Cos'è un agente AI?

L'unica domanda che separa un agente da un chatbot

Chi decide cosa succede dopo?

In un chatbot, nessuno. Mandi un messaggio, il modello produce una risposta, e il turno finisce lì. Se la risposta richiede un seguito, sei tu a scriverlo. Il modello non agisce mai sul mondo, scrive soltanto testo.

In un agente, decide il modello. Dato un obiettivo, sceglie un'azione, come cercare sul web, eseguire un pezzo di codice, aprire una pagina o modificare un file, riceve il risultato come testo, lo legge e sceglie l'azione successiva. Continua finché non giudica l'obiettivo raggiunto o non viene fermato da un limite di passi. Il modello è il controllore del ciclo.

La guida tecnica di Anthropic "Building effective agents", pubblicata a dicembre 2024, traccia il confine nello stesso punto: i workflow sono sistemi in cui il modello gira dentro un codice che fissa il percorso, e gli agenti sono sistemi in cui il modello dirige da solo il proprio processo e l'uso degli strumenti. Quella guida è anche esplicita su quale dei due costruire per primo, e la risposta è il workflow.

Chatbot, workflow, agente: lo stesso modello, tre cicli diversi

Tutti e tre possono girare sullo stesso modello linguistico. Ciò che cambia è quello che lo circonda.

La colonna workflow è dove vive la maggior parte dell'automazione utile. Una pipeline che riassume un documento, poi estrae le date, poi abbozza una risposta è tre chiamate al modello in un ordine fisso. È affidabile perché lo sviluppatore ha deciso il percorso. Non è un agente, qualunque cosa dica la landing page, e chiamarlo tale nasconde il vero compromesso: un percorso fisso è prevedibile ed economico, un percorso scelto dal modello è flessibile e nessuno dei due.

Come appare il ciclo, passo per passo

Un caso concreto. L'obiettivo: "Scopri se il nostro concorrente ha cambiato i prezzi questo mese e scrivimi un riassunto di due paragrafi."

1. Il modello legge l'obiettivo e decide la prima azione: una ricerca web per la pagina dei prezzi del concorrente.
2. Lo strumento di ricerca restituisce un elenco di risultati come testo. Il modello lo legge e ne sceglie uno da aprire.
3. Lo strumento browser restituisce la pagina. Il modello estrae i prezzi attuali.
4. Il modello decide che gli servono i prezzi vecchi, cerca una copia archiviata, e la apre.
5. Confronta i due, giudica di avere abbastanza informazioni, e scrive il riassunto.

Cinque passi, quattro chiamate a strumenti, sei chiamate al modello. Ogni passo è una risposta completa del modello, con tutta la cronologia finora come input. Quest'ultimo dettaglio è ciò che fa lievitare il costo: al quinto passo il modello sta rileggendo quattro pagine di risultati di ricerca e testo di pagine a ogni chiamata. Cosa sono i token nell'IA spiega perché un input che cresce a ogni turno è la forma più costosa.

E ogni passo è un'occasione per sbagliare. Se la ricerca al passo 1 restituisce l'azienda sbagliata, i passi da 2 a 5 riassumono con sicurezza i prezzi sbagliati. Il ciclo amplifica gli errori nello stesso modo in cui amplifica i progressi. Un limite di passi e un controllo umano prima che qualcosa venga inviato non sono opzionali.

Quanto costa un ciclo agente rispetto a una singola risposta

L'aritmetica è semplice e la gente la salta. Una risposta standard, 1.000 token in entrata e 500 in uscita, ha un prezzo di listino per modello nell'indice dei costi dei modelli AI, con le tariffe OpenRouter rilevate il 2026-08-20. Un ciclo agente di 20 passi equivale ad almeno 20 di queste risposte, e in pratica di più, perché l'input cresce a ogni passo.

Venti passi su Claude Sonnet 5 costano $0.14 al minimo, contro $0.007 per una singola risposta; su Claude Opus 5 sono $0.35, e se lo esegui ogni ora fanno circa $250 al mese prima del moltiplicatore dell'input crescente. In crediti Whizi la stessa aritmetica si legge sulla scala Auto qui sopra: 100 crediti sono 100 domande veloci sul modello di casa o 5 turni di ragionamento su GPT-5.6 Sol, quindi un ciclo di 20 passi al livello di ragionamento costa 400 crediti, circa un sesto di un mese Pro da 2.500 crediti, mentre lo stesso ciclo sul modello di casa costa 20. Ecco perché il design giusto instrada i passi di pianificazione verso un modello forte e i passi di routine verso uno economico, e perché uno spazio di lavoro multi modello è la casa naturale del lavoro con agenti, molto più di un abbonamento a un singolo modello.

Quali prodotti sono davvero agenti

Gli assistenti di programmazione che modificano file ed eseguono test sono agenti in senso stretto: dato un bug report, leggono il codice, apportano una modifica, eseguono la suite di test, leggono l'errore, e riprovano. Il ciclo è reale e il modello lo guida.

Le modalità Deep Research in ChatGPT, Gemini e Perplexity sono agenti: cercano, leggono, cercano di nuovo in base a quanto trovato, e si fermano quando giudicano la domanda coperta. Il numero di passi varia a seconda della domanda, ed è questo il segnale.

La maggior parte degli "agenti" nei menu dei prodotti sono in realtà persone fittizie o workflow. Una riga in un selettore di modelli etichettata come agente fiscale o mentore di studio è di solito un prompt di sistema fisso più uno o due strumenti. La sezione Agenti di Whizi è onesta su questo: la riga del CPA canadese è un preset che impone una ricerca web a ogni turno, con un tetto di sette ricerche, e un budget di token più ampio, 55.000 in entrata e 40.000 in uscita. Questa è una persona fittizia con uno strumento attaccato e un budget più grande, ed è utile proprio perché il percorso è fisso. Non è un ciclo guidato dal modello, e la guida all'Auto routing spiega cosa sceglie davvero il modello dietro ogni messaggio.

Il vocabolario sta scivolando verso il chiamare tutto agente. La domanda da fare a un prodotto è quella in cima a questa pagina: chi decide il passo successivo? Se la risposta è "uno script" o "nessuno", stai comprando un workflow o un chatbot, e potrebbe essere esattamente quello che vuoi.

Quando un agente è lo strumento giusto, e quando no

Un agente giustifica il suo costo quando il percorso non si può conoscere in anticipo: ricerca dove la seconda ricerca dipende dal primo risultato, debug dove la correzione dipende dall'esito del test, navigazione dove il click successivo dipende dalla pagina. La flessibilità è il prodotto.

Un agente è lo strumento sbagliato quando il percorso è noto. Riassumere, estrarre, tradurre, riformattare, classificare: sono una chiamata o una sequenza fissa di chiamate, e avvolgerle in un ciclo aggiunge costo, latenza e un nuovo modo di sbagliare senza aggiungere capacità. Il consiglio della guida di Anthropic resta valido: inizia con una singola chiamata, passa a un workflow quando una chiamata non basta, e ricorri a un agente solo quando il workflow continua a richiedere una diramazione che non puoi prevedere.

La regola per decidere: se puoi disegnare i passi su una lavagna prima di iniziare, non costruire un agente.