Principiante 11 minAgenti

Agente IA: che cos’è? Definizione, esempi e limiti

Risposta diretta

Un agente IA è un modello di linguaggio che decide da solo, passo dopo passo, quali strumenti chiamare per raggiungere un obiettivo dato, invece di rispondere una volta e fermarsi come un chatbot: osserva il risultato di ogni azione e ripete il ciclo fino a completare il compito o ad abbandonarlo.

Un agente IA è un programma in cui un modello linguistico decide autonomamente quali azioni intraprendere per raggiungere un obiettivo: sceglie uno strumento, osserva il risultato e ripete il ciclo fino a completare il compito. È questo che lo distingue da un chatbot, che risponde e poi si ferma. Il termine «IA agentica» indica questo modo di costruire sistemi. Al 20 settembre 2026, gli agenti più utili sono quelli che scrivono codice e quelli che svolgono ricerche. Questa pagina offre una definizione chiara, esempi reali, i limiti e ciò che serve per eseguirne uno sulla tua macchina.

Di Mohamed Meguedmi·Agg. 2026-09-28·Testato su Windows, macOS e Linux

#Che cosa è un agente IA?

La definizione più utile si riassume in una frase: un agente è un modello linguistico che usa strumenti in un ciclo. Gli dai un obiettivo, ad esempio «scopri perché questo test fallisce e correggilo». Legge il codice, esegue il test, legge l'errore, modifica un file, esegue di nuovo il test e continua finché il test non passa o finché non rinuncia. Nessuno ha scritto questa sequenza in anticipo: il modello la decide passo dopo passo, in base a ciò che osserva.

La parola è vittima del suo successo. Molti prodotti venduti come «agenti» sono semplici chatbot con un nome, oppure automazioni classiche in cui un modello scrive un testo in una fase prestabilita di uno script. La domanda decisiva è: chi decide il passo successivo? Se è un programma scritto in anticipo, con una sequenza fissa di chiamate, non è un agente, anche se un modello linguistico interviene in qualche punto della catena.

#Chatbot, workflow, agente: le differenze

Il kit Agenti Locali

Agenti che agiscono sulla tua macchina: Cline agentico, MCP, n8n + Ollama, automazioni locali.

  • Spazio online a vita
  • PDF + file
  • Aggiornamenti a vita
Il kit Agenti Locali →o tutti i kit a vita — 49 € →
ChatbotWorkflow con IAAgente
Chi decide i passaggiPersona: una domanda, una rispostaLo sviluppatore, in anticipoIl modello, durante l'esecuzione
StrumentiNessuno, o una ricerca webSì, in ordine fissoSì, sceglietelo liberamente
PrevedibilitàElevataElevataPiù basso
Costo per compitoUn'invocazione al modelloAlcune chiamateDecine di chiamate, a volte di più
Uso appropriatoDomande, redazioneCompiti ripetitivi ben definitiCompiti aperti di cui non si conosce il percorso

Questa distinzione è quella stabilita da Anthropic nel suo manuale di progettazione: «i workflow sono sistemi in cui i LLM e gli strumenti vengono orchestrati attraverso percorsi di codice predefiniti», mentre «gli agenti sono sistemi in cui i LLM guidano dinamicamente il proprio processo e l'uso degli strumenti, mantenendo il controllo sulla modalità con cui svolgere le attività». Il consiglio che ne deriva vale per tutti: trovare la soluzione più semplice possibile, e aumentare la complessità solo quando è necessario. Un workflow ben progettato supera un agente per la maggior parte dei bisogni aziendali, perché è prevedibile e poco costoso.

#I quattro componenti di un agente

Un modello
Il cervello. Deve sapere ragionare in più fasi e generare chiamate a strumenti ben formate. È il componente che limita tutto il resto.
Strumenti
Funzioni che il modello può chiamare: leggere e scrivere file, eseguire un comando, cercare sul web, interrogare un database. Il protocollo MCP è diventato il modo standard per collegarle.
Un ciclo
Il programma che esegue in sequenza queste operazioni: inviare il contesto al modello, eseguire lo strumento richiesto, aggiungere il risultato al contesto, ripetere. Il ciclo stabilisce anche le misure di controllo: numero massimo di passaggi, conferme, budget.
Una memoria
A breve termine, la finestra di contesto, che si riempie a ogni passaggio e finisce per saturarsi durante un compito lungo. A lungo termine, file di note, un riassunto compresso dei passaggi precedenti o una base che l'agente rilegge da una sessione all'altra, per non ripartire da zero a ogni nuova conversazione.

#Il meccanismo alla base del ciclo: ReAct

La maggior parte degli agenti in produzione segue, senza chiamarlo così, lo schema descritto nel 2022 da ricercatori di Google e Princeton con il nome di ReAct (« Reasoning and Acting »). Il modello produce a ogni turno un ragionamento esplicito (Thought), sceglie un'azione, in genere una chiamata a uno strumento (Action), poi riceve il risultato (Observation) prima di ricominciare. Far esplicitare il ragionamento prima dell'azione rende più semplice il debug dell'agente: si vede perché ha scelto un determinato strumento, non solo ciò che ha fatto.

→
Perché è importante per un modello locale
Un modello che «pensa ad alta voce» prima di agire consuma più contesto, quindi più VRAM, di un modello che chiama direttamente uno strumento. È un compromesso tra affidabilità e consumo di memoria, da valutare in base alle dimensioni del modello disponibile.

#Esempi che funzionano davvero

Agenti di programmazione
Il caso più maturo. Claude Code, Cline, OpenCode o Aider leggono un repository, modificano più file, eseguono i test e correggono i propri errori. Il settore si presta a questo approccio: il risultato si verifica automaticamente, con un test che viene superato oppure no.
Agenti di ricerca
Avviano decine di ricerche, leggono le pagine, incrociano le fonti e redigono una sintesi. È utile per monitorare gli sviluppi di un settore o fare il punto sullo stato dell'arte, a condizione di verificare le citazioni.
Agenti per la gestione operativa
Monitorano i log, diagnosticano un incidente, propongono o applicano una correzione. In produzione, quasi sempre con approvazione umana prima di qualsiasi azione.
Agenti desktop
Gestiscono un browser o un computer con mouse e tastiera. Demo impressionanti, affidabilità ancora insufficiente per un uso senza sorveglianza.

Il punto in comune tra questi casi che funzionano: un criterio di successo oggettivo e rapido da verificare. Un test che passa o fallisce, un file ben formato, un incidente risolto oppure no. Quando il successo dipende da un giudizio umano vago, ad esempio «scrivi una strategia di marketing convincente», il ciclo agentico offre pochi vantaggi rispetto a un semplice scambio con il modello, perché non c'è nulla di oggettivo da osservare tra due passaggi per orientare quello successivo.

#Perché gli agenti falliscono

La prima ragione è aritmetica. In un ciclo, gli errori si moltiplicano invece di annullarsi. Un modello affidabile al 95% in ogni singolo passaggio completa correttamente un'attività di dieci passaggi solo nel 60% dei casi e un'attività di venti passaggi appena nel 36% dei casi, senza che alcun passaggio, preso singolarmente, dia risultati davvero scadenti.

Probabilità di riuscire in tutte le fasi = affidabilità per fase elevata alla potenza del numero di fasi
Affidabilità per passaggio5 fasi10 passaggi20 passaggi
90 %59 %35 %12 %
95 %77 %60 %36 %
99 %95 %90 %82 %

È per questo che gli agenti riescono dove possono verificare da soli il proprio operato, ad esempio rieseguendo un test, e deludono altrove. Da questo derivano gli altri limiti: il costo, poiché un compito richiede decine di chiamate e un contesto che cresce; la sicurezza, poiché un agente che legge contenuti esterni può essere manipolato da questi contenuti; e la deriva, quando l'agente persegue diligentemente un obiettivo frainteso.

Il laboratorio di valutazione METR misura questa progressione con una metrica chiamata «time horizon»: la durata di un compito umano che il miglior modello del momento sa portare a termine con un tasso di successo del 50%. Secondo METR, questa durata segue una tendenza esponenziale con un tempo di raddoppiamento di circa sette mesi dal 2019, e METR ha misurato un'accelerazione che ha ridotto questo tempo a poco più di quattro mesi dal 2023. In pratica, un agente che un anno fa falliva su un compito di un'ora ha buone probabilità di riuscirci oggi; il limite si sposta, non scompare.

#Un agente IA locale: cosa serve

Nulla obbliga un agente a passare per il cloud. Il ciclo e gli strumenti girano già sulla tua macchina; resta da farvi girare il modello che li controlla. Tre requisiti sono più stringenti rispetto a quelli di una semplice chat, per la quale ci si può accontentare di un modello più piccolo e più lento.

Dimensioni estratte dal catalogo QuelLLM · pesi in Q4_K_M · 20/09/2026
RequisitoPerchéRiferimento pratico
Un modello addestrato a chiamare strumentiSenza questo, le chiamate sono malformate e il ciclo si interrompePunta su modelli da 14 miliardi di parametri in su: Qwen 3 14B (9 GB), gpt-oss 20B (13 GB), Qwen3-Coder 30B-A3B (19 GB)
Molto contestoOgni passo aggiunge il risultato dello strumento alla conversazioneAlmeno 32 000 token, cioè da 4 a 8 GB di cache KV oltre alla memoria occupata dai pesi
VelocitàUn compito comporta decine di scambi di andata e ritorno30 token al secondo e oltre; i modelli MoE sono avvantaggiati

In pratica, una scheda da 16 GB consente di usare un agente utile per compiti brevi, mentre 24 GB offrono più margine. Al di sotto, l'agente funziona nelle dimostrazioni, ma delude nell'uso quotidiano.

Un punto spesso trascurato: il costo di un agente locale non si limita alla VRAM dei pesi del modello. Ogni strumento connesso aggiunge la propria descrizione al prompt a ogni turno, e questa descrizione occupa anch'essa spazio nella cache KV, quindi VRAM, per tutta la durata del ciclo. Con un modello di 14 miliardi di parametri e una mezza dozzina di strumenti ben descritti, calcola qualche centinaio di megabyte di cache KV solo per le definizioni degli strumenti, prima ancora del contesto della conversazione.

#Da dove iniziare

  1. 01
    Usa un agente esistente prima di crearne uno
    Un agente di programmazione nel tuo editor o nel tuo terminale ti insegnerà in una settimana cosa questi sistemi sanno fare e dove incontrano difficoltà.
  2. 02
    Scegli un compito verificabile
    Un compito il cui successo si può misurare senza il tuo intervento: un test superato, un file prodotto nel formato corretto, un totale che torna.
  3. 03
    Limita gli strumenti
    Tre strumenti ben descritti sono meglio di trenta. Ogni strumento aggiunto aumenta il rischio di una scelta sbagliata e appesantisce il contesto.
  4. 04
    Mantieni il controllo su ciò che è irreversibile
    Lettura libera, scrittura previa conferma. Invio di email, eliminazione di file, pagamento, pubblicazione: sempre con approvazione umana esplicita prima dell'esecuzione, indipendentemente dal grado di sicurezza mostrato dall'agente.

#FAQ

Qual è la differenza tra un agente IA e ChatGPT ?+
Un chatbot risponde a un messaggio e poi aspetta il successivo. Un agente riceve un obiettivo ed esegue autonomamente una sequenza di azioni per raggiungerlo: chiama strumenti, legge i risultati e decide come proseguire. Gli assistenti rivolti al grande pubblico integrano ormai modalità agentiche, ma la conversazione semplice resta uno scambio domanda-risposta.
Che cos'è l'IA agentica?+
È l'approccio che consiste nel costruire sistemi in cui il modello linguistico stesso guida una serie di azioni, anziché limitarsi a produrre testo in risposta a un messaggio. Il termine comprende sia un singolo agente autonomo sia i sistemi multi-agente, in cui diverse istanze di un modello si ripartiscono sottocompiti e coordinano i propri risultati prima di fornire la risposta finale.
Un agente IA può funzionare senza Internet?+
Sì, se il modello gira in locale e i suoi strumenti non hanno bisogno della rete: lettura di file, esecuzione di codice, database interno, ricerca in una documentazione già indicizzata. È questa la configurazione scelta quando i dati trattati sono riservati o quando la connessione non è affidabile, ad esempio su una postazione di sviluppo isolata.
Gli agenti IA sostituiranno dei posti di lavoro?+
Oggi automatizzano compiti specifici, raramente interi posti di lavoro. Sono efficaci nel lavoro verificabile e ripetitivo, come parte dello sviluppo software o della ricerca documentale, e rimangono poco affidabili nei compiti lunghi senza un chiaro criterio di successo. La necessità di supervisione umana rimane elevata, soprattutto per tutto ciò che riguarda una decisione irreversibile.
Serve saper programmare per creare un agente?+
Non necessariamente per iniziare: strumenti visuali come n8n o Flowise permettono di assemblare un agente senza scrivere codice. Saper programmare aiuta invece a renderlo affidabile nel tempo, perché la maggior parte dei problemi deriva da strumenti descritti male e da meccanismi di controllo configurati male, non dal modello stesso.
Che cosa è il pattern ReAct in un agente IA?+
È il meccanismo descritto nel 2022 da ricercatori di Google e Princeton, in cui il modello alterna un ragionamento esplicito (Thought) e un'azione come una chiamata a uno strumento (Action), poi legge il risultato (Observation) prima di ricominciare. La maggior parte degli agenti attualmente in produzione segue questo ciclo, anche senza nominarlo esplicitamente nella propria documentazione.
Questa guida ti è stata utile?

Un feedback, un errore, una precisazione? Facci sapere, così la guida migliora per tutti.