Un agente IA non è un chatbot con strumenti, né un workflow mascherato. Ecco la definizione chiara e la distinzione che cambia le tue scelte tecniche.
Un agente IA è un sistema che decide autonomamente quali passaggi seguire per raggiungere un obiettivo, scegliendo i propri strumenti man mano, a differenza di un workflow automatizzato dove ogni passaggio è fissato in anticipo da un humano. La distinzione sembra ovvia sulla carta. Eppure spiega metà dei malintesi che vediamo da due anni intorno a questa parola.
Il termine "agente IA" oggi viene appiccicato praticamente a tutto: un chatbot con qualche function call, una pipeline n8n con una chiamata LLM nel mezzo, una vera boucle decisionale autonoma. Questo flou non è banale. Spinge i team a costruire (o comprare) lo strumento sbagliato per il problema sbagliato. Questo articolo prende posizione su dove tracciare la linea, con un esempio concreto e gli errori che vediamo tornare in produzione.
Il problema: nessuno ha la stessa definizione
Non esiste una definizione unica e consensuale della parola "agente" nell'industria. Uno studio condotto da Simon Willison, sviluppatore riconosciuto nella comunità tech, ha raccolto da professionisti dell'IA una moltitudine di definizioni diverse e talvolta contraddittorie del termine, alcuni lo usano per designare qualsiasi sistema che chiami uno strumento, altri riservano la parola ai sistemi capaci di pianificare più step senza supervisione umana.
Risultato: due aziende possono vendere esattamente lo stesso prodotto. Una lo chiama "assistente automatizzato". L'altra lo chiama "agente IA autonomo di nuova generazione". Il prezzo cambia da uno a tre volte tanto.
Questa assenza di standard non è solo un problema di marketing. Ha conseguenze tecniche reali quando arriva il momento di scegliere un'architettura.
Agente vs workflow: la distinzione che conta davvero
Ecco la linea di demarcazione più utile in pratica: in un workflow, il percorso di esecuzione è scritto in anticipo da uno sviluppatore, condizioni, branch, un ordine fisso. L'LLM, se interviene, fa solo eseguire un compito puntuale in uno step predefinito.
In un agente, è il modello stesso che decide l'azione successiva: quale strumento chiamare, in quale ordine, quando fermarsi. La boucle è aperta. Nessuno ha scritto in anticipo la sequenza esatta degli step.
Questa differenza cambia tutto in termini di prevedibilità, costo e debug.
| Criterio | Workflow automatizzato | Agente IA |
|---|---|---|
| Sequenza degli step | Fissata da un humano | Decisa dal modello in tempo reale |
| Prevedibilità | Alta, comportamento deterministico | Variabile, dipende dal ragionamento del modello |
| Costo in token | Prevedibile, limitato | Può esplodere (boucle, retry) |
| Debug in caso di errore | Semplice, si ripete lo step fallito | Complesso, bisogna ricostituire il ragionamento |
| Caso d'uso tipico | Fatturazione, estrazione di dati, notifiche | Ricerca multi-step, risoluzione di bug, supporto con contesto variabile |
Avevamo dettagliato la meccanica di connessione tra un agente e i suoi strumenti nell'articolo su come creare un server MCP per Claude. Il protocollo MCP standardizza proprio il modo in cui un agente scopre e chiama strumenti esterni, ma non rende un sistema "agente" di per sé. Si può benissimo cablare MCP su un semplice workflow.
Un esempio concreto: il SOC agenziale
Un caso ben documentato illustra la differenza: i centri operazioni di sicurezza (SOC) agenziali descritti da Harvey. Il sistema vi opera attraverso un ciclo continuo, ricerca di minacce, ingegneria di detection, aggiustamento degli alert, dove ogni step informa il successivo in modo autonomo, senza script prestabilito per ogni scenario di attacco.
È un vero agente, non un workflow mascherato. Il modello aggiusta la sua strategia di detection in base a ciò che scopre nello step precedente. Uno script classico avrebbe dovuto anticipare ogni caso in anticipo.
Ma ecco il limite onesto: questa autonomia ha un prezzo. Più la boucle è lunga, più il conto in token sale e più il rischio di deriva aumenta. L'avevamo calcolato nell'articolo sul prezzo reale dell'API Claude, un agente che boucla 15 volte su un problema può costare dieci volte di più di un workflow che tratta lo stesso caso in tre call fisse.
Lo stesso Anthropic spinge una visione dove il lavoro assomiglia sempre più a una collaborazione "multi-giocatore" tra umani e sistemi autonomi piuttosto che a una semplice automatizzazione di compiti ripetitivi. Ma questa visione presuppone casi d'uso dove l'imprevedibilità del ragionamento apporta un valore reale, non un qualsiasi formulario da compilare.
Perché questa confusione costa caro in produzione
Vediamo tre errori tornare regolarmente nei team che si lanciano.
Il primo: costruire una boucle agenziale completa per un bisogno che sarebbe bastato con una pipeline a tre step. Il risultato è più lento, più caro, e più difficile da debuggare, per un guadagno di flessibilità che nessuno usa davvero.
Il secondo errore è opposto. Alcuni team chiamano il loro prodotto "agente" per puro argomento di marketing, mentre si tratta di un chatbot con function calling basico. Il cliente si aspetta un'autonomia che non ottiene mai.
Il terzo, più subdolo: sottovalutare il costo di supervisione di un vero agente in prod. Senza observabilità fine su ogni decisione presa dal modello, una deriva di comportamento può passare inosservata per settimane. Ne parlavamo già approfondendo le opzioni gratuite e open source per montare un agente IA senza far saltare il budget: la gratuità del modello non dice nulla del costo della supervisione.
Se il tuo team conta meno di cinque sviluppatori e il caso d'uso è ripetitivo, un workflow ben strutturato farà spesso il lavoro meglio di un agente mal supervisionato.
Conclusione
Tre punti da ricordare. Un agente decide della sua sequenza di azioni in tempo reale, un workflow la esegue secondo un piano fissato in anticipo, la differenza non è cosmetica, cambia il costo e la prevedibilità del sistema. La parola "agente" non ha una definizione consensuale nell'industria, il che la rende un argomento di marketing tanto quanto un termine tecnico. E l'autonomia ha un prezzo reale in token e in sforzo di supervisione, che rende il workflow preferibile nella maggioranza dei casi concreti.
Prima di lanciarti nella costruzione di un agente IA, poniti una domanda semplice: il tuo problema ha davvero bisogno di un modello che improvvisa, o solo di un enchaînement affidabile di step? Se vuoi che guardiamo insieme il tuo caso specifico, il team fstck.co è raggiungibile per discuterne.
Domande frequenti
Come fare a sapere se il mio progetto ha bisogno di un agente IA o solo di un workflow automatizzato?
Poniti la domanda della variabilità: se gli step e il loro ordine sono sempre gli stessi, un workflow basta. Se il numero di step e la loro natura variano secondo il contesto di ogni richiesta, un agente diventa pertinente.
Qual è la differenza tra un agente IA e un chatbot con function calling?
Un chatbot con function calling esegue uno strumento puntuale su richiesta esplicita, in una conversazione guidata dall'utente. Un agente enchaîne più call di strumenti in modo autonomo, senza validazione umana a ogni step, finché raggiunge l'obiettivo fissato.
Il protocollo MCP di Anthropic è necessario per costruire un agente IA?
No. MCP standardizza la connessione tra un modello e strumenti esterni, il che semplifica l'integrazione, ma un agente può funzionare con call API classiche. MCP facilita la manutenzione, non definisce cos'è un agente.
Un agente IA può funzionare senza memoria persistente?
Sì, per compiti brevi limitati a una sessione. Ma dal momento che l'agente deve ricordarsi un contesto tra più interazioni separate nel tempo, una memoria persistente, database vettoriale o storage strutturato, diventa necessaria per evitare di rispiegare tutto a ogni call.
Perché un agente IA costa più di un workflow classico?
Perché la boucle di decisione consuma token a ogni iterazione di ragionamento, anche quando il modello sbaglia e deve ricominciare. Un workflow fisso chiama il modello un numero di volte noto in anticipo, il che rende il suo costo prevedibile e generalmente più basso.
