A cura di Giovanni Masi
La corsa verso forme più avanzate di intelligenza artificiale non dipenderà soltanto dalla costruzione di modelli sempre più grandi. La capacità di aumentare parametri, dati e potenza di calcolo ha prodotto sistemi in grado di analizzare informazioni, pianificare attività e utilizzare strumenti digitali. Il passaggio successivo potrebbe però seguire una direzione differente. L’intelligenza dovrà crescere anche in orizzontale, attraverso reti di agenti capaci di condividere obiettivi, memoria e processi decisionali.
Un singolo agente può essere molto competente nel proprio ambito e, nonostante questo, risultare insufficiente quando il problema supera i confini della sua specializzazione. La complessità delle organizzazioni, delle infrastrutture e dei servizi contemporanei richiede infatti competenze distribuite. Non basta che i sistemi si scambino dati. Devono operare sulla base di un obiettivo condiviso, riconoscere i vincoli da rispettare e valutare in che modo l’azione di un componente modifica il lavoro degli altri.
Molti specialisti non formano automaticamente una squadra
Si può immaginare un sistema di trasporto gestito da diversi agenti. Uno controlla il traffico, un altro pianifica i percorsi, un terzo coordina la manutenzione dei veicoli, mentre un quarto segue la disponibilità dei conducenti e i tempi di consegna. Ciascun componente conosce bene il proprio settore e può prendere decisioni circoscritte.
La difficoltà emerge quando si verifica una combinazione di eventi inattesi. Una strada viene chiusa, un mezzo segnala un guasto e alcune consegne diventano improvvisamente prioritarie. L’agente che calcola gli itinerari non conosce necessariamente le condizioni del veicolo. Quello che segue la manutenzione potrebbe suggerire di fermarlo, senza sapere che trasporta materiale urgente. Il sistema dedicato alle consegne potrebbe proporre una nuova assegnazione, ignorando i limiti di orario del personale.
I singoli agenti possiedono le informazioni necessarie, ma nessuno dispone da solo di una visione completa. Per ottenere una risposta efficace serve un livello di coordinamento che permetta di confrontare esigenze diverse, risolvere i conflitti e convergere su una strategia comune.
Questa è la distinzione essenziale tra agenti connessi e agenti coordinati. I primi riescono a passarsi un compito lungo una sequenza prestabilita. I secondi devono essere capaci di modificare quella sequenza, discutere le alternative e formulare un piano nuovo quando la situazione non corrisponde a uno scenario già previsto.
La crescita verticale incontra il limite del coordinamento
Per anni lo sviluppo dell’intelligenza artificiale si è concentrato soprattutto sulla crescita verticale. Modelli più estesi, maggiore capacità computazionale e quantità crescenti di dati hanno permesso di migliorare il linguaggio, il ragionamento e l’uso degli strumenti.
Questa evoluzione ha trasformato i modelli in possibili motori cognitivi per gli agenti. Un agente non si limita a produrre testo, ma interpreta una richiesta, consulta fonti, richiama applicazioni, modifica documenti e decide quali passaggi eseguire. Tuttavia, l’aumento delle capacità individuali non garantisce un miglioramento equivalente quando più sistemi devono lavorare insieme.
Inserire nuovi agenti in un processo può persino aumentare la fragilità. Ogni passaggio introduce il rischio che un’informazione venga fraintesa, omessa o modificata. I ruoli possono sovrapporsi, le istruzioni entrare in conflitto e le decisioni essere prese sulla base di contesti incompleti. In assenza di una struttura comune, la moltiplicazione degli specialisti produce una forma di burocrazia digitale, nella quale tutti comunicano ma nessuno governa davvero il risultato complessivo.
Il limite non riguarda quindi soltanto la qualità dei modelli. È un problema architettonico. Occorre progettare il modo in cui gli agenti si riconoscono, dichiarano le proprie capacità, condividono conoscenze e negoziano le decisioni.
Un’infrastruttura per l’intelligenza collettiva
La collaborazione tra agenti richiede innanzitutto una base di connettività. Sistemi sviluppati in ambienti differenti devono potersi trovare, autenticare e scambiare messaggi attraverso protocolli interoperabili.
La connettività, tuttavia, rappresenta soltanto il primo strato. Sapere che un agente esiste e poterlo contattare non significa comprenderne le intenzioni. Per questo motivo diventa necessario aggiungere un livello semantico, una sorta di rete cognitiva nella quale i sistemi condividano non soltanto dati, ma anche il significato delle attività che stanno svolgendo.
Un agente dovrebbe poter dichiarare il proprio obiettivo, specificare quali informazioni gli mancano e spiegare le ragioni di una scelta. Gli altri componenti dovrebbero essere in grado di contestare una proposta, introdurre nuovi vincoli o chiedere una revisione del piano.
Intento, memoria e ragionamento condiviso
Il primo elemento di questa architettura è l’intento condiviso. Prima di agire, gli agenti devono disporre di una rappresentazione condivisa del risultato da raggiungere. Un sistema incaricato di ridurre i consumi energetici di un edificio, per esempio, non può limitarsi a spegnere dispositivi e impianti. Deve tenere conto della sicurezza, della presenza delle persone, della conservazione dei materiali e della continuità delle attività.
L’obiettivo deve quindi essere rappresentato insieme ai suoi limiti. Gli agenti devono sapere quali risultati sono desiderabili, quali compromessi sono accettabili e quali azioni restano escluse. Senza questa comprensione, ciascun componente rischia di ottimizzare la propria parte producendo un danno per il sistema nel suo insieme.
Il secondo elemento è il contesto condiviso. Le conoscenze ottenute durante un’attività non dovrebbero scomparire al termine della sessione. Una memoria comune permette di conservare decisioni, eccezioni, errori e soluzioni, costruendo nel tempo un patrimonio operativo accessibile agli agenti autorizzati.
Si pensi a una rete di assistenza tecnica. Se un agente scopre che un determinato difetto dipende da una particolare combinazione di software e hardware, questa informazione dovrebbe diventare disponibile agli altri componenti. In caso contrario, ogni nuova richiesta costringerà il sistema a ripetere le stesse verifiche.
Il terzo elemento è il ragionamento condiviso. Gli agenti devono poter confrontare ipotesi e conseguenze. Uno può proporre una soluzione, un altro verificarne i costi, un terzo esaminare le implicazioni normative e un quarto valutare i rischi operativi. La decisione nasce così dall’integrazione di prospettive differenti, senza richiedere che ogni agente possieda una conoscenza universale.
La memoria comune introduce nuovi rischi
Una rete cognitiva può accumulare conoscenza, ma può anche propagare errori. Se un agente inserisce nella memoria un’informazione scorretta, altri sistemi potrebbero utilizzarla come base per decisioni successive. Un contenuto manipolato potrebbe attraversare più processi senza essere riconosciuto, mentre un’istruzione nascosta in un documento potrebbe influenzare agenti che operano in contesti diversi.
Esiste poi il problema dei privilegi. Un agente autorizzato a consultare alcuni documenti potrebbe tentare di accedere a un archivio più ampio del necessario. Le credenziali possono essere valide, ma l’azione restare incoerente con il compito assegnato.
I tradizionali sistemi di controllo degli accessi verificano soprattutto chi effettua una richiesta e quali risorse può utilizzare. Nel caso degli agenti occorre aggiungere una domanda ulteriore. Bisogna stabilire se quella specifica operazione sia compatibile con l’intento originario dell’utente.
L’autorizzazione deve essere continua
Un approccio basato sull’autorizzazione semantica considera il compito assegnato come parte integrante del controllo di sicurezza.
Un agente incaricato di preparare una sintesi delle spese di un progetto potrebbe consultare fatture e contratti pertinenti. La richiesta di esportare l’intero archivio finanziario dell’organizzazione dovrebbe invece essere bloccata, anche se l’agente possiede tecnicamente l’accesso al sistema.
Il controllo non avviene soltanto all’inizio della sessione. Ogni passaggio significativo viene valutato rispetto all’incarico originale. Se l’agente devia dal compito, richiede privilegi eccessivi o incontra un conflitto che non può risolvere, l’esecuzione può essere sospesa e inoltrata a una persona.
In questa prospettiva, l’intervento umano non rappresenta una correzione successiva. Diventa un elemento interno all’architettura. Le persone non si limitano a controllare il risultato finale, ma partecipano ai punti decisionali nei quali servono responsabilità, giudizio o autorizzazioni ulteriori.
La superintelligenza come proprietà di una rete
La superintelligenza viene spesso rappresentata come un’unica entità capace di superare le prestazioni umane in ogni ambito. Esiste però uno scenario differente, nel quale capacità molto avanzate potrebbero emergere dall’interazione tra agenti specializzati, memorie condivise, strumenti digitali e sistemi di supervisione umana.
In questa architettura, nessun componente dovrebbe necessariamente possedere una conoscenza completa. La forza complessiva deriverebbe dalla possibilità di mettere in relazione competenze diverse, conservare le informazioni accumulate nel tempo e integrare più valutazioni all’interno dello stesso processo decisionale. L’intelligenza del sistema non risiederebbe quindi in un solo modello, ma nella qualità delle relazioni, dei controlli e dei meccanismi di coordinamento tra i suoi elementi.
Questa prospettiva resta per ora un’ipotesi. Le architetture multi-agente stanno avanzando rapidamente, ma non esistono ancora prove che la loro cooperazione possa produrre una forma di superintelligenza. Rimangono inoltre irrisolti problemi rilevanti legati alla sicurezza, all’attendibilità delle informazioni condivise, alla gestione delle identità digitali, alla protezione degli accessi e alla distribuzione delle responsabilità. La direzione è comunque significativa, perché lo sviluppo di agenti sempre più capaci rende necessario progettare infrastrutture che consentano loro di collaborare senza perdere controllo, tracciabilità e coerenza operativa.
Per le organizzazioni, la sperimentazione può iniziare da processi circoscritti ma trasversali, nei quali più funzioni devono scambiarsi informazioni, coordinare decisioni e ottenere autorizzazioni. La gestione dei resi, un’interruzione della produzione o la risposta a un incidente informatico possono offrire contesti utili per misurare l’effettiva capacità degli agenti di migliorare il lavoro reciproco, ridurre i tempi di intervento e limitare gli errori.
La prossima fase dell’intelligenza artificiale potrebbe quindi dipendere non soltanto dalla potenza dei singoli sistemi, ma anche dalla loro capacità di operare all’interno di strutture condivise, conservare il contesto e prendere decisioni rispettando vincoli e responsabilità. Gli specialisti digitali sono già numerosi. La sfida consiste nel trasformarli in una squadra affidabile.
Bibliografia
Anthropic. (2025). How We Built Our Multi-Agent Research System. Anthropic Engineering.
Cemri, M., Pan, M. Z., Yang, S., Agrawal, L. A., Chopra, B., Tiwari, R., Keutzer, K., Parameswaran, A., Klein, D., Ramchandran, K., Zaharia, M., Gonzalez, J. E. e Stoica, I. (2025). Why Do Multi-Agent LLM Systems Fail?. arXiv:2503.13657.
Google Cloud. (2025). Announcing the Agent2Agent Protocol (A2A). Google Developers Blog.
International AI Safety Report. (2025). First Key Update: Capabilities and Risk Implications.
Linux Foundation. (2025). Linux Foundation Launches the Agent2Agent Protocol Project to Enable Secure, Intelligent Communication Between AI Agents.
Model Context Protocol. (2025). Model Context Protocol Specification, versione 25 novembre 2025.
Model Context Protocol. (2025). Authorization: Model Context Protocol Specification.
OWASP Foundation. (2025). Securing Agentic Applications Guide 1.0. OWASP GenAI Security Project.
OWASP Foundation. (2025). OWASP Top 10 for Agentic Applications for 2026. OWASP GenAI Security Project.
Anthropic. (2026). Demystifying Evals for AI Agents. Anthropic Engineering.
Booth, H., Fisher, W., Galluzzo, R. e Roberts, J. (2026). Accelerating the Adoption of Software and Artificial Intelligence Agent Identity and Authorization. National Institute of Standards and Technology.
Choi, H. K., Li, J., Li, W., Wang, X. E. e Li, S. (2026). Multi-Agent LLMs Fail to Explore Each Other. arXiv:2607.11250.
International AI Safety Report. (2026). International AI Safety Report 2026.
National Institute of Standards and Technology. (2026). AI Agent Standards Initiative.
Nechepurenko, M. e Shuvalov, P. (2026). Coordination as an Architectural Layer for LLM-Based Multi-Agent Systems. arXiv:2605.03310.
Stanford Institute for Human-Centered Artificial Intelligence. (2026). The 2026 AI Index Report. Stanford University.