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
