Il 2026 è stato definito da Amazon Web Services “l’anno dell’intelligenza artificiale agentica“. Non si tratta di una previsione futuristica: è la descrizione di una trasformazione già in corso.
Gartner stima che entro la fine di quest’anno il 40% delle applicazioni enterprise includa agenti di intelligenza artificiale specializzati. I principali fornitori di infrastrutture digitali riferiscono che i loro clienti — governi inclusi — hanno smesso di chiedere dimostrazioni e chiedono strumenti operativi. Il salto di fase sta accadendo adesso.
Indice degli argomenti
Dall’assistente passivo all’agente autonomo: cosa cambia davvero
Per comprendere cosa significhi, occorre partire da una distinzione di fondo. Per anni l’intelligenza artificiale ha funzionato come un assistente capace ma passivo: rispondeva se interrogata, produceva testi se richiesto, si fermava lì. L’intelligenza artificiale agentica è qualcosa di diverso: un sistema agentico pianifica, agisce, verifica i risultati, corregge il tiro e porta a termine obiettivi complessi con un grado significativo di autonomia.
Quando più agenti cooperano tra loro — ciascuno con il proprio ruolo, le proprie competenze, i propri strumenti — si crea un sistema capace di affrontare problemi che nessun singolo agente risolverebbe da solo. Per la pubblica amministrazione, molti processi — dalla gestione delle pratiche edilizie alla rendicontazione dei fondi europei, dall’istruttoria degli appalti alla produzione degli atti — sono sequenziali, regolati e documentati, dunque particolarmente adatti ad essere assistiti da questi sistemi.
Cinque architetture per coordinare gli agenti AI nella PA
La domanda pratica è: come si organizza il lavoro tra più agenti? Anthropic, la società che ha sviluppato il modello linguistico Claude, ha identificato cinque architetture fondamentali, ciascuna corrispondente a una logica organizzativa che la pubblica amministrazione conosce già dal proprio funzionamento istituzionale [1].
Generatore-Verificatore: il controllo di qualità automatizzato
Il primo schema, Generatore-Verificatore, replica la logica del controllo di qualità: un agente produce un documento — una bozza di determinazione, un capitolato, una risposta a un cittadino — e un secondo lo valuta rispetto a criteri precisi: conformità alle linee guida AgID, rispetto del GDPR, coerenza con la normativa sull’intelligenza artificiale. Se il classificatore rileva lacune, il generatore le riceve come indicazioni e produce una versione corretta senza ricominciare da capo: un ciclo di perfezionamento progressivo fino alla conformità o all’escalation umana.
Orchestratore con Subagenti: la gerarchia dell’istruttoria integrata
Il secondo schema, Orchestratore con Subagenti, introduce una gerarchia: un agente centrale scompone un obiettivo complesso e assegna sotto-compiti a specialisti che lavorano in parallelo. In un comune si applica bene all’istruttoria integrata di una pratica SUAP: gli uffici urbanistico, sanitario, ambientale ed edilizio lavorano simultaneamente e i pareri vengono integrati in un unico provvedimento, rispettando i termini di legge.
Team di Agenti: la conferenza di servizi digitale
Il terzo schema, i Team di Agenti, replica la logica collegiale: più agenti lavorano allo stesso livello, si confrontano e convergono su una decisione condivisa. È la conferenza di servizi digitale. Nessuno ha l’ultima parola da solo; serve però una regola chiara su quando il team non converge e quando interviene il decisore umano.
Message Bus: la comunicazione asincrona tra sistemi
Il quarto schema, il Message Bus, introduce la comunicazione asincrona: i sistemi pubblicano eventi su un canale comune e reagiscono a ciò che li riguarda. Quando l’anagrafe registra una variazione di residenza, tributi, scuola e mensa vengono notificati automaticamente, senza che nessun sistema debba conoscere e chiamare gli altri. È l’architettura prescritta dal Modello di Interoperabilità AgID.
Stato Condiviso: il fascicolo digitale integrato
Il quinto schema, lo Stato Condiviso, prevede una memoria centralizzata a cui tutti gli agenti hanno accesso. Ogni agente legge lo stato corrente, aggiunge il proprio contributo e scrive il risultato aggiornato. In un comune corrisponde al fascicolo digitale integrato: un contratto, una pratica, un progetto PNRR hanno un’unica fonte di verità, aggiornata in tempo reale da tutti gli uffici competenti. Nessuna informazione si perde nei passaggi tra un ufficio e l’altro.
Lo stato condiviso è il pattern più efficace: i dati della ricerca
Tra i cinque schemi, quello a stato condiviso è il più allineato ai principi del Codice dell’Amministrazione Digitale ed è quello che la ricerca scientifica ha dimostrato essere il più efficace in termini misurabili. Uno studio del 2025 [2] lo ha confrontato con le alternative usando come banco di prova il corpus Enron — circa mezzo milione di email reali dei dirigenti dell’omonima società energetica americana, rese pubbliche durante l’indagine sul suo fallimento del 2001.
I risultati mostrano che l’architettura a stato condiviso supera le alternative di un margine compreso tra il 13% e il 57% nel tasso di successo complessivo. La ragione è intuitiva: quando tutti gli agenti condividono la stessa memoria, nessuna informazione si perde nei passaggi, non c’è un coordinatore che diventa collo di bottiglia, e ogni agente opera con visibilità piena sul lavoro degli altri [3].
Governance e AI Act: le condizioni per un’adozione sostenibile
L’adozione di questi sistemi nella pubblica amministrazione richiede però una governance robusta. Un agente che agisce in autonomia può prendere decisioni in condizioni non previste [4] e produrre output che influenzano diritti e interessi dei cittadini. Tre principi sono irrinunciabili: la gradualità dell’autonomia, la tracciabilità obbligatoria di ogni azione, il presidio umano sui nodi decisionali critici. I sistemi agentici che assistono decisioni amministrative ricadono tendenzialmente nella categoria ad alto rischio del Regolamento europeo sull’intelligenza artificiale, con i conseguenti obblighi di valutazione d’impatto e supervisione umana. Non si tratta di ostacoli all’innovazione, ma delle condizioni che la rendono sostenibile e legittima agli occhi dei cittadini.
Approfondimenti: la guida sull’AI nella PA
Le applicazioni dei 5 pattern di AI descritti in questo articolo nell’ambito di un ente pubblico vengono descritti in un capitolo dedicato all’interno della nuova versione 1.6 del saggio “Prima che spicchi il volo: l’intelligenza artificiale tra il racconto di Bostrom e la saggezza tardiva di Hegel – Una Guida Introduttiva sulla Intelligenza Artificiale nella PA-“ pubblicato con licenza CC BY 4.0 per tutte le pubbliche amministrazioni.
Bibliografia
[1] Anthropic, Multi-agent coordination patterns: Five approaches and when to use them. URL: https://claude.com/blog/multi-agent-coordination-patterns
[2] Krishnan R. (2026), LLM Enron: experiments on structure vs scale. Strange Loop Canon. URL: https://www.strangeloopcanon.com/p/llm-enron-experiments-on-structure
[3] Lai, J. et al. (2025). LLM-based Multi-Agent Blackboard System for Information Discovery in Data Science. arXiv:2510.01285.
[4] Anthropic (2026). Measuring AI agent autonomy in practice. URL: https://www.anthropic.com/news/measuring-agent-autonomy
Partecipa alla community
Articolo molto interessante. A mio avviso, l’AI agentica nella Pubblica Amministrazione può rappresentare un vero salto di qualità solo se viene inserita dentro un metodo rigoroso di governo del procedimento.
In questa prospettiva, il Metodo Cerda nasce proprio per evitare che l’AI diventi una scorciatoia decisionale o un generatore di atti fragili. L’agente AI può supportare l’istruttoria, il recupero delle fonti, la tracciabilità, la verifica dei dati mancanti e la coerenza del fascicolo; ma non può sostituire il responsabile pubblico, la motivazione amministrativa, la verifica normativa e la decisione finale.
Il punto centrale, secondo me, è distinguere sempre tra proposta dell’AI e decisione della PA. Servono fasi, controlli, blocchi, fonti verificabili, logging, responsabilità umana e gate finali prima di qualsiasi atto opponibile.
L’AI agentica può essere molto utile nei Comuni e negli enti locali, ma solo se accompagnata da un’architettura metodologica che impedisca all’automazione di trasformarsi in opacità amministrativa. Il Metodo Cerda va esattamente in questa direzione: usare l’intelligenza artificiale per rafforzare legalità, tracciabilità e qualità dell’azione amministrativa, non per sostituirle