QUANDO L'IA SMETTE DI RISPONDERE E COMINCIA AD AGIRE
Un chatbot tradizionale è essenzialmente reattivo: riceve un messaggio, elabora una risposta e attende il comando successivo. Un agente può invece ricevere un obiettivo più ampio e mantenere il compito attivo attraverso più passaggi. OpenAI definisce gli agenti come sistemi che eseguono autonomamente attività per conto degli utenti; nella documentazione più recente li descrive anche attraverso tre elementi pratici: istruzioni, guardrail e strumenti.
Immaginiamo di chiedere: "Organizza un viaggio di lavoro a Parigi entro 600 euro, senza sovrapporre gli appuntamenti già presenti nel mio calendario". Un chatbot può suggerire un itinerario. Un agente, se autorizzato e collegato agli strumenti necessari, può consultare il calendario, cercare voli, confrontare hotel, verificare il budget, modificare il piano se una soluzione non funziona e infine chiedere l'approvazione prima di una prenotazione.
Non è la quantità di testo prodotto a trasformare un modello in agente. È la possibilità di mantenere un obiettivo e intervenire attraverso strumenti.

PERCHÉ SI CHIAMANO “AGENTI”?
La parola non nasce con ChatGPT e non nasce con le pubblicità del 2026. Nella storia dell'Intelligenza Artificiale, un agente intelligente è un sistema che percepisce un ambiente e compie azioni all'interno di quell'ambiente per raggiungere un obiettivo. L'ambiente può essere un computer, Internet, una fabbrica, un robot, un videogioco, una rete informatica o un insieme di servizi digitali.
Il concetto inglese agency può essere tradotto, con qualche cautela, come capacità di iniziativa o capacità operativa entro determinati limiti. Un agente osserva ciò che accade, decide il passo successivo, agisce e poi osserva nuovamente il risultato. In forma semplice: osservare → decidere → agire → verificare.
Ma agency non significa coscienza, volontà personale o desiderio. Un sistema può essere molto autonomo nell'esecuzione senza avere emozioni o intenzioni umane. È un punto fondamentale per evitare di attribuire alla tecnologia caratteristiche che non sono necessarie per spiegare il suo comportamento.

AGENTE AI O AUTOMAZIONE CON UN NOME PIÙ ELEGANTE?
Qui arriva la prima critica. Il termine “Agente AI” oggi viene usato molto liberamente. Una parte delle offerte che compaiono sui social descrive veri sistemi agentici; altre volte dietro la parola agente troviamo un chatbot collegato a poche funzioni oppure un'automazione tradizionale con un modello linguistico inserito in uno dei passaggi.
Anthropic distingue esplicitamente workflow e agenti: nei workflow (flussi di lavoro) il percorso viene orchestrato in gran parte da codice e regole prefissate; negli agenti è il modello a dirigere dinamicamente il processo e l'uso degli strumenti. Non esiste però un confine perfetto: molti sistemi reali combinano entrambe le cose.
Per questo, davanti a una pubblicità, la domanda più utile non è "è un agente sì o no?", ma: quali decisioni prende autonomamente, quali strumenti può usare, per quanto tempo può operare e in quali momenti deve fermarsi per chiedere conferma?
Più che una categoria binaria, l'agenticità è spesso uno spettro di autonomia.

DAL CHATBOT ALL'AGENTE: UNA SCALA PER CAPIRE
Per un neofita è utile separare due dimensioni. La prima riguarda la complessità dell'architettura: chatbot → assistente con strumenti → agente → sistema multi-agente. La seconda riguarda il grado di autonomia: suggerisce → propone un'azione → agisce dopo approvazione → agisce entro limiti prestabiliti → opera per periodi prolungati con supervisione sulle eccezioni.
Un sistema multi-agente non è automaticamente “più intelligente” di un agente singolo: è un'architettura nella quale più agenti specializzati collaborano. Allo stesso modo, un agente che sa usare molti strumenti non deve necessariamente possedere piena autonomia. Capacità e autonomia non sono la stessa cosa.
Questa distinzione diventerà sempre più importante quando dovremo valutare prodotti commerciali, sistemi industriali e piattaforme impiegate in ambiti ad alto rischio.

L'IDEA È PIÙ VECCHIA DI CHATGPT
La ricerca sugli agenti software, sui sistemi autonomi e sui robot precede di decenni l'attuale boom dell'IA generativa. Ciò che cambia con i grandi modelli linguistici è la possibilità di affidare a un sistema compiti descritti in linguaggio naturale e far sì che selezioni dinamicamente azioni e strumenti.
Un passaggio importante nella ricerca recente è stato ReAct — Reasoning and Acting, pubblicato inizialmente nel 2022: l'idea è combinare ragionamento e azione, alternando passaggi di analisi all'interazione con strumenti o ambienti. Non è “l'invenzione degli agenti”, ma rappresenta bene il cambio di paradigma che ha preceduto molti sistemi moderni.
Poi sono arrivati modelli più capaci, function calling, browser, computer use, memoria, protocolli di collegamento e infrastrutture per attività di lunga durata. Nel settembre 2026, OpenAI ha presentato l'Agents API, pensata per agenti cloud che mantengono contesto, usano strumenti, coordinano sottoagenti e possono portare avanti lavori prolungati.

ANATOMIA DI UN AGENTE AI — SPIEGATA SENZA FORMULE
Un agente moderno può essere immaginato come l'unione di più componenti. Il modello interpreta la situazione e decide; le istruzioni definiscono il ruolo e l'obiettivo; gli strumenti permettono di cercare, leggere, scrivere o agire; la memoria o stato conserva ciò che serve lungo il compito; i guardrail (barriere e regole di sicurezza) limitano ciò che è consentito; infine l'orchestrazione decide come collegare passaggi, agenti e controlli.
Il ciclo tipico può essere: ricevere l'obiettivo → osservare lo stato → scegliere il passo successivo → utilizzare uno strumento → leggere il risultato → decidere se continuare, correggere o fermarsi.
Questa struttura spiega perché un agente può apparire più “attivo” di un chatbot senza che sia necessario immaginare una coscienza artificiale. La sensazione di iniziativa nasce dal ciclo operativo, non da una volontà nascosta.

IL SALTO DECISIVO: L'IA OTTIENE DEGLI STRUMENTI
Il termine tool use (uso di strumenti) indica la capacità del modello di richiamare funzioni o servizi esterni. Un agente può così consultare il Web, interrogare un database, eseguire codice, cercare dentro file, usare un calendario o comunicare con applicazioni aziendali. È il passaggio che trasforma l'IA da generatore di contenuti a componente operativa di un sistema.
La documentazione di OpenAI — Building agents presenta proprio modelli, strumenti, stato/memoria e orchestrazione come elementi componibili per costruire esperienze agentiche. Il valore non nasce quindi dal modello isolato, ma da ciò a cui viene collegato e dalle autorizzazioni che riceve.
Da qui deriva una regola semplice: un agente è tanto potente quanto gli strumenti che può utilizzare, ma anche tanto rischioso quanto i permessi che gli concediamo.

QUANDO L'AGENTE USA IL COMPUTER COME INTERFACCIA
Tradizionalmente due programmi comunicano attraverso API, cioè interfacce create appositamente per lo scambio di dati. Il computer use aggiunge un'altra possibilità: il sistema può interpretare una schermata, individuare elementi dell'interfaccia e produrre azioni equivalenti a click o digitazione.
Questo non significa che “vede e comprende esattamente come un essere umano”. Significa però che può operare anche in ambienti digitali pensati originariamente per persone, non per agenti. È una differenza enorme perché amplia il numero di applicazioni utilizzabili senza dover costruire un'integrazione dedicata per ciascuna.
Più aumenta questa capacità, più diventano importanti limiti, sandbox, conferme e tracciamento: un errore in un testo può essere corretto; un click su un'azione irreversibile potrebbe non esserlo.

MEMORIA: QUANDO L'AGENTE NON RIPARTE SEMPRE DA ZERO
Per seguire attività lunghe, un agente deve mantenere informazioni sullo stato del lavoro. La parola “memoria” può indicare cose diverse: il contesto della sessione, dati salvati in un archivio, preferenze persistenti, risultati intermedi o documenti di progetto. Nel 2026 piattaforme aziendali come Copilot Studio hanno introdotto forme di contesto persistente per alcuni agenti, così da applicare preferenze e criteri anche nelle interazioni successive.
La memoria aumenta continuità e utilità, ma apre anche problemi di privacy, accuratezza e governance. Se l'agente conserva un'informazione errata, quella stessa informazione potrebbe influenzare decisioni successive. Se conserva dati sensibili, occorre stabilire chi può leggerli, modificarli o cancellarli.
Per questo la memoria non è soltanto una comodità. È una parte dell'architettura di sicurezza.

AUTO-CORREGGERSI NON SIGNIFICA ESSERE INFALLIBILI
Un agente può essere progettato per verificare i risultati intermedi. Se esegue del codice e riceve un errore, può analizzarlo, modificare il programma e tentare di nuovo. Se una ricerca non produce dati sufficienti, può cambiare strategia. Questo comportamento viene talvolta chiamato self-reflection (auto-riflessione), anche se il termine rischia di suggerire più di ciò che tecnicamente avviene: il sistema usa nuove informazioni per rivedere il passo successivo.
Il punto importante è che correggersi non equivale a correggersi bene. Può fraintendere l'errore, scegliere una soluzione peggiore, ripetere tentativi inutili o consumare risorse in un ciclo. È uno dei motivi per cui le architetture mature utilizzano limiti di iterazione, condizioni di arresto, evals e checkpoint umani.
Anthropic osserva che proprio autonomia, uso di strumenti e adattamento su più passaggi rendono gli agenti più difficili da valutare rispetto a sistemi che producono una sola risposta.

L'ERRORE CHE DIVENTA UNA CATENA
In una conversazione, una risposta sbagliata può terminare con quella risposta. In un processo agentico, una decisione sbagliata può diventare l'input del passaggio successivo. Se il terzo passaggio di una sequenza è errato e il quarto lo considera corretto, anche il quinto può partire da una premessa sbagliata. È una error cascade (cascata di errori).
Per questo è importante poter ricostruire ciò che l'agente ha fatto attraverso log, tracing (tracciamento dell'esecuzione), controlli intermedi ed evidenze verificabili. L'obiettivo non è sorvegliare ogni micro-azione per sempre, ma poter capire perché il sistema è arrivato a un risultato e dove è iniziata un'eventuale deviazione.
Più lunga è la catena di azioni, più l'affidabilità del singolo passaggio smette di essere l'unica misura importante: conta l'affidabilità dell'intero percorso.

DALL'ERRORE AL DISALLINEAMENTO
Un errore non è necessariamente disallineamento. Un agente può sbagliare semplicemente perché ha interpretato male un dato. Il disallineamento riguarda invece la distanza tra ciò che il sistema persegue e ciò che l'essere umano intendeva realmente ottenere: obiettivo, vincoli, valori o conseguenze possono non coincidere perfettamente.
È proprio con gli agenti che il problema diventa più concreto. Nella nostra pagina I.A. Disallineamento, Controllo e Rischi abbiamo approfondito come un sistema possa produrre conseguenze indesiderate senza “volerci male”. Qui compare un elemento ulteriore: una risposta disallineata resta informazione; un agente disallineato, se possiede strumenti e permessi, può trasformare quella decisione in un'azione.
Per questo allineamento, sicurezza e agenticità non sono argomenti separati: si incontrano nel momento in cui l'IA può intervenire sull'ambiente.

MCP: LE “PRESE” DEL MONDO AGENTICO
Nel novembre 2024 Anthropic ha introdotto il Model Context Protocol — MCP, uno standard aperto per collegare applicazioni IA a dati e strumenti esterni. Possiamo immaginarlo, semplificando, come una presa standard: invece di costruire ogni integrazione da zero, client e server MCP condividono un modo comune per presentare risorse e strumenti.
Nel dicembre 2025 Anthropic ha donato MCP alla Agentic AI Foundation della Linux Foundation, dichiarando più di 10.000 server MCP pubblici attivi e l'adozione del protocollo da parte di numerose piattaforme. Il dato è una dichiarazione del promotore del progetto, ma mostra comunque la rapidità con cui l'ecosistema si è ampliato.
MCP non rende automaticamente sicura un'integrazione: collega capacità. Per questo identità, autorizzazioni e minimo privilegio diventano ancora più importanti.

A2A: QUANDO UN AGENTE PARLA CON UN ALTRO AGENTE
Se MCP affronta soprattutto il collegamento tra applicazioni IA, strumenti e dati, A2A — Agent2Agent Protocol, annunciato da Google nell'aprile 2025, nasce per permettere ad agenti costruiti con tecnologie differenti di comunicare e collaborare. Nel giugno 2025 il progetto è passato sotto la Linux Foundation e, nell'aprile 2026, la fondazione dichiarava il supporto di oltre 150 organizzazioni e impieghi in ambienti produttivi. Approfondimento Linux Foundation.
La differenza didattica è utile: MCP aiuta un agente ad accedere a capacità e contesto; A2A punta alla collaborazione tra agenti. Nella pratica le architetture possono combinare entrambi.

UNA SQUADRA DI AGENTI AL POSTO DI UN SOLO SOFTWARE
Un multi-agent system (sistema multi-agente) suddivide un problema tra agenti con ruoli differenti. Uno può cercare fonti, uno analizzare dati, uno controllare la coerenza, uno scrivere e un altro coordinare il gruppo. La specializzazione può migliorare organizzazione e parallelismo, ma introduce anche nuovi problemi: comunicazione, conflitti tra risultati, propagazione degli errori e responsabilità del coordinatore.
Un esempio interessante proviene dalla ricerca scientifica. Google DeepMind descrive Co-Scientist come un sistema multi-agente che genera, critica, confronta e raffina ipotesi sotto la supervisione di un agente coordinatore e di ricercatori umani.
È un esempio perfetto di una regola che vale anche fuori dalla scienza: più agenti non significano automaticamente più verità; significano più capacità di dividere e coordinare il lavoro.

DAL CHATBOT AL COLLEGA DIGITALE
Nel lavoro quotidiano gli agenti possono essere applicati a customer service, vendite, amministrazione, ricerca documentale, marketing, gestione di progetti, coding e supporto operativo. Il punto non è necessariamente sostituire una professione intera: spesso vengono automatizzate sequenze di attività che prima richiedevano passaggi manuali tra più programmi.
Un agente può, per esempio, leggere una richiesta, cercare i dati pertinenti, aggiornare un CRM,(Customer Relationship Management) preparare una risposta e sottoporla a un operatore. Oppure può ricevere un bug software, consultare il repository, modificare il codice, eseguire test e preparare una proposta di correzione. OpenAI Workspace Agents e piattaforme concorrenti mostrano proprio questa evoluzione verso flussi di lavoro ripetibili tra strumenti e team.
La promessa commerciale è enorme, ma va letta con prudenza: un buon agente aziendale è un sistema progettato attorno a processi, dati e controlli reali, non soltanto un modello con un nome accattivante.

COSA STAI COMPRANDO DAVVERO QUANDO PAGHI UN “AGENTE AI”?
Le offerte a pagamento possono nascondere prodotti molto diversi. Alcune vendono l'accesso a una piattaforma configurabile; altre un agente già specializzato; altre ancora un servizio gestito nel quale persone e automazioni lavorano insieme dietro le quinte. I costi possono dipendere da abbonamento, numero di utenti, consumo di modelli, chiamate agli strumenti o quantità di attività eseguite.
Prima di acquistare è utile chiedere: quale modello usa? quali dati può leggere? quali azioni può compiere? registra ciò che fa? permette approvazioni? dove vengono conservati i dati? che cosa succede quando non sa come procedere? esiste un limite alle azioni o alla spesa?
Un'altra domanda è fondamentale: il prodotto dimostra davvero i risultati dichiarati nelle condizioni reali oppure mostra soltanto una demo preparata? La differenza tra prototipo spettacolare e sistema affidabile in produzione è ancora enorme.

GLI AGENTI ENTRANO NELL'INDUSTRIA
L'agentic AI non riguarda soltanto email e documenti. Nell'aprile 2026 Siemens ha presentato Eigen Engineering Agent, un sistema dedicato all'ingegneria dell'automazione integrato con TIA Portal. Siemens lo descrive come un passaggio dall'IA che suggerisce all'IA che può svolgere attività ingegneristiche in più fasi; prima della disponibilità generale era stato sperimentato, secondo l'azienda, con oltre 100 clienti in 19 Paesi.
Nell'industria gli agenti possono contribuire a progettazione, diagnostica, controllo qualità, manutenzione, documentazione, pianificazione e supply chain (catena di approvvigionamento). Quando entrano in sistemi fisici, però, affidabilità e sicurezza assumono un peso ancora maggiore: un errore in un report non ha le stesse conseguenze di un errore in una procedura industriale.
La frontiera più interessante sarà probabilmente l'integrazione tra agenti software, sistemi di controllo e robotica: qui il confine tra mondo digitale e mondo fisico diventa sempre più sottile.

SCIENZA E RICERCA: L'AGENTE COME COLLABORATORE
Un ricercatore deve cercare letteratura, confrontare risultati, produrre ipotesi, analizzare dati e verificare contraddizioni. Sono attività naturalmente scomponibili in sottocompiti. Google AI Co-Scientist, introdotto nel 2025 e sviluppato ulteriormente nel 2026, mostra come sistemi multi-agente possano supportare la generazione e la revisione di ipotesi scientifiche. Google sottolinea che si tratta di uno strumento collaborativo, non di un sostituto del processo scientifico.
Un altro esempio è Deep Research di OpenAI, descritto come capacità agentica per ricerche multi-step sul Web, in grado di cercare, analizzare e sintetizzare molte fonti adattando il percorso alle informazioni incontrate.
La promessa è accelerare il lavoro preparatorio e l'esplorazione. Il limite resta lo stesso della scienza umana: una buona ipotesi deve essere verificata, non soltanto formulata bene.

SANITÀ: QUANDO L'AUTONOMIA RICHIEDE PIÙ PRUDENZA
In medicina e sanità gli agenti possono aiutare a cercare evidenze, organizzare documenti, preparare sintesi, supportare triage amministrativi o coordinare flussi informativi. Ma qui è essenziale distinguere supporto alla decisione da decisione clinica autonoma. Un sistema che riassume una cartella non è equivalente a un sistema autorizzato a diagnosticare o prescrivere senza supervisione.
Per questo il valore dell'IA agentica in sanità dipenderà non soltanto dalla capacità del modello, ma da validazione, responsabilità professionale, qualità dei dati, autorizzazioni e audit. In settori dove un errore può avere conseguenze gravi, l'autonomia deve essere calibrata sul rischio, non sull'entusiasmo tecnologico.

FINANZA: VELOCITÀ, CONTROLLO E RESPONSABILITÀ
Nella finanza gli agenti possono leggere documenti, assistere nel servizio clienti, analizzare rischio, individuare anomalie, preparare report e orchestrare processi tra sistemi differenti. Ma più l'agente si avvicina a trasferimenti di denaro, credito, investimenti o decisioni regolamentate, più diventano centrali identità, autorizzazioni e tracciabilità.
Qui il principio del human-in-the-loop (essere umano nel ciclo di controllo) non è un semplice ostacolo alla velocità. Può essere una barriera intenzionale prima di un'azione ad alto impatto. Il futuro non sarà probabilmente “autonomia totale oppure nessuna autonomia”, ma una serie di soglie diverse a seconda dell'importanza dell'azione.

CYBERSICUREZZA: AGENTI CHE DIFENDONO E AGENTI CHE ATTACCANO
La cybersecurity mostra con particolare chiarezza il carattere dual use, cioè a doppio uso, dell'agentic AI. Un agente può analizzare log, ricostruire incidenti, controllare configurazioni, classificare allarmi e assistere un Security Operations Center. Le stesse capacità di pianificazione, coding e uso di strumenti possono però essere sfruttate da attori ostili.
Nel novembre 2025 Anthropic ha descritto una campagna di cyber-spionaggio nella quale, secondo la propria indagine, capacità agentiche di Claude Code furono abusate per concatenare numerose attività con intervento umano relativamente limitato. L'azienda ha attribuito con elevato grado di certezza l'operazione a un gruppo sponsorizzato dallo Stato cinese e ha dichiarato un piccolo numero di infiltrazioni riuscite. Trattandosi di una ricostruzione dell'azienda coinvolta, va letta come fonte primaria dell'incidente, non come verifica indipendente.
Il punto didattico è comunque evidente: quando l'IA può agire in sequenza, la stessa velocità che aiuta la difesa può aumentare anche la scala dell'attacco.

PROMPT INJECTION: QUANDO L'AMBIENTE CERCA DI INGANNARE L'AGENTE
Un agente che legge email, pagine Web e documenti deve distinguere tra informazioni da analizzare e istruzioni da eseguire. Un attaccante può inserire nel contenuto esterno istruzioni progettate per deviare il comportamento del modello: è la prompt injection (iniezione di istruzioni). Quando l'attacco arriva indirettamente da una pagina, un file o una email si parla spesso di indirect prompt injection o agent hijacking (dirottamento dell'agente).
NIST ha dedicato nel 2026 test specifici all'agent hijacking, sottolineando il rischio crescente quando gli agenti elaborano dati provenienti da fonti esterne. Anche OWASP classifica la prompt injection tra i rischi principali dei sistemi LLM.
Con un chatbot l'attacco può alterare una risposta. Con un agente dotato di strumenti, può tentare di influenzare un'azione. È questa la differenza che rende la sicurezza agentica una disciplina propria.

LE DIFESE ESISTONO: MA NON SONO UNA BARRIERA UNICA
Già nella nostra pagina I.A. Come “Pensa”? avevamo osservato che, analogamente alla cybersecurity tradizionale, nel campo dell'IA si stavano sviluppando strumenti di monitoraggio e mitigazione. Quel principio non è superato: nel 2026 è diventato un'architettura molto più concreta.
La protezione di un agente maturo combina più livelli: least privilege (minimo privilegio), cioè concedere soltanto gli accessi strettamente necessari; separazione dei contenuti non fidati dalle istruzioni; sandbox e ambienti isolati; liste di strumenti consentiti; validazione degli input e degli output; limiti di tempo, spesa e numero di iterazioni; logging e tracing; evals e red teaming; approvazione umana per operazioni irreversibili o privilegiate.
La AI Agent Standards Initiative del NIST lavora proprio su sicurezza, interoperabilità, identità e autorizzazione degli agenti. L'obiettivo realistico non è promettere “errore zero”, ma impedire che un singolo errore disponga automaticamente di potere illimitato.

CHI DÀ LE CHIAVI ALL'AGENTE?
Ogni strumento è anche un permesso. Leggere una casella email non equivale a poter inviare messaggi. Consultare un database non equivale a modificarlo. Preparare un pagamento non equivale ad autorizzarlo. Questa distinzione conduce a uno dei problemi fondamentali dei prossimi anni: l'identità digitale dell'agente.
NIST ha aperto nel 2026 un lavoro specifico su identità e autorizzazione degli agenti: come identificarli, autenticarli, applicare principi zero-trust, concedere il minimo privilegio, verificare la delega “per conto di” una persona e registrare le azioni in modo controllabile.
È possibile che in futuro molte organizzazioni abbiano non soltanto utenti umani e account di servizio, ma anche utenti artificiali con identità, ruoli e autorizzazioni proprie.

SONO AFFIDABILI? FANNO DAVVERO QUELLO CHE PROMETTONO LE PUBBLICITÀ?
La risposta più corretta è: dipende dal compito, dagli strumenti, dai dati e da come il sistema è stato progettato. Gli agenti possono essere eccellenti nei processi ben delimitati, verificabili e ripetitivi. Possono lavorare a grande velocità, attraversare molti documenti, mantenere uno stato e utilizzare strumenti diversi senza stancarsi.
Ma continuano a poter allucinare, fraintendere una richiesta, usare uno strumento sbagliato, bloccarsi, spendere più risorse del previsto o produrre una cascata di errori. Anche l'autocorrezione non garantisce il successo. La pubblicità tende naturalmente a mostrare il percorso perfetto; l'affidabilità reale si misura invece sugli errori, sui casi limite e sulla capacità di recuperare in modo sicuro.
Per questo evals (valutazioni sistematiche), test in sandbox, metriche di successo, monitoraggio e controlli umani sono parte del prodotto, non dettagli opzionali.

INTELLIGENCE E SPIONAGGIO: L'AGENTE CHE NON DORME MAI
Gli apparati di intelligence devono correlare quantità enormi di notizie, immagini, dati economici, documenti, movimenti logistici e fonti pubbliche. È un ambiente naturale per sistemi capaci di mantenere un obiettivo, cercare continuamente nuove informazioni e segnalare anomalie. Un'area particolarmente rilevante è l'OSINT — Open Source Intelligence, cioè intelligence ricavata da fonti pubblicamente accessibili.
Un agente potrebbe seguire eventi per giorni, confrontare fonti, collegare entità e aggiornare una valutazione man mano che emergono nuovi dati. Ma la velocità non elimina l'errore: una correlazione può sembrare significativa senza esserlo. Un falso positivo in una ricerca commerciale è fastidioso; in un contesto di sicurezza nazionale può produrre conseguenze molto più serie.
L'IA può quindi amplificare l'analisi umana, ma proprio perché aumenta enormemente la scala dell'osservazione rende ancora più importante separare dato, inferenza e giudizio.

GUERRA E AGENTI AI: NON CONFONDIAMO LE PAROLE
Agente AI non significa automaticamente arma autonoma. Un agente software che pianifica una catena logistica è diverso da un sistema che controlla un veicolo; un sistema che analizza immagini è diverso da uno autorizzato a decidere l'uso della forza. È essenziale distinguere analisi, supporto decisionale, controllo operativo e uso autonomo della forza.
Tuttavia, IA e sistemi autonomi stanno entrando sempre più nelle infrastrutture militari. Nel 2025 la NATO ha acquisito il Maven Smart System NATO per intelligence fusion, consapevolezza del campo operativo, pianificazione e accelerazione del processo decisionale. Nel 2026 Task Force X — Central Mediterranean, sotto leadership italiana, ha sperimentato oltre cento sistemi in attività che includono sorveglianza, collaborazione tra mezzi con e senza equipaggio e integrazione dell'IA, mantenendo supervisione umana nelle operazioni critiche.
Il tema quindi non è fantascienza, ma neppure va semplificato con la parola “robot killer”: si tratta di capire dove l'autonomia entra nella catena decisionale e quali decisioni restano esclusivamente umane.

QUANDO LA VELOCITÀ DELLA MACCHINA SUPERA QUELLA DELLA POLITICA
Immaginiamo una crisi internazionale. Un sistema rileva un evento; un altro confronta immagini; un terzo analizza comunicazioni pubbliche; un quarto costruisce possibili scenari. Tutto può avvenire in secondi o minuti. Un ministro, un diplomatico o un comandante non ragiona alla stessa velocità.
Da qui può nascere un paradosso: più rapidamente i sistemi artificiali analizzano e reagiscono, maggiore può diventare la pressione ad automatizzare anche il passo successivo. La velocità, normalmente considerata un vantaggio, può così diventare un fattore di rischio quando riduce il tempo disponibile per verificare, contestualizzare o decidere di non reagire.
In geopolitica rallentare non significa sempre essere inefficienti. A volte significa avere il tempo di capire.

LA NUOVA GEOPOLITICA DEGLI AGENTI
La competizione sull'IA non riguarda soltanto chi possiede il modello più capace. Riguarda chip, data center, energia, cloud, dati, standard, protocolli e piattaforme attraverso le quali gli agenti possono operare. Un Paese o un blocco economico capace di distribuire agenti affidabili nella ricerca, nella produzione, nella logistica, nella sicurezza informatica e nella pubblica amministrazione potrebbe ottenere vantaggi simultanei in molti settori.
Gli standard aperti diventano quindi anche una questione di potere infrastrutturale. Chi stabilisce come gli agenti si autenticano, comunicano e accedono agli strumenti può influenzare la forma dell'ecosistema futuro.
La competizione potrebbe non essere soltanto per costruire l'IA che ragiona meglio, ma per costruire l'ecosistema di IA capace di agire meglio.

AGENTI CONTRO AGENTI: VERSO UN'ECONOMIA AGENTICA?
Oggi immaginiamo prevalentemente una relazione persona → agente. Ma protocolli come A2A rendono plausibile una crescita delle relazioni agente → agente. Un agente personale potrebbe contattare l'agente di una compagnia aerea; quello di un'impresa potrebbe negoziare disponibilità con quello di un fornitore; sistemi di cybersecurity potrebbero scambiarsi automaticamente indicatori e risposte.
In un possibile futuro, molte interazioni economiche potrebbero essere preparate o eseguite da agenti entro budget e limiti definiti dagli esseri umani. Non è una previsione certa. È uno scenario reso più plausibile dall'emergere di protocolli di interoperabilità, identità agentica e piattaforme multi-agente.
Il problema successivo sarebbe enorme: come dimostrare che un agente ha davvero l'autorità per rappresentare una persona o un'organizzazione? L'identità digitale diventa così anche identità economica.

E SE NON USASSIMO PIÙ DIRETTAMENTE LE APPLICAZIONI?
Oggi apriamo un'app per la banca, una per viaggiare, una per la posta, una per il calendario, una per comprare e una per lavorare. Ma se un agente conoscesse il nostro obiettivo e fosse autorizzato a utilizzare quei servizi, potremmo interagire meno con le singole interfacce.
Potremmo dire: "Organizza questo", "trova la soluzione migliore rispettando queste condizioni", "risolvi il problema e chiedimi conferma prima di spendere denaro". Le applicazioni continuerebbero a esistere, ma diventerebbero sempre più infrastrutture utilizzate dagli agenti.
In questo scenario l'agente diventerebbe l'interfaccia principale tra la persona e una parte di Internet. È una trasformazione potenzialmente paragonabile al passaggio dal prompt testuale al browser grafico: non cambia soltanto ciò che il software può fare, ma anche il modo in cui l'utente formula le proprie intenzioni.

DALL'ASSISTENTE ALLA RAPPRESENTANZA DIGITALE
Se un agente conosce preferenze, calendario, limiti economici, regole professionali e obiettivi, può progressivamente passare dall'essere uno strumento che consultiamo a uno strumento che ci rappresenta digitalmente entro determinati confini.
Qui compare una domanda economica e politica molto importante: per chi lavora davvero l'agente? Se sceglie un hotel, privilegia l'offerta migliore per l'utente o quella sponsorizzata dalla piattaforma? Se seleziona informazioni, quali fonti considera? Se negozia, quali incentivi sono incorporati nel sistema?
Il problema non è nuovo: intermediari e piattaforme influenzano già le nostre scelte. Ma un agente potrebbe rendere quell'intermediazione molto più invisibile perché agirebbe al posto nostro prima ancora che vediamo tutte le alternative.

IL RISCHIO PIÙ SOTTILE: DELEGARE SENZA ACCORGERCENE
Forse il rischio quotidiano più realistico non sarà un agente che “impazzisce”, ma un agente che funziona bene quasi sempre. Dopo decine o centinaia di decisioni corrette, l'essere umano può iniziare a controllarlo meno. Il pulsante Approva diventa un gesto automatico.
Questo fenomeno è collegato all'automation bias, la tendenza a fidarsi eccessivamente di un sistema automatico proprio perché nella maggior parte dei casi è utile. Un controllo umano puramente formale può quindi esistere sulla carta ma scomparire nella pratica.
La domanda non è soltanto "quanto possiamo fidarci degli agenti?". È anche: "quanto rapidamente la comodità ci porterà a smettere di verificarli?"

IL PARADOSSO DELL'AUTONOMIA
Se dobbiamo approvare ogni singolo passaggio, perdiamo gran parte del vantaggio dell'automazione. Se non controlliamo nulla, aumentiamo l'impatto potenziale di un errore. Il problema progettuale diventa quindi trovare il livello appropriato di autonomia per la conseguenza dell'azione.
Un agente che ordina materiale d'ufficio può ricevere più libertà. Un agente che firma un contratto, muove denaro, modifica sistemi critici o partecipa a decisioni cliniche o militari richiede soglie differenti. Non esisterà probabilmente un'unica risposta corretta per tutti gli agenti.
L'autonomia dovrebbe essere proporzionata a reversibilità, costo, impatto, sensibilità dei dati e possibilità di verifica.

QUATTRO FUTURI POSSIBILI — SCENARI, NON PREVISIONI
SCENARIO 1 — L'ASSISTENTE UNIVERSALE. Gli agenti diventano strumenti personali molto capaci, ma le decisioni importanti richiedono ancora approvazione esplicita. L'autonomia cresce soprattutto nelle attività reversibili e di routine.
SCENARIO 2 — L'ECONOMIA DEGLI AGENTI. Persone e aziende dispongono di agenti che comunicano fra loro, negoziano servizi, coordinano prenotazioni, acquisti e processi amministrativi entro regole stabilite dagli utenti.
SCENARIO 3 — LE ORGANIZZAZIONI IBRIDE. Gruppi relativamente piccoli di persone coordinano grandi quantità di lavoro svolto da squadre di agenti specializzati. Il valore umano si sposta verso obiettivi, controllo, eccezioni, responsabilità e giudizio.
SCENARIO 4 — IL MONDO AD ALTA AUTONOMIA. Agenti civili, industriali, economici e statali prendono continuamente decisioni operative, mentre gli esseri umani intervengono soprattutto per casi eccezionali, conflitti e scelte strategiche.
Nessuno può sapere oggi quale scenario prevarrà. È probabile che elementi di tutti e quattro convivano in settori differenti.

NON È UN ROBOT. È UNA NUOVA FORMA DI SOFTWARE
Quando sentiamo la parola “agente” è facile immaginare un robot. Ma la maggior parte degli Agenti AI probabilmente non avrà un corpo. Vivrà nei server, nel cloud, nei computer e nei sistemi delle organizzazioni. Non lo vedremo camminare. Vedremo soprattutto le conseguenze delle azioni che avrà eseguito.
Per decenni abbiamo utilizzato software impartendo comandi relativamente espliciti. Con gli agenti iniziamo invece ad assegnare risultati: il sistema può decidere una parte del percorso necessario per raggiungerli.
L'autonomia non nasce quando una macchina “pensa da sola”. Nasce quando può trasformare una decisione in un'azione senza dover chiedere continuamente a un essere umano di premere il pulsante successivo.

LA DOMANDA CHE RESTA A NOI
Fra qualche anno la domanda "usi l'Intelligenza Artificiale?" potrebbe sembrare antiquata. Potremmo essere circondati da agenti invisibili che lavorano nei servizi, nelle imprese, nelle infrastrutture e nelle istituzioni. Alcuni ci consiglieranno. Altri agiranno per noi. Altri agiranno per aziende, governi o altri sistemi artificiali.
Per questo la questione decisiva non è soltanto quanto intelligenti diventeranno. È più concreta: quale potere operativo siamo disposti a delegare, a quali condizioni e con quale possibilità di controllo?
Quando una macchina non si limita più a suggerire una decisione ma può contribuire a trasformarla in un'azione, cambia il significato stesso della parola automazione. E forse stiamo appena iniziando a comprenderlo.

FONTI PRIMARIE E APPROFONDIMENTI
OpenAI — New tools for building agents
OpenAI — Introducing the Agents API
OpenAI Developers — Building agents
OpenAI — Deep Research
Anthropic — Building effective agents
Anthropic — Framework for safe and trustworthy agents
Anthropic — Introducing the Model Context Protocol (MCP)
Google — Announcing the Agent2Agent Protocol (A2A)
Linux Foundation — A2A adoption and production use
NIST — AI Agent Standards Initiative
NIST — AI Agent Security and Agent Hijacking
OWASP — Prompt Injection
Siemens — Eigen Engineering Agent
Google DeepMind — Co-Scientist multi-agent system
Anthropic — AI-orchestrated cyber espionage campaign
NATO NCIA — AI-enabled warfighting system
NATO ACT — Task Force X Central Mediterranean
Robologik — I.A. Come “Pensa”?
Robologik — I.A. Disallineamento, Controllo e Rischi

I.A. Disallineamento e Controllo