Perché gli agenti AI lavorano meglio in squadra? I sistemi multiagente

Tutti vogliono gli agenti, pochi hanno già capito come farli arrivare in produzione, e soprattutto come tenerseli. Tra il primo trimestre 2024 e il secondo trimestre 2025, Gartner ha registrato un aumento dell’1.45% delle richieste dei propri clienti sui sistemi multiagente. Pochi mesi prima, ha previsto che oltre il 40% dei progetti di AI agentica sarà cancellato entro la fine del 2027. Una previsione che cercheremo di motivarvi in questo articolo di blog Neurally. Iniziamo.

Cos’è un sistema multiagente

Un sistema multiagente (MAS, multiagent system) è un’architettura in cui più agenti AI, ognuno con un compito preciso, interagiscono per raggiungere un obiettivo comune. Vengono definiti come “un insieme di agenti AI che interagiscono per raggiungere obiettivi complessi, individuali o condivisi“.

Chi ha vissuto il passaggio dal monolite ai microservizi ha già visto questo film. Invece di un unico agente che prova a fare tutto, con un prompt lungo tre pagine e dieci strumenti collegati, si scompone il processo:

• un agente legge e classifica i documenti in ingresso;
• un secondo estrae i dati e li normalizza;
• un terzo li confronta con il gestionale;
• un quarto prepara la bozza di risposta;
• un orchestratore decide chi lavora, in che ordine, e quando serve fermarsi e chiamare una persona.

Ogni agente si testa, si misura e si sostituisce da solo e quando qualcosa si rompe, si sa dove guardare.

Perché un AI agent da solo non regge?

La risposta risiede nell’effetto valanga dell’errore (detto error compounding) ossia quando un unico modello deve pianificare, eseguire e verificare un flusso di lavoro complesso, basta una minima allucinazione iniziale per compromettere l’intero risultato. Senza un controllo esterno, l’agente soffre di context drift (la perdita di focus sul lungo periodo) e finisce per convalidare acriticamente i propri stessi errori.

Quindi, un agente singolo funziona bene su compiti brevi mentre sui processi in più passaggi i problemi si sommano.

Infatti, uno studio Gartner prevede che entro il 2027 il 70% dei sistemi multiagente userà agenti con specializzazioni molto ristrette. La precisione aumenterà, certo, ma anche la complessità di coordinamento. Si tratta del compromesso di qualsiasi sistema distribuito in cui più componenti significano più affidabilità in ogni punto, e più lavoro sulle interfacce tra un punto e l’altro.

Le tre fasi di maturità dei sistemi multiagente

In Italia i sistemi si trovano quasi tutti ancora nella fase 1. L’Osservatorio Artificial Intelligence del Politecnico di Milano stima che nel 2025 l’AI agentica valesse appena il 4% di un mercato AI italiano da 1,8 miliardi di euro. Chi si muove adesso con metodo guadagna terreno strategicamente.

MCP e A2A: i protocolli che rendono possibile la fase 2

Perché agenti di vendor diversi possano collaborare servono standard comuni. Oggi ne stanno emergendo due.

1. Model Context Protocol (MCP) collega un agente a strumenti e dati: database, API, file, applicazioni aziendali. A dicembre 2025 è stato donato alla neonata Agentic AI Foundation, un progetto della Linux Foundation.
2. Agent2Agent (A2A) gestisce il dialogo tra agenti. Ogni agente pubblica una agent card, cioè una scheda che descrive cosa sa fare e come raggiungerlo, e gli altri agenti possono delegargli dei compiti. A2A è arrivato alla versione 1.0 a marzo 2026 e il 17 agosto 2026 è entrato anche lui nella Agentic AI Foundation.

Gartner prevede che entro il 2028 il 60% dei sistemi multiagente supporterà l’interoperabilità tra vendor diversi. C’è però un limite da tenere presente: i protocolli standardizzano la comunicazione, non i permessi. Chi autorizza un agente esterno a leggere un ordine o a modificare un’anagrafica lo decide ancora l’azienda, con le proprie policy.

Dove funzionano davvero i sistemi multiagenti?

I sistemi multiagente danno il meglio su processi ripetitivi e in più passaggi, dove oggi le persone passano il tempo a copiare dati da un sistema all’altro. Ti facciamo alcuni esempi di processi:

• Ciclo ordine-fattura: specificatamente per l’acquisizione dell’ordine, il controllo di disponibilità e condizioni, la verifica del credito, emissione, riconciliazione.
• Preventivazione tecnica nel manifatturiero: lettura del capitolato, estrazione delle specifiche, calcolo dei costi dalla distinta base, bozza dell’offerta.
• Assistenza clienti di secondo livellocome classificazione del ticket, ricerca nella knowledge base, diagnosi sui log, proposta di soluzione da far validare a un tecnico.
• Due diligence documentale in particolare analisi dei contratti, confronto delle clausole con gli standard interni, segnalazione delle eccezioni al legale.

Il criterio di scelta è sempre questo: un processo definito, con input e output misurabili, e un punto chiaro in cui una persona approva.

Perché i progetti di sistemi multiagente falliscono: 5 cause approfondite

Capita però a volte che i progetti di sistemi multiagente vengano piegati da alcune motivazioni che possono portare a veri e propri fallimenti:

1. Costi in crescita: un chatbot risponde a una domanda con una chiamata al modello, mentre un sistema multiagente, per la stessa richiesta, può farne 20. L’orchestratore pianifica e gli agenti lavorano in parallelo. Un ulteriore controlla il risultato e, se non va bene, rimanda tutto indietro. A ogni passaggio il contesto viaggia da un agente all’altro, e a ogni passaggio si pagano i token. Il problema non è il costo in sé, ma la sua forma. Ad esempio, nel progetto pilota, con cento richieste al giorno, la fattura è trascurabile. In produzione, con diecimila richieste e i casi limite che il pilota non aveva mai incontrato, i costi crescono più in fretta dei volumi. Tra i compiti della funzione finanza nei progetti multiagente c’è la gestione di costi imprevedibili e il finanziamento degli strumenti di osservabilità, fissando un tetto di spesa per ogni esecuzione e misurando il costo di ogni agente, per evitare spiacevoli sorprese in fattura.

2. Valore di business poco chiaro. Molti progetti partono da una domanda sbagliata: “Cosa possiamo fare con gli agenti?” invece di “Quale processo ci costa troppo?“. Il risultato è una demo convincente che non sposta nessun numero del conto economico e il sintomo tipico è il caso post pilota quando arriva il momento di passare in produzione e qualcuno chiede quanto si risparmia; la risposta è “dipende“.
Secondo l’Osservatorio Artificial Intelligence del Politecnico di Milano, il 71% delle grandi imprese ha avviato almeno un progetto di AI, ma solo il 20% è riuscito a diffonderla in modo esteso in più funzioni aziendali. La distanza tra le due percentuali è fatta, in buona parte, di progetti che non hanno mai dimostrato di valere il proprio costo. Dunque cosa possiamo fare? Puntare sulla produttività dell’impresa, più che sul semplice potenziamento dei singoli compiti considerando che un agente che fa risparmiare dieci minuti a una persona è una comodità, mentre un sistema che riduce, ad esempio, da 5 giorni a 1 il ciclo di un preventivo è un vantaggio competitivo.

3. Controlli sui rischi inadeguati: un agente che scrive, cioè che aggiorna un’anagrafica, invia un’email a un cliente o approva un pagamento, è da attenzionare. Nei sistemi multiagente il problema si moltiplica poiché ogni agente ha i propri permessi e un’istruzione malevola che entra da un documento può passare da un agente all’altro fino ad arrivare a quello che ha accesso al gestionale. È la prompt injection, ed è il motivo per cui ogni azienda dovrebbe considerare le piattaforme di sicurezza per l’AI tra le mosse strategiche da mettere in campo. Il rischio più sottovalutato però non arriva da fuori. Uno studio Gartner prevede che l’80% delle transazioni AI non autorizzate nascerà da violazioni delle policy interne, non da attacchi esterni: dati sensibili dati in pasto a un modello, agenti configurati con più permessi del necessario, automazioni attivate senza passare da nessuna approvazione. A questo si aggiunge il quadro normativo. L’AI Act europeo chiede tracciabilità e supervisione umana per molti casi d’uso perciò un sistema che non registra chi ha deciso cosa, e in base a quali dati, non sarà conforme. Infatti, secondo l’Istat, l’incertezza normativa frena il 47,3% delle imprese italiane che hanno valutato l’AI senza adottarla.

4. Modelli non ancora maturi. A metà 2025 i ricercatori della Carnegie Mellon hanno misurato gli agenti AI su compiti d’ufficio realistici con il benchmark TheAgentCompany: il modello migliore ne completava circa il 30%. Nello stesso periodo, il benchmark CRMArena-Pro di Salesforce registrava un tasso di successo del 58% sui compiti a un solo passaggio, che scendeva intorno al 35% nelle conversazioni a più turni. I modelli sono migliorati da allora, ma il principio resta valido. Il motivo è aritmetico, e chiunque abbia progettato un sistema distribuito lo riconosce subito: un agente affidabile al 90% su un singolo passaggio, messo in una catena di cinque passaggi, porta a termine correttamente l’intero processo nel 59% dei casi. Con dieci passaggi si scende al 35% e gli errori si sommano. Per questo le aziende che ottengono risultati non aspettano il modello perfetto, progettano per gli errori; agenti molto specializzati, controlli automatici tra un passaggio e l’altro, soglie di confidenza sotto le quali il lavoro passa a una persona. Si prevede che entro il 2027 il 70% dei sistemi multiagente userà agenti con specializzazioni molto ristrette, proprio perché un compito più piccolo si sbaglia meno.

5. Esperimenti nati dall’hype
“La maggior parte dei progetti di AI agentica oggi sono esperimenti o proof of concept guidati dall’hype e spesso applicati male.” Anushree Verma, Senior Director Analyst, Gartner.
Spesso un pilota nasce perché il board ha chiesto “cosa ci facciamo con gli agenti?”, non perché un processo lo richiedeva veramente. Viene quindi assegnato a un team di innovazione senza accesso ai dati di produzione, dura pochi mesi, produce una demo e finisce in un cassetto. Il fenomeno è alimentato anche da chi vende, il cosiddetto agent washing: assistenti, chatbot e RPA ribattezzati “agenti” senza averne le capacità. Delle migliaia di vendor che si presentano come fornitori di AI agentica, si stima che solo un numero come 130 offra soluzioni reali. E come li riconosciamo? Semplicemente chiedi al fornitore di mostrarti cosa succede quando l’agente sbaglia: come se ne accorge, a chi passa il lavoro, cosa resta nei log. Se la risposta è una slide, sei davanti a un chatbot con un nome diverso.

I costi dei sistemi multiagente

Un sistema multiagente consuma token a ogni passaggio tra un agente e l’altro. Un ciclo di retry scritto male può far lievitare la bolletta del cloud nel giro di una notte. Non a caso, tra i compiti che dovrebbero essere assegnati al settore finanziario di un’azienda c’è esplicitamente la gestione di “costi imprevedibili” e il finanziamento degli strumenti di osservabilità.

Tre regole pratiche è bene inserire:

1. un budget massimo per esecuzione, con blocco automatico se viene superato;
2. metriche per singolo agente: latenza, costo, tasso di errore, frequenza di escalation;
3. tracce complete di ogni esecuzione, per ricostruire chi ha deciso cosa e perché.

Corporate e PMI: stesso trend, due strade differenti

I dati italiani mostrano due velocità. Secondo il Politecnico di Milano, il 71% delle grandi imprese ha avviato almeno un progetto di AI, ma solo il 20% l’ha diffuso in modo esteso in più funzioni aziendali. Tra le PMI i progetti riguardano il 15% delle medie e il 7% delle piccole imprese.

Per una corporate il problema non è partire, i pilot ci sono già, ma è uscirne. Servono una piattaforma comune, regole di interoperabilità e un catalogo degli agenti, per non ritrovarsi con diversi progetti che non si parlano.

Per una PMI la strada più sensata è verticale: un processo, due o tre agenti, una persona che supervisiona. Ha poco senso comprare una piattaforma enterprise per automatizzare le note spese.

Come procedere in 5 passi per integrare sistemi multiagente

1. Parti da UN processo ben definito, con un responsabile e un KPI.
2. Costruisci agenti modulari, specializzati, sostituibili, testabili da soli.
3. Metti governance e osservabilità dal primo giorno: governance delle API, monitoraggio, log delle decisioni.
4. Scegli standard aperti, oggi MCP e A2A
5. Forma le persone che lavorano accanto agli agenti deve sapere quando fidarsi e quando intervenire.

Hai un processo che oggi consuma ore di copia-incolla tra sistemi diversi? Raccontacelo in 30 minuti. Insieme valutiamo se è adatto a un sistema multiagente.

Contattaci ora!