Risposta diretta
Un agente AI è un software che usa un modello linguistico per decidere autonomamente quali azioni eseguire, in quale ordine, per raggiungere un obiettivo. Non segue un flusso fisso: lo costruisce in tempo reale. È diverso da un’automazione classica perché il controllo del percorso appartiene al modello, non a chi ha costruito la macchina.
La parola è ovunque. Il concetto, però, viene usato male quasi altrettanto spesso: si chiama agente qualsiasi chatbot con una chiamata API, e si chiama automazione quello che è in realtà un agente. La confusione costa tempo e produce sistemi che si rompono nel posto sbagliato. Questo articolo chiarisce la distinzione, spiega come funziona un agente AI internamente, dove ha senso e dove invece una semplice automazione fa il lavoro meglio. Niente casi ipotetici: solo meccanismi reali.
Agente AI cos’è: la definizione che conta davvero
Un’automazione classica ha un grafo fisso. Tu disegni i nodi, colleghi gli archi, decidi ogni biforcazione. Il sistema esegue da sinistra a destra. Se il dato non arriva nel formato atteso, il flow si inceppa o bypassa silenzioso. Ma il percorso non cambia mai da solo.
Un agente AI fa una cosa diversa: riceve un obiettivo e decide lui il percorso. Ha accesso a un insieme di strumenti — funzioni, API, database, ricerche web — e usa un LLM per ragionare su quale strumento chiamare, in quale ordine, con quali argomenti. Il controllo del flusso è dentro il modello, non nel grafo che hai disegnato.
La differenza pratica: se chiedi a un’automazione di inviare un’email e il contatto non esiste nel CRM, il flow o fallisce o salta. Se lo chiedi a un agente, lui può decidere di cercare prima il contatto, crearlo se mancante, poi inviare. Nessuna biforcazione che tu abbia scritto: è il modello che ha ragionato sulla sequenza.
Le tre parti di un agente
Ogni agente AI ha tre componenti che interagiscono in loop:
- Il cervello: un LLM (OpenAI, Claude, Gemini) che riceve il contesto e decide l’azione successiva.
- Gli strumenti: funzioni che il modello può chiamare — ricerca web, scrittura su un foglio, invio email, query a un database, qualsiasi cosa esposta via API o function call.
- La memoria: il contesto accumulato durante la sessione, che permette al modello di ragionare sulle azioni già eseguite e sui risultati ottenuti.
Il ciclo è: il modello ragiona, chiama uno strumento, riceve il risultato, ragiona di nuovo, decide se ha finito o se serve un’altra azione. Questo loop si chiama ReAct — Reasoning + Acting — ed è il meccanismo sottostante alla maggior parte degli agenti che vedi in produzione.
Automazione classica vs agente AI: quando usare quale
Non è che uno è meglio dell’altro. Hanno casi d’uso diversi, e usare un agente dove basterebbe un’automazione aggiunge complessità inutile e punti di rottura non necessari.
| Criterio | Automazione classica | Agente AI |
|---|---|---|
| Percorso | Fisso, definito a priori | Deciso dal modello a runtime |
| Input | Strutturato e prevedibile | Variabile, linguaggio naturale |
| Errori | Prevedibili, gestibili con guardie | Più difficili da anticipare |
| Costo computazionale | Basso | Alto (ogni step chiama un LLM) |
| Caso ideale | Processo ripetitivo e stabile | Processo ambiguo o con varianti molte |
Se qualcuno compila un form con i dati di un lead e tu vuoi aggiungerlo al CRM, taggarlo e mandare una sequenza email: automazione classica. Il percorso non cambia. Un agente lì dentro è overhead inutile.
Se invece ricevi una richiesta in linguaggio libero — «analizza le conversazioni della settimana scorsa e dimmi quali lead hanno menzionato il prezzo senza convertire» — un agente ha senso. Non puoi disegnare quel grafo in anticipo perché non sai quali passi servono finché non vedi i dati.
Come funziona internamente: il loop che non si vede
Il punto che più viene frainteso è questo: un agente non esegue il tuo prompt una volta. Lo esegue in un loop fino a quando il modello decide che l’obiettivo è raggiunto — o fino a quando esaurisci i token, il budget o il timeout.
Ogni iterazione del loop ha un costo. Una chiamata all’LLM, un’esecuzione dello strumento, un nuovo ciclo di ragionamento. Su una richiesta complessa con cinque o sei tool call, stai pagando cinque o sei round-trip al modello. Su scala, questo conta.
La struttura concreta in n8n, per esempio, è un nodo AI Agent che riceve il messaggio, ha accesso agli strumenti configurati come sottonodi, e gira in loop autonomamente. Puoi leggere come costruirlo passo per passo nella guida pratica sugli agenti in n8n. Se vuoi capire come estendere ulteriormente le capacità dell’agente tramite il Model Context Protocol, l’articolo su n8n e MCP copre quella parte.
Il sistema prompt è il confine dell’agente
Un agente senza un system prompt preciso è un agente che decide da solo cosa è fuori scope. E decide male, perché il modello tende a ottimizzare per la completezza della risposta, non per la tua policy aziendale.
Il system prompt definisce: cosa l’agente può fare, cosa non può fare, come deve comportarsi quando l’input è ambiguo, quando deve fermarsi e chiedere conferma. Senza queste guardie, l’agente esegue sbagliato con la stessa sicurezza con cui esegue giusto. Non rallenta, non dubita. Produce.
La regola
Un agente senza guardie non è finito
Il system prompt non è la parte creativa: è la parte critica. Definisce i confini operativi del modello.
- Scope chiaro — elenca esplicitamente cosa l’agente può e non può fare
- Fallback esplicito — istruisci il modello su cosa fare quando l’input non rientra nello scope
- Limite di iterazioni — imposta sempre un numero massimo di loop per evitare run infiniti
Quando un agente AI ha senso (e quando no)
Un agente ha senso quando almeno una di queste condizioni è vera: l’input varia in modo imprevedibile, il percorso dipende dai risultati intermedi, o il processo richiede più strumenti in sequenza non determinabile a priori.
Ha senso per: qualificazione lead da conversazioni libere, supporto clienti su domini complessi, analisi di documenti eterogenei, ricerca e sintesi su fonti multiple. Le applicazioni per aziende concrete vanno in quella direzione.
Non ha senso per: qualsiasi processo che già funziona come automazione lineare. Se il tuo flow ha dieci nodi e gira pulito da sei mesi, aggiungere un agente è aggiungere un punto di rottura non necessario. L’LLM può sbagliare il ragionamento, fraintendere un risultato intermedio, chiamare lo strumento sbagliato. Un’automazione classica non ha queste variabili.
Il costo reale che nessuno calcola
Ogni tool call in un agente costa token. Su un volume basso non si sente. Su mille richieste al giorno con agenti che fanno cinque iterazioni ciascuno, il costo computazionale supera spesso quello di un’automazione equivalente più un LLM chiamato una volta sola.
Prima di costruire un agente, vale la pena chiedersi: posso risolvere questo con un prompt ben scritto e una sola chiamata al modello, seguita da un’automazione che esegue? Se la risposta è sì, quella è la strada. L’agente serve quando la risposta è no — quando non puoi sapere in anticipo quante azioni servono e di che tipo.
Quello che esegue davvero
Make dà le braccia all’agente
Un agente AI decide cosa fare. Make è il layer che lo fa davvero: chiama le API, scrive nel CRM, aggiorna il foglio. Senza un executor, il ragionamento del modello resta dentro la chat.
- Giorno 1 — connetti le app che già usi e capisci quali dati fluiscono dove
- Giorno 2-3 — costruisci il primo scenario che esegue un’azione reale su trigger esterno
- Giorno 4-7 — aggiungi il modulo AI e osserva dove il modello sbaglia prima di mandarlo in produzione
Apri il piano gratuito di Make →
Link di affiliazione: se ti iscrivi da qui io prendo una commissione, tu paghi uguale. Lo linko perché ci lavoro dentro ogni giorno.
Agenti AI in produzione: quello che si rompe e come tenerlo in piedi
Un agente in produzione si rompe in modi diversi da un’automazione classica. Un’automazione fallisce su un nodo e lo vedi nell’error log. Un agente può completare il loop senza errori tecnici e produrre un output sbagliato, perché il modello ha ragionato male su un risultato intermedio.
Il silenzio non è salute. Un agente che risponde 200 e restituisce testo plausibile ma errato è più pericoloso di uno che lancia un’eccezione. Devi costruire validazioni sull’output, non solo sull’esecuzione.
Le guardie minime per un agente in produzione: un limite di iterazioni per evitare loop infiniti, una validazione strutturata sull’output prima che venga usato da un sistema downstream, un log di ogni tool call con input e output, e un alert se l’agente raggiunge il limite di iterazioni senza completare. Senza questi quattro elementi, stai girando a occhi chiusi.
Se stai valutando quale piattaforma usare per costruire la macchina che ospita l’agente, la scelta tra self-hosted e cloud cambia il profilo di rischio. Su n8n, per esempio, la differenza tra piano gratuito e cloud ha implicazioni concrete sul monitoring — ne parlo nell’articolo su n8n Free vs Cloud.
Il punto di partenza giusto
La domanda sbagliata è «come costruisco un agente AI?». La domanda giusta è «qual è il processo che non riesco a strutturare come flusso fisso perché le variabili sono troppe?». Da lì si parte. Si mappa il processo, si identifica dove il ragionamento è necessario e dove invece basta eseguire, si costruisce un agente solo per la parte che lo richiede davvero.
Un agente AI che gestisce il ragionamento e passa a un’automazione classica l’esecuzione è più robusto di un agente che fa tutto. Meno tool call, meno punti dove il modello può sbagliare, output più prevedibili. La pigrizia intelligente non è automatizzare tutto con l’AI: è usare l’AI solo dove nient’altro funziona.
Domande frequenti
Qual è la differenza tra un chatbot e un agente AI?
Un chatbot risponde. Un agente agisce. La distinzione tecnica è che un agente ha accesso a strumenti esterni che può chiamare autonomamente — API, database, funzioni — e decide da solo la sequenza. Un chatbot classico produce testo; l’agente produce effetti nel mondo reale.
Un agente AI può sbagliare senza che tu te ne accorga?
Sì. È uno dei rischi principali. Il modello può ragionare in modo plausibile ma errato, chiamare lo strumento sbagliato o fraintendere un risultato intermedio. Per questo servono validazioni sull’output e log di ogni tool call, non solo il controllo sull’esecuzione tecnica.
Qual è il costo di un agente AI rispetto a un’automazione classica?
Ogni iterazione del loop chiama l’LLM, che ha un costo per token. Su volumi bassi è trascurabile. Su scala — mille richieste al giorno con più tool call ciascuna — il costo computazionale supera spesso quello di un’automazione equivalente. Va calcolato prima, non dopo.
Quando è meglio usare un’automazione classica invece di un agente?
Sempre che il processo sia prevedibile e ripetitivo. Se puoi disegnare il grafo in anticipo e le variabili sono gestibili con condizioni fisse, l’automazione classica è più veloce, più economica e meno soggetta a errori di ragionamento. L’agente serve solo dove il percorso non è definibile a priori.
Trasparenza: in questo articolo c’è un link di affiliazione. Se ti iscrivi da lì io ricevo una commissione, per te non cambia niente. Linko solo strumenti che uso in produzione.
