L’AI Agentica è il prossimo salto evolutivo
L’AI Agentica si focalizza sull’azione e l’autonomia a differenza di quella attualmente predominante che è generativa.
Per AI Agentica si intendono sistemi di intelligenza artificiale che possono pianificare, eseguire e correggere autonomamente sequenze di azioni per raggiungere obiettivi complessi. L’obiettivo di questo salto evolutivo è trasformare l’AI da semplice strumento di risposta a risolutore autonomo di processi.
Il cambio di prospettiva è dovuto alla modalità di lavoro. L’AI generativa ha bassa autonomia, richiede la supervisione umana e non prevede decisioni o azione, è reattiva, attende un’istruzione umana diretta per generare un risultato. L’AI agentica ha alta autonomia, può eseguire compiti in più passaggi, prendere decisioni informate e adattare la strategia senza supervisione umana, è proattiva, usa l’ambiente, pianifica e agisce in autonomia per raggiungere un obiettivo complesso.
I meccanismi di base di Gen AI e Agentic AI
Per quanto riguarda il meccanismo di base, le due forme di AI operano sempre su LLM (modelli linguistici di grandi dimensioni ) ma con principi differenti. L’AI generativa è essenzialmente guidata da LLM o da modelli di diffusione. Il loro funzionamento si basa sulla statistica e sulla probabilità: sono addestrati a prevedere la parola successiva più probabile in una sequenza (nel caso del testo) o il pixel successivo (nel caso delle immagini). Agiscono, in sostanza, come motori di completamento estremamente sofisticati che generano contenuti in base a quanto appreso dalla vastissima quantità di dati di addestramento. L’AI agentica, invece, utilizza gli LLM solo come motore di ragionamento per la pianificazione e la riflessione. La sua vera potenza deriva dall’accesso a una serie di strumenti e esterni generalmente disponibili sotto forma di API (ad esempio, per inviare e-mail, eseguire ricerche su database o interagire con servizi cloud). L’agente AI opera attraverso cicli iterativi di pianificazione-azione-riflessione: valuta l’ambiente, scompone l’obiettivo complesso in sotto-compiti, seleziona e utilizza lo strumento più appropriato per ogni passo, e infine analizza il risultato dell’azione prima di procedere al passo successivo. Questo processo le conferisce la capacità di esecuzione autonoma che la distingue dall’AI generativa.
Un esempio pratico della differenza tra Gen AI e Agentic AI
Per fare un esempio pratico all’AI generativa possiamo chiedere: scrivi una descrizione di 300 parole per il nuovo “Prodotto X”, evidenzia le caratteristiche di sostenibilità. Se ha le informazioni del Prodotto X, lo farà fornendo come risultato finale il testo richiesto che dovremmo copiare, incollare e pubblicare o condividere con qualche altro meccanismo o strumento.
Allo stesso modo all’AI agentica potremmo dire: Aggiorna la pagina del “Prodotto X” sul sito web con le nuove caratteristiche di sostenibilità e verifica che la scheda tecnica in PDF sia coerente. In modo del tutto autonomo una serie di agenti AI si occuperanno di recuperare le nuove specifiche (ad esempio da un database) usare un LLM per generare la nuova descrizione del prodotto, accedere al CMS per pubblicare il uovo testo, accedere al sistema documentale per aggiornare la scheda in PDF e ricollegarla alla pagina web, notificare l’utente del completamento della richiesta.
La nostra sperimentazione sui Server MCP
Per l’AI agentica stiamo sperimentando i server MCP che permettono di connettere i modelli di Intelligenza Artificiale (come gli LLM) ai sistemi e dati esterni dell’azienda, trasformando un modello generativo in un agente capace di agire e contestualizzato. Un Server MCP è un servizio esterno (un software) che fornisce al modello AI accesso a contesto, dati o funzionalità specifiche, seguendo le regole definite dal Model Context Protocol (MCP appunto).
I server MCP forniscono agli agenti AI due tipi principali di funzionalità, come già detto in modo standardizzato: risorse e strumenti.
Le risorse sono fondamentalmente dati, informazioni e permettono quindi al modello di recuperare informazioni da fonti interne o esterne senza eseguire azioni (ad esempio accesso al file System o DB)
Gli strumenti permettono invece di eseguire azioni che comportano un effetto collaterale o un calcolo al di fuori del modello stesso (ad esempio inviare un messaggio, aggiornare un CRM, chiamare un API esterna)
L’utilizzo di Server MCP è ritenuto fondamentale per l’evoluzione dell’AI agentica perché un protocollo standard semplifica enormemente lo sviluppo, permettendo di concentrarsi sulla logica dell’Agente invece che sull’integrazione di API diverse. Consentendo l’accesso ai dati in tempo reale permette di superare i limiti imposti dalla conoscenza statica del modello linguistico e soprattutto di eseguire azioni in modo protocollato e controllato.
In quest’ottica rimane centrale la compliance alle normative ed in particolare all’AI Act con monitoraggio attivo e “spiegabilità” per garantire lo sviluppo etico e legale in ambiti ad alto rischio.