Gli Agenti AI sono oggi al centro delle strategie delle aziende che sviluppano soluzioni basate sull’intelligenza artificiale per il business, e proposti come componenti software in grado di declinare in modo concreto il potenziale dell’AI nelle supply chain di processo. Una possibilità evidentemente non priva di rischi e che richiede una visione strategica, un approccio interdisciplinare e un quadro regolamentare adeguato. Cerchiamo per questo di comprendere la natura e funzione degli Agenti AI, la loro evoluzione e quale ne sia il reale potenziale.
L’origine di un’idea e gli sviluppi
L’idea di agente come entità autonoma e in grado di compiere azioni in un ambiente riconduce agli studi di diversi campi della ricerca scientifica. In informatica, gli agenti software sono stati spesso ispirati dai concetti delle scienze cognitive, dall’etologia (lo studio del comportamento animale) e dalla teoria dei sistemi complessi. Sin dagli anni ‘60, alcuni ricercatori, come John McCarthy e Marvin Minsky, hanno ipotizzato la possibilità di creare programmi in grado di “ragionare” o almeno di prendere decisioni in base a determinate condizioni. Tali programmi, tuttavia, erano ancora lontani da ciò che oggi definiamo Agenti Intelligenti Artificiali, gli Agenti AI, appunto. Il primo slancio teorico importante si ritrova nei lavori di Allen Newell e Herbert A. Simon e riguarda il General Problem Solver (Gps), un programma in grado di cercare soluzioni a problemi simbolici. All’epoca non si poteva ancora parlare di un vero e proprio “agente”, ma è questo il fondamento di ciò di cui si parla oggi, mentre con gli anni, lo sviluppo di sistemi di knowledge representation, di algoritmi di pianificazione e di apprendimento automatico ha gettato le basi per la creazione di agenti più sofisticati e con maggiori capacità di interazione con l’ambiente.
E’ nel corso degli anni ‘90 che la comunità accademica inizia a parlare in modo sistematico di agenti software, soprattutto in relazione alla necessità di distribuire compiti tra diversi nodi di calcolo e di far “collaborare” entità diverse. Dai primi chatbot rudimentali si inizia quindi a parlare di sistemi di informazioni in grado di “autorifornirsi di informazioni” per cercare di eseguire compiti specifici su richiesta dell’utente. Con l’avvento di Internet, l’idea di avere programmi autonomi che operano in rete, gestendo compiti specifici senza l’interazione costante con l’uomo, comincia a prendere piede. Nascono le piattaforme di agent-based computing e linguaggi dedicati (ad esempio, AgentSpeak). In parallelo, si diffuse l’uso di metodologie multi-agent system (Mas), in cui più agenti interagiscono tra loro per risolvere problemi complessi. La ricerca accademica si è quindi spostata verso l’approfondimento dell’autonomia degli agenti e della loro capacità di apprendere dall’esperienza. Durante questo periodo, l’integrazione di algoritmi di machine learning (apprendimento supervisionato, non supervisionato e per rinforzo) con i sistemi multiagente è risultata cruciale per consentire agli agenti di adattarsi dinamicamente ai cambiamenti dell’ambiente, superando poi i limiti degli Llm, per esempio proprio nell’automazione non di singoli task ma di interi workflow.
Dagli agenti software agli Agenti AI
Il termine Agente AI si è diffuso man mano che i modelli di apprendimento automatico sono diventati più sofisticati, in particolare grazie alle reti neurali profonde (deep learning) e ad altre tecniche di apprendimento per rinforzo avanzate (sono Mnih e altri su Nature nel 2015 a parlare tra i primi della vittoria di un Agente AI in un gioco, Breakout). Nel contesto contemporaneo, un Agente AI è quindi finalmente definito come un’entità software che è in grado di percepire l’ambiente tramite sensori o flussi di dati, decidere un corso d’azione tramite una componente di ragionamento o apprendimento, quindi agire sull’ambiente sulla base della possibilità di fornire risposte/soluzioni, spesso in modo autonomo e adattativo, interagendo quindi all’interno di sistemi di processo articolati, ed infine imparare modificando il proprio comportamento per massimizzare un certo criterio di prestazione o per soddisfare obiettivi definiti. L’aspetto chiave critico risiede quindi nell’autonomia e nella capacità di prendere decisioni complesse, spesso in ambienti incerti o dinamici. Possibilità oggi studiate nelle università e dalle aziende che si occupano di sviluppare e migliorare le tecniche di intelligenza artificiale che rendono gli agenti sempre più “intelligenti” e capaci di interagire con un ambiente reale o virtuale.
Che cos’è un Agente AI
Uno dei motivi di fascino e complessità nel mondo dell’AI sta proprio nella varietà di definizioni, talvolta sovrapposte che si incontrano. Nel caso degli agenti, la definizione canonica di Russell & Norvig, 2021 in, Artificial Intelligence: A Modern Approach descrive l’agente come “qualunque entità che percepisca l’ambiente attraverso sensori e agisca su quell’ambiente attraverso attuatori”. Se l’agente dispone di meccanismi di apprendimento e di processi decisionali avanzati (come pianificazione, ragionamento basato su logica o metodi di ottimizzazione), allora rientra nella sfera AI. E nei manuali universitari più recenti si sottolinea come un Agente AI non si limiti a reagire passivamente a degli input, ma abbia una strategia o un obiettivo da raggiungere, e sia in grado di aggiornare tale strategia in base ai dati raccolti. Ciò implica la presenza di componenti di memoria e di autonomia decisionale.
Nel panorama accademico esistono diverse classificazioni degli agenti. Una delle tassonomie più citate comprende: Agenti reattivi che sono basati su architetture semplici, spesso prive di memoria a lungo termine, operano con azioni che derivano da regole del tipo “se si verifica X, allora fai Y” e sono adatti a contesti in cui la rapidità di reazione è prioritaria e l’ambiente non è eccessivamente complesso. A valle gli Agenti deliberativi operano sulla base di un modello interno assimilato, con rappresentazioni simboliche e conoscenze pregresse, possono pianificare una sequenza di azioni per raggiungere un obiettivo e fanno uso di tecniche di reasoning, pianificazione e spesso apprendimento. Vi sono poi gli Agenti ibridi che combinano caratteristiche reattive e deliberative, possono rispondere rapidamente a situazioni di emergenza (parte reattiva) ma anche pianificare sul lungo termine (parte deliberativa) e sono i più utilizzati in applicazioni complesse (dalla robotica ai sistemi di raccomandazione avanzati). Incontriamo quindi i sistemi multi-agente cui abbiamo già accennato. Costituiti da più agenti che interagiscono fra loro per raggiungere uno scopo comune o individuale, questi agenti possono cooperare o competere, scambiando informazioni in modo diretto (via protocolli di comunicazione) o indiretto (condivisione di risorse o ambiente) e trovano ampia applicazione nella simulazione di fenomeni sociali, economici e biologici, nonché in sistemi industriali complessi (ad esempio le reti di sensori).
E’ possibile però anche un’altra distinzione ovvero quella tra Agenti AI specializzati e Agenti AI generici. Gli Agenti specializzati sono progettati per uno scopo ben definito, come giocare a scacchi, gestire un call center, ottimizzare la logistica di un magazzino. Sono molto efficienti nel loro dominio, ma non possono generalizzare a compiti diversi. Invece gli Agenti generici mirano a imparare da ambienti più vari e affrontare compiti eterogenei, eventualmente sviluppando nuove abilità. Questo è l’obiettivo ultimo della Artificial General Intelligence (Agi), anche se attualmente siamo ancora relativamente lontani da questo obiettivo. Una distinzione rilevante a livello accademico perché molti progetti di ricerca ambiscono a costruire agenti sempre più flessibili, riducendo la dipendenza da feature hand-crafted o da ambiti ristretti.
Un punto cardine delle teorie degli agenti è il ciclo di interazione con l’ambiente: percezione-decisione-azione-feedback. Questo ciclo è alla base anche dei modelli dell’apprendimento per rinforzo (reinforcement learning), quelli in cui l’agente riceve una ricompensa che orienta le sue decisioni future; modelli che è facile riconoscere oggi come ‘antichi’, ma che comunque fino alla fine del decennio scorso venivano studiati in profondità, con formalizzazioni matematiche (Markov Decision Process, Mdp) e algoritmi come Q-learning, Sarsa e Policy Gradient.
L’apprendimento iterativo consente agli agenti di “migliorarsi” progressivamente. In un contesto di mercato reale, un chatbot può imparare a rispondere meglio alle domande dei clienti osservando quali risposte generano soddisfazione o insoddisfazione. In ambito industriale, un sistema di controllo di processo infine può ottimizzare i parametri di produzione analizzando i dati dei sensori e le prestazioni ottenute, in un ciclo continuo di feedback.
Agenti AI, come funzionano
Alla base del funzionamento di molti Agenti AI ci sono gli algoritmi di machine learning che consentono di estrarre pattern dai dati e di generalizzare a casi nuovi. In particolare si parla di Apprendimento supervisionato – l’agente impara da esempi etichettati (input-output, come avviene nel riconoscimento vocale dove il sistema impara a trascrivere discorsi sulla base di un dataset di frasi trascritte manualmente); Apprendimento non supervisionato – l’agente cerca pattern nei dati senza etichette, sistema utile per esempio nell’individuare anomalie in un flusso di dati (si pensi ai sistemi di detection delle anomalie in ambito cybersecurity) ed infine si parla di Apprendimento per rinforzo – l’agente interagisce con un ambiente, riceve ricompense positive o negative e aggiorna la sua politica di azione per massimizzare il valore cumulato della ricompensa nel tempo. E’ proprio reinforcement learning a rappresentare per molti versi, il modello più vicino alla dinamica di un agente autonomo che, sperimentando l’ambiente, affina le proprie abilità. Gli sviluppi recenti in deep learning (reti neurali a molti strati) hanno reso possibili i migliori risultati. Si pensi per esempio ai sistemi di Deepmind (AlphaGo, AlphaZero).
Diverse sono le piattaforme e i framework di sviluppo per gli Agenti AI che hanno caratterizzato l’evoluzione. Tra questi Jade (Java Agent DEvelopment Framework) framework per sviluppare multi-agent system in Java, molto usato in contesti universitari e di ricerca ma anche non più sviluppato dopo il 2015. Del tutto attuale invece sono ancora Gym e Baselines di OpenAI pensati principalmente per l’apprendimento per rinforzo, consentono di addestrare e testare agenti in simulazioni (giochi, ambienti 3D, contesti robotici virtualizzati). Mentre nell’ambito della robotica, pertanto non specifico per gli Agenti, ma di riferimento comunque, Ros (Robot Operating System) offre strumenti utili per la robotica e, in combinazione con librerie di AI, può fungere da base per costruire agenti robotici autonomi. E sempre di riferimento sono i framework Multi-Agent Reinforcement Learning collezioni di strumenti e ambienti di test per studiare scenari con più agenti che interagiscono tra loro. Per semplificare al massimo sul piano architetturale, i moderni Agenti AI impiegano spesso microservizi e Api per comunicare con altri sistemi. In un contesto di cloud computing, è frequente che la “mente” dell’agente, cioè i modelli di deep learning, siano ospitati su server remoti con Gpu e Tpu, mentre l’interfaccia con l’utente o con l’ambiente risiede localmente. Questo approccio facilita la scalabilità e l’aggiornamento continuo dei modelli.
E’ evidente che un elemento chiave di sviluppo negli ultimi anni è stata l’integrazione di Natural Language Processing (Nlp) e Natural Language Understanding (Nlu) all’interno dei modelli agenti. Grazie a tecniche come quelle transformer-based neural networks (Bert, Gpt, ecc.), oggi gli agenti possono comprendere (a vari livelli) frasi in linguaggio naturale e generare testi pertinenti, migliorando l’interazione con gli utenti. Siamo all’unione tra ragionamento simbolico e ragionamento con reti neurali (chiamato Neuro-Symbolic AI) che è un altro terreno di ricerca estremamente promettente: l’agente potrebbe usare regole logiche per compiti che richiedono rigore formale e algoritmi neurali per l’elaborazione di dati non strutturati come immagini, suoni o testo.
Cloud computing e edge, dove vivono gli Agenti AI
La domanda “dove risiede l’agente?” è importante per capire l’architettura del sistema. L’agente e il suo cervello neurale possono funzionare su server remoti; l’utente interagisce tramite un client leggero (smartphone, browser, IoT device) avvantaggiandosi di grandi risorse di calcolo, facile aggiornamento dei modelli con l’unico limite della latenza di rete e della necessità di connessione stabile. All’edge l’agente viene in parte o totalmente eseguito su dispositivi locali (smart speaker, robot industriale, smartphone). In questo caso si guadagnano ridotta latenza, maggiore privacy dei dati, minore dipendenza dalla rete mentre risorse di calcolo e di memoria sono però limitate. Nel futuro, assisteremo probabilmente a soluzioni ibride in cui parti sensibili del modello o delle funzioni dell’agente risiedono localmente, mentre la potenza di calcolo del cloud viene sfruttata solo quando necessario per compiti molto onerosi.
Gli scenari potenziali di utilizzo
E’ interessante su tutto cercare di capire perché si pensa che gli Agenti AI trasformeranno il futuro. Innanzitutto, già oggi molte applicazioni rientrano nel paradigma dell’agente: gli assistenti vocali come Siri, Google Assistant o Alexa, i chatbot intelligenti nei servizi di customer care, i sistemi di trading algoritmico in ambito finanziario così come tanti strumenti software sono in grado di apprendere dalle preferenze degli utenti per fornire raccomandazioni personalizzate. Ma è facile capire come, sulla base delle più recenti proposte di Agenti AI in particolare in ambito industriale sia questa solo la punta di un iceberg.
Guardando al futuro, è plausibile ipotizzare che gli agenti diventeranno ancora più autonomi e integrati nei processi decisionali, non solo nel contesto dei servizi online, ma anche nella robotica (veicoli autonomi, droni, robot di servizio), nel monitoraggio ambientale (analisi di dati da sensori IoT) e in diverse aree strategiche. Giusto per dare alcune indicazioni base può essere interessante rileggere i report di McKinsey e di Idc che promettono crescita esponenziale degli investimenti in sistemi di AI e agenti autonomi. Mentre Gartner evidenzia che entro il 2028, il 33% delle applicazioni software aziendali includerà l’AI basata su Agent, rispetto a meno dell’1% nel 2024, che consentirà di prendere autonomamente il 15% delle decisioni lavorative quotidiane.
In ambito accademico Mit, Stanford University, l’Eth di Zurigo, l’Università di Cambridge, portano avanti diverse linee di ricerca sugli agenti per esempio per studiare dinamiche di comportamento emergente (emergent communication), meccanismi di negoziazione e protocolli di consenso, ma anche per garantire che un agente non prenda decisioni “pericolose” in contesti critici (sanità, trasporti, difesa) e gli agenti siano capaci di apprendere senza soluzione di continuità, evitando il cosiddetto catastrophic forgetting (ovvero quando imparando cose nuove si dimenticano quelle vecchie). Parte della ricerca si concentra inoltre sull’Explainable AI (xAI) per sviluppare agenti capaci di spiegare il proprio processo decisionale, fondamentale per la fiducia e l’accettazione umana e per migliorare l’usabilità e la collaborazione tra esseri umani e agenti AI con studi di ergonomia cognitiva e user experience avanzata.
In precedenza abbiamo visto come gli Agenti AI possano essere definiti e classificati in base a diverse tassonomie (reattivi, deliberativi, ibridi, multi-agente). Abbiamo anche tratteggiato il loro funzionamento così che sia possibile ora definire una panoramica estremamente sintetica di alcuni casi d’uso pratici, utile a comprendere come i dati di mercato riflettano la crescita dell’impiego di questi sistemi. In ambito manifatturiero e per la produzione gli agenti AI possono analizzare continuamente i dati dei macchinari (tramite sensori IoT) per anticipare possibili guasti e pianificare interventi di manutenzione, riducendo i fermi macchina e sono in grado di coordinare robot industriali e operatori umani, migliorando la produttività e la qualità del prodotto finito. Nel finance gli agenti che operano sui mercati azionari, o delle criptovalute, consentono di prendere decisioni d’investimento in tempo reale in base a dati storici e segnali di mercato ma possono anche valutare l’affidabilità creditizia di clienti potenziali, integrando modelli di apprendimento automatico che vanno oltre i tradizionali parametri bancari. E ancora, nel retail, gli agenti possono suggerire prodotti e offerte personalizzate, sulla base delle preferenze e delle abitudini di acquisto dei singoli utenti, senza bisogno di intervento umano, così come per l’ottimizzazione logistica consentono la gestione intelligente dei magazzini (si pensi ai sistemi Amazon Robotics), con automazione dei processi di picking e stoccaggio. Nella sanità gli agenti software possono analizzare in autonomia esami diagnostici (immagini mediche, analisi del sangue, ecc.) per suggerire possibili patologie o anomalie, così come i chatbot/assistenti fornire ai pazienti indicazioni di primo livello, alleggerendo il carico dei medici e orientando meglio i flussi ospedalieri. Deloitte prevede che il mercato degli Agenti AI in sanità crescerà con un Cagr di oltre il 40% entro il 2027, alimentato dalla necessità di ridurre il carico dei professionisti sanitari e di fornire servizi di telemedicina, triaging virtuale e assistenza domiciliare.
Ultimo ma non ultimo nei trasporti gli agenti AI “a bordo” di auto, droni o altri mezzi, elaborano input da sensori Lidar, telecamere e Gps per decidere come muoversi in sicurezza, così come le piattaforme multi-agente analizzano in real time lo stato della circolazione, ottimizzando i tempi dei semafori e suggerendo percorsi migliori ai conducenti.
A livello generale, i casi d’uso negli ambiti industriali e di servizi si moltiplicano di giorno in giorno. Il mercato riflette questa tendenza con una crescita costante della domanda di soluzioni basate su agenti AI, come evidenzieremo a breve.
Agenti AI, un mercato in numeri
Secondo Idc, il mercato delle soluzioni di intelligenza artificiale ha raggiunto già nel 2023 un valore complessivo di circa 450 miliardi di dollari a livello globale; entro il 2026, la previsione è che superi i 900 miliardi di dollari, con un tasso di crescita annua composto (Cagr) stimato fra il 20% e il 25%. All’interno di questo macro-segmento AI, gli Agenti AI rappresentano una fetta significativa, in parte grazie alla loro adozione trasversale nei vari vertical (finanza, retail, sanità, manifattura, telecomunicazioni).
Anche Gartner evidenzia che “entro il 2025, il 50% delle grandi aziende utilizzerà una forma di Agentic AI nei propri processi core, sia per l’ottimizzazione di task ripetitivi sia per la gestione di scenari complessi che richiedono capacità di apprendimento continuo”. Soprattutto il settore dei servizi (bancari, assicurativi, customer care, marketing) sembra trainare la domanda, seguito dalla logistica/trasporti e dal manifatturiero. E McKinsey & Company, all’inizio dello scorso anno, evidenziava che il 73% delle aziende intervistate avrebbe in programma di incrementare gli investimenti in sistemi di automazione intelligente e Agenti AI nei prossimi due anni. Di queste, circa il 36% vede negli Agenti AI un’occasione di riduzione dei costi operativi, il 29% punta a migliorare la customer experience e il 25% si aspetta miglioramenti nell’innovazione di prodotto. Quello degli Agenti è effettivamente un mondo in pieno sviluppo se si considera che secondo Idc entro quest’anno anche oltre il 60% dei governi nazionali in Europa avrà avviato progetti pilota di AI su larga scala, molti dei quali basati su modelli di agenti autonomi per la semplificazione burocratica e la lotta alle frodi.
Fattori di crescita e barriere all’adozione
Secondo PwC i principali fattori di crescita nell’adozione di Agenti AI sono legati alla riduzione dei costi di calcolo perché la potenza delle Gpu e dei servizi in cloud renderanno sempre più accessibili modelli di apprendimento automatico di grandi dimensioni, ma anche alla maturazione dell’ecosistema software con framework e librerie open source (TensorFlow, PyTorch, scikit-learn, JAX, ecc.) in grado oggi di semplificare lo sviluppo di agenti personalizzati.
E a giocare un ruolo importante saranno la crescita della pressione competitiva e la spinta normativa. Ma sussistono anche diverse barriere all’adozione, legate per esempio ai timori per la sicurezza e la privacy perché l’impiego di agenti AI che raccolgono e analizzano grandi volumi di dati personali può sollevare problemi di compliance e implementare Agenti AI in processi aziendali complessi richiede tempo e investimenti ingenti, specie per le Pmi. Senza contare che molte organizzazioni faticano a trovare data scientist, ingegneri di machine learning e architetti di sistema in numero sufficiente per sostenere progetti di AI su larga scala e alcune realtà tradizionali nutrono ancora diffidenza verso “l’autonomia” dei sistemi, temendo una perdita di controllo o di posti di lavoro.
Futuro prossimo, investimenti e previsioni
Molti analisti concordano sul fatto che la crescita degli investimenti in ambito AI e, in particolare, nell’area degli agenti autonomi, manterrà un ritmo elevato. McKinsey già nel 2018 stimava che entro il 2030 il contributo dell’AI all’economia globale avrebbe potuto superare i 13 mila miliardi di dollari, con gli Agenti AI a fare da traino in diversi segmenti chiave: previsioni superate. La robotica avanzata, i sistemi di intelligenza conversazionale e i servizi AI cloud saranno con ogni probabilità le principali voci di spesa. Col progredire della tecnologia e la standardizzazione di interfacce e protocolli, si potranno formare “ecosistemi di agenti” in cui entità diverse, provenienti da fornitori eterogenei, collaborano e competono in un’unica piattaforma (ad esempio, in un grande marketplace virtuale). Questo potrebbe favorire nuovi modelli di business e una più rapida diffusione di soluzioni pronte all’uso.
Oggi gli Agenti AI stanno evolvendo da soluzioni di automazione di compiti semplici a strumenti sempre più strategici. Le aziende più avanzate li impiegano per pricing dinamico, previsioni di mercato e co-creazione di idee, grazie ai progressi nei modelli di deep learning (transformer e multimodali). Cresce l’integrazione con robotica, digital twin e sistemi d’infrastruttura intelligente, mentre la collaborazione uomo-AI (human-in-the-loop e human-on-the-loop) diventa cruciale per valorizzare il potenziale degli agenti senza escludere l’intervento umano. Si delineano inoltre scenari di “ecosistemi di agenti” che collaborano o competono in marketplace condivisi, aprendo opportunità di innovazione ma anche rischi in termini di cybersecurity e concorrenza sleale. Infine, si prospetta una crescita esponenziale degli investimenti, vincolata però all’adozione di regole chiare e a una diffusa alfabetizzazione digitale ed etica, ad indirizzare ulteriori opportunità legate per esempio all’interoperabilità e standardizzazione per cui grazie a protocolli comuni, gli agenti di diverse aziende possono scambiare dati e servizi, creando nuove sinergie; un agente potrebbe quindi anche “imparare” dal comportamento di altri agenti e migliorare le proprie performance in modo cooperativo e le aziende potrebbero vendere “moduli di competenza” (skill) agli agenti di altre imprese, secondo un concetto simile a quello degli app store ma esteso ai modelli AI.
© RIPRODUZIONE RISERVATA
