Google]
        [legge le recensioni]
        [confronta i risultati]
        [chiama l'API di prenotazione]
        [verifica disponibilità sabato]
        [se il primo è pieno, prova il secondo]
        [conferma]
        "Prenotato Sushi B per sabato 20 alle 21:00."

Questo è un agente: un LLM in un loop, con strumenti e un obiettivo.

1.2 La definizione utile

Mettiamoci d'accordo su una definizione operativa. Un agente AI è un sistema software con quattro ingredienti:

1. Un modello (LLM) che ragiona e decide.
2. Strumenti (tool) che il modello può chiamare per agire sul mondo: leggere file, fare richieste HTTP, eseguire codice, interrogare database.
3. Un loop che ripete: il modello produce un'azione → il sistema la esegue → il risultato torna al modello → il modello decide la prossima azione.
4. Un criterio di stop: l'agente si ferma quando ha raggiunto l'obiettivo, ha esaurito i tentativi, o l'utente lo interrompe.

Senza il loop e gli strumenti, hai un chatbot. Con loro, hai un agente.

1.3 Cosa li rende potenti (e perché ora)

Tre fattori si sono combinati negli ultimi anni:

• I modelli sanno seguire istruzioni complesse. GPT-3.5 era già bravo a chiacchierare; i modelli moderni (Claude 4, GPT-5, Gemini 2) sanno pianificare e correggere il tiro a metà strada.
• Il "tool use" è diventato standard. Tutte le API principali offrono un meccanismo strutturato per dichiarare strumenti e farli chiamare al modello (lo vedremo nel Cap. 6).
• I contesti si sono allargati. Modelli con 200K-1M token di contesto possono "tenere a mente" interi codebase, libri o conversazioni lunghe.

Risultato: per molti compiti che fino a poco tempo fa richiedevano un esperto umano + script custom, oggi basta un agente ben configurato.

1.4 Cosa NON è un agente AI

Per non confondersi, qualche distinzione importante.

La linea è sfumata. La domanda chiave è: il sistema decide da solo cosa fare al passo successivo? Se sì, è un agente. Se la prossima azione è già scritta nel codice, è automazione.

1.5 Quando ha senso usare un agente (e quando no)

Gli agenti AI sono potenti, ma non gratuiti: costano in token, sono più lenti di una chiamata diretta, e introducono incertezza (lo stesso input può portare a comportamenti leggermente diversi).

Buoni casi d'uso:
- Compiti eterogenei dove i passi non sono noti in anticipo (ricerca, analisi, debug).
- Lavoro che richiede giudizio (riassumere, classificare, redigere).
- Interazioni con molte fonti (cercare in più sistemi, aggregare).
- Esplorazione in ambienti complessi (un codebase, un dataset).

Cattivi casi d'uso:
- Calcoli deterministici (1+1 lo fa Python meglio).
- Operazioni ad alta frequenza in cui ogni millisecondo conta.
- Logiche regolatorie/finanziarie dove serve audit trail rigoroso.
- Compiti dove un errore costa molto e non è recuperabile (cancellazioni irreversibili senza supervisione).

Una buona regola: se puoi scrivere uno script in 30 minuti, non usare un agente. Se non sai nemmeno da dove cominciare, l'agente è la soluzione giusta.

1.6 Pratica: riconoscere un agente in 30 secondi

Apri questi tre prodotti (anche solo le loro pagine demo) e prova a classificarli:

1. Un assistente per scrivere email che aspetta che tu gli dica cosa scrivere → chatbot.
2. Un copilot di codice che, dato un bug report, esplora il codice, propone una fix, scrive i test e apre la PR → agente.
3. Un'integrazione Slack che traduce automaticamente i messaggi in inglese quando ne arriva uno in italiano → automazione con AI, ma non un agente vero (un solo passo, nessun loop).

L'esercizio diventa intuitivo dopo 4-5 esempi. Tornerai su questa distinzione molte volte.

1.7 Da ricordare

• Un agente AI = LLM + tool + loop + obiettivo. Senza il loop, è un chatbot.
• Il valore dell'agente sta nell'autonomia decisionale: decide lui cosa fare al prossimo passo.
• Più libertà = più potenza, ma anche più rischio. Un agente che sbaglia in autonomia può fare danni che un chatbot non può fare.
• Non sono adatti a tutto. Per compiti deterministici, scrivere codice tradizionale è meglio.
• La parola "agente" è abusata. Quando un prodotto si dichiara "agentico", chiediti: c'è un loop? Ci sono tool? Decide da solo?

1.8 Errori tipici

• Confondere "AI" con "agente". Gmail usa l'AI per gli smart reply, ma quello non è un agente.
• Pensare che un agente sia "intelligente" come un umano. Non lo è. È bravo a seguire pattern e usare strumenti, ma non ha buon senso o esperienza vissuta.
• Dare all'agente un obiettivo troppo vago. "Migliora il mio business" non funziona. "Analizza il file vendite.csv e trova i 3 prodotti con calo maggiore nel Q1" funziona.
• Lasciar correre l'agente senza supervisione su azioni irreversibili. Cancellazioni, pagamenti, email a clienti: serve una conferma umana, almeno all'inizio.

Prossimo capitolo: capiremo il motore che fa funzionare tutto questo, l'LLM. Senza scendere in matematica, ma capendo abbastanza da usarli bene.