Agenti AI in azienda: architettura, costi e organizzazione

In breve. Un agente AI è un programma basato su un modello linguistico che non si limita a rispondere: riceve un obiettivo, decide i passi, usa strumenti e dati e consegna un risultato. Portarli in azienda pone tre problemi pratici: come farli collaborare, quanto costano davvero e come evitare che il sistema diventi ingestibile. In questa guida raccolgo quello che ho imparato costruendo prodotti con più agenti e rimando agli articoli di approfondimento.

Cosa distingue un agente AI da un chatbot

Un chatbot risponde a una domanda alla volta. Un agente lavora per obiettivi: scompone il compito, chiama strumenti esterni (database, API, altri agenti), controlla il risultato e decide se serve un altro passo. Per capire le basi del funzionamento dei modelli linguistici e dei prompt parto sempre da come funziona ChatGPT. Quando i passi diventano un ciclo che osserva, esegue e verifica, il lavoro cambia natura: non scrivo più prompt, orchestro loop.

Organizzare gli agenti come un'azienda

Con un solo agente tutto sembra semplice. Con dieci, i problemi sono gli stessi di un'organizzazione umana: chi fa cosa, come si passano il lavoro, chi controlla la qualità. Nell'articolo Smetti di gestire agenti AI, inizia a costruire organizzazioni descrivo l'approccio che uso: un organigramma di agenti con ruoli fissi e dinamici, passaggi di consegna formali e metriche per ogni ruolo. Con tre agenti insieme ho imparato che servono organizzazioni, non geni: ruoli e handoff. L'autonomia però nasce solo progettando il controllo, fondandolo su dati osservati — mai sul dato del controllato, come nel caso del supervisore che si fidava dell'orologio dell'agente. Quando i loop girano da soli nasce l'azienda autonoma. Per dimensionare i ruoli sui volumi uso il simulatore agenti per task.

Quanto costano davvero

Il costo di un sistema di agenti non è solo il prezzo per token del modello: pesano il contesto che si rimanda a ogni chiamata, i tentativi ripetuti, i controlli di qualità, i test. Per la parte di base trovi la formula in quanto costa usare un LLM; per i costi che emergono quando il sistema cresce leggi il debito tecnico nascosto degli agenti AI, dove spiego perché la stima "token per costo per richieste" sottovaluta la spesa reale e come un livello di astrazione sui fornitori aiuta a tenerla sotto controllo. Il cambio di modello è un cambio di contratto di qualità, non un taglio di costo: l'ho fatto con un A/B appaiato e il rollback scritto prima. Per stimare la spesa uso lo stimatore dei costi degli agenti AI. Per valorizzare le ore risparmiate rispetto al costo dell'automazione, con confronto agli agenti AI, uso il calcolatore ROI automazione.

I dati vengono prima del modello

Un agente decide bene solo se ha accesso ai dati giusti, aggiornati e governati. Nel SaaS B2B questo significa ripensare l'architettura dei dati e il ruolo dei data team: ne parlo in LLM nel SaaS B2B.

Due casi reali: Arvo e Zeno

• Arvo è un'app di personal training costruita su un'architettura multi-agente: ogni agente si occupa di un compito specifico (pianificare, scegliere gli esercizi, validare le modifiche, analizzare i progressi) e il sistema li coordina.
• Zeno è un'app per la crescita personale che propone micro-azioni quotidiane di cinque minuti; usa un sistema RAG (retrieval-augmented generation) per personalizzare i suggerimenti.

Li sviluppo nel laboratorio Aetha AI: se vuoi vederli dal vivo, trovi Arvo e Zeno con i loro siti. Sul laboratorio ho scritto cosa significa costruire Aetha come full-stack AI company invece di una software house con l'AI.

Le scelte da fare prima di partire

Dal laboratorio: episodi dal campo

• La fabbrica che ripara il software mentre dormiamo: una routine incastrata per 33 giorni senza che nessuno se ne accorgesse, e il loop nato per trovare i guasti da solo.
• Marginal Gains per le macchine: convertire ogni fallimento in regola durevole con test, così i sistemi migliorano ogni volta che sbagliano.
• Backlog Zero: 21 problemi aperti, pochi eseguibili — il problema è sapere quali sono veri.
• Quando l'AI diventa l'interfaccia: se bastasse una chat, a cosa serve il SaaS? In Arvo restano schermate, guardie e contesto fisico.
• Il Governor che ha letto male un blocco globale: un'attesa globale scambiata per locale, trovata dalla peer review e non dai test.
• Quando il verifier boccia i test verdi: suite 14/14 in locale ma 7 su 14 dal verifier — il verde dichiarato non vale finché non è riprodotto.
• I falsi gate owner: scelte tecniche parcheggiate come decisioni owner — l'escalation eccessiva è un difetto.
• Quando il marketing promette ciò che il prodotto non fa: le claim non provate sono debito di affidabilità, corretto in un batch.
• Il retry che riceveva per sempre la riga morta: rinviare la stessa idempotency key restituiva il failed terminale — l'idempotenza vuole una semantica di fallimento.
• Il piano smentito dall'esecuzione: il piano diceva una cosa, l'esecuzione un'altra — ho tenuto Predicted accanto a Observed.
• Il test rosso che dipendeva dalla shell: fermava il rilascio solo nella mia shell perché leggeva il catalogo di produzione.

Domande frequenti

Cos'è un agente AI?

È un sistema basato su un modello linguistico che persegue un obiettivo in più passi: pianifica, usa strumenti e dati, verifica il risultato e decide come proseguire.

Che differenza c'è tra un agente AI e un chatbot?

Il chatbot risponde a una richiesta alla volta; l'agente svolge un compito completo, anche usando altri strumenti o altri agenti, fino a consegnare un risultato.

Quanto costa un sistema di agenti AI?

Dipende dal modello, dalla quantità di contesto inviata a ogni chiamata e dal numero di chiamate. Oltre al costo dei token vanno considerati tentativi ripetuti, controlli di qualità e manutenzione, che spesso pesano più della singola risposta.

Da dove si parte per introdurre agenti AI in azienda?

Da un processo ripetitivo e ben definito, con input e output chiari e un modo semplice per verificare la qualità del risultato. Meglio un solo agente che funziona davvero che dieci agenti senza regole di collaborazione.