I numeri sull’adozione raccontano una storia. La tecnologia sottostante ne racconta un’altra. Un report del novembre 2025 della MIT Sloan School of Management e di Boston Consulting Group ha rilevato che il 35 percento delle aziende intervistate aveva già implementato agenti IA, mentre un altro 44 percento prevedeva di adottare l’IA agentiva nel prossimo futuro. È un livello di slancio notevole per una categoria che la maggior parte delle persone, compresi molti di coloro che la stanno implementando, fatica a definire con precisione. Capire cosa sia davvero l’IA agentiva, dove funziona bene e dove presenta limiti concreti è più utile che seguire soltanto la curva di adozione.
Dal Generare Testo all’Agire
Il modo più chiaro per comprendere l’IA agentiva è confrontarla con gli strumenti di IA generativa che la maggior parte delle persone già utilizza. Sistemi come ChatGPT o Claude producono output: testo, immagini, codice, riassunti. Rispondono. L’IA agentiva, al contrario, agisce. Può prenotare un volo, interagire con un sito web, eseguire una sequenza di passaggi in un ambiente software, o controllare un sistema fisico come un robot. La distinzione non è superficiale. Cambia la natura del rischio, la supervisione necessaria e il tipo di fiducia che un utente deve riporre nel sistema.
Quello che la maggior parte delle persone non sa è che la grande maggioranza degli agenti IA presenti sul mercato oggi è costruita sullo stesso ristretto insieme di modelli fondazionali. Un’azienda prende un modello come Claude, lo racchiude in strumenti specifici e capacità di memoria, e lo distribuisce per un caso d’uso particolare. L‘“agente” è in gran parte il wrapper: gli strumenti a cui può accedere, i dati che può ricordare, le azioni che è autorizzato a compiere. Questa realtà architetturale, spiegata da Phillip Isola, professore associato presso il Department of Electrical Engineering and Computer Science del MIT e membro del CSAIL, aiuta a capire perché l’IA agentiva si sia diffusa così rapidamente. La parte difficile, ovvero costruire un modello fondazionale capace, era già stata completata. Il lavoro rimanente riguarda l’integrazione e la configurazione.
Dove Funziona e Dove Incontra Difficoltà
Gli agenti di coding rappresentano la storia di successo più evidente nell’IA agentiva fino ad oggi. Le ragioni sono illuminanti. Il codice è un dominio in cui la correttezza può essere verificata automaticamente. Un agente può tentare una soluzione, eseguirla, verificare se funziona e iterare. È questo ciclo di feedback a rendere l’apprendimento praticabile. Quando l’ambiente fornisce segnali chiari su successo e fallimento, gli agenti possono migliorare per tentativi ed errori in un modo difficile da replicare in domini più caotici e ambigui.
Il problema dei dati di addestramento è il collo di bottiglia principale in tutti gli altri ambiti. Si consideri qualcosa di apparentemente semplice come prenotare un volo online. La sequenza di azioni necessarie — sapere dove cliccare, come gestire gli errori, quando chiamare e trattare — non è documentata in modo adeguato in nessun dataset. Gli agenti che tentano questo tipo di compito devono imparare esplorando ambienti reali, difficili da modellare e imprevedibili. Non si tratta di una sfida ingegneristica secondaria. È un vincolo fondamentale alla velocità con cui l’IA agentiva può espandersi oltre i domini in cui già performa bene.
Isola traccia una distinzione importante tra IA agentiva e IA analitica. I sistemi che modellano risultati, individuano pattern o supportano le decisioni umane non sono agenti in senso tecnico. Non agiscono in modo autonomo. Per domini ad alto rischio come la medicina, la sicurezza e le politiche aziendali di alto livello, questo ruolo di supporto decisionale può essere più appropriato della piena automazione, sia perché la tecnologia potrebbe non essere ancora pronta, sia perché il livello di responsabilità umana richiesto in quei contesti rende la delega totale genuinamente problematica.
I Rischi Sottovalutati
Questo è ciò che la maggior parte della copertura mediatica sull’IA agentiva non coglie: i rischi non riguardano solo ciò che gli agenti fanno di sbagliato da soli. Una quota significativa del rischio deriva da come gli esseri umani li utilizzano.
La facilità d’uso degli strumenti agentivi crea una specifica modalità di fallimento. Quando un agente di coding può generare software funzionante a partire da un prompt vago, la tentazione è di saltare la fase di verifica. I bug vengono introdotti. I dati privati vengono esposti. Isola osserva che questo sta già accadendo. L’agente potrebbe funzionare esattamente come previsto; il problema è che l’essere umano non ha definito il compito con sufficiente precisione, o non ha verificato l’output con sufficiente rigore, perché lo strumento dava la sensazione che il lavoro difficile fosse già fatto.
A questo si aggiunge una preoccupazione di più lungo periodo. Quando le persone delegano abitualmente compiti cognitivi — tra cui coding, ragionamento matematico e ricerca — a sistemi automatizzati, le competenze necessarie per svolgere quei compiti in modo autonomo rischiano di atrofizzarsi. Il rischio non è ipotetico. È uno schema noto in altri ambiti in cui l’automazione ha ridotto la frequenza con cui gli esseri umani esercitano una determinata competenza. La preoccupazione è amplificata dal fatto che la tecnologia non è ancora abbastanza affidabile da sostituire pienamente il giudizio umano in molti di questi ambiti. Delegare troppo presto, prima che il sistema sia pronto, crea una situazione in cui né l’essere umano né l’agente è pienamente capace.
In Sintesi
L’IA agentiva non è una nuova categoria di modello. È un nuovo modo di distribuire modelli esistenti: dotarli di strumenti, memoria e capacità di agire anziché limitarsi a rispondere. Funziona meglio dove il feedback è chiaro e gli errori sono recuperabili, come nel coding. Incontra difficoltà dove i dati di addestramento sono scarsi e gli ambienti sono imprevedibili. Il tasso di adozione è elevato, ma la maturità della tecnologia è disomogenea, e i rischi più sottovalutati non sono i fallimenti tecnici, bensì quelli umani: verifica insufficiente, istruzioni vaghe e l’erosione graduale delle competenze che la supervisione richiede. La domanda aperta per il settore è se la prossima generazione di agenti sarà costruita sulla stessa architettura di language model con strumenti migliori, oppure se saranno necessarie architetture genuinamente nuove per gestire il mondo fisico e continuo. A questa domanda non esiste ancora una risposta.
Basato su un articolo di MIT News AI.