Cos'è il ciclo di vita dello sviluppo degli agenti (ADLC)?

La potenza e la proliferazione degli agenti AI, sistemi software che utilizzano modelli linguistici di grandi dimensioni (LLM) come motore decisionale per pianificare ed eseguire autonomamente le attività necessarie per raggiungere un obiettivo prestabilito, hanno accelerato una rapida trasformazione dei workflow aziendali. La velocità di questa trasformazione ha superato la capacità di molte organizzazioni di adattare le strutture IT tradizionali per riflettere le esigenze uniche dell'integrazione dell'IA agente, dando vita a un ecosistema frammentato. L'ADLC introduce specifiche comuni e pratiche condivise per facilitare sistemi affidabili e agentici su diversi strumenti, piattaforme, fornitori e ambienti aziendali.

Molti dei processi IT standard di oggi si sono evoluti nel contesto dello sviluppo del software tradizionale e sono adattati ai presupposti dei sistemi statici e deterministici. Tali processi sono spesso poco adatti alla natura dinamica e probabilistica degli LLM che guidano il comportamento degli agenti: sono chiamati "Agenti AI" perché hanno letteralmente la capacità per decidere come eseguire i compiti. Le norme e le specifiche condivise che tengono conto di questo cambiamento possono ridurre significativamente i rischi associati e accelerare l'adozione responsabile dell'agentic AI.

Affinché l'agentic AI possa scalare in modo sostenibile ed efficace, gli agenti AI devono integrarsi in modo prevedibile tra diversi modelli, piattaforme, fornitori ed ecosistemi industriali. Attualmente, quasi ogni piattaforma per la creazione di agenti AI ha il proprio formato per la definizione degli agenti, lo schema di tool e function calling, il modello di gestione della memoria e dello stato, la suite di test, i protocolli di distribuzione e il sistema di versioning. Questa frammentazione ostacola l'interoperabilità, aumentando i costi di commutazione e il blocco da fornitore, che ricerche recenti hanno rilevato come una preoccupazione primaria—seconda solo alla sicurezza—dei leader aziendali e tecnici che navigano nell'ecosistema dei fornitori di agenti AI.¹ Operativamente, questa frammentazione riduce anche il potenziale di competenze trasferibili e workflow.

Sebbene le norme e le pratiche standardizzate possano mitigare queste inefficienze, è importante che le organizzazioni abbraccino e applichino protocolli strutturali che lavorino con, non contro, le tendenze e le preferenze consolidate degli sviluppatori. L'ADLC mira quindi a tradurre le pratiche emergenti degli sviluppatori in esperienze per gli agenti di altissimo livello. 

L'ADLC integra i principi fondamentali del DevSecOps per mappare lo sviluppo degli agenti AI su una serie di fasi interconnesse e in gran parte interdipendenti. Lo scopo e le pratiche di ciascuna fase, così come le loro relazioni tra loro, saranno esplorati più avanti in questo articolo. Dettagli completi, suggerimenti e specifiche sono forniti nella guida ufficiale IBM all'ADLC.

Alcune delle assunzioni standard e delle best practice del ciclo di vita tradizionale dello sviluppo software (SDLC) sono poco adatte alla costruzione di agenti AI. Affinché le iniziative di agenti AI aziendali abbiano successo, le organizzazioni devono comprendere e tenere conto delle differenze fondamentali tra il software tradizionale e i sistemi agentici. 

• Deterministico vs. probabilistico: al software tradizionale vengono fornite istruzioni esplicite e deterministiche (sotto forma di codice imperativo) per perseguire un obiettivo finale che è solo implicito; agli agenti di intelligenza artificiale vengono forniti un obiettivo finale esplicito e barriere comportamentali, quindi hanno il compito di utilizzare strumenti, fonti di dati e ragionamento autonomo per dedurre il modo migliore per raggiungerlo. In un sistema agentico, fornire lo stesso input due volte potrebbe produrre due output diversi.

• Statico vs. adattivo: il software tradizionale ha funzionalità fisse, con un comportamento che cambia solo se il codice che governa quel comportamento viene modificato attivamente. Il comportamento di un agente può evolversi in base al feedback proveniente dal suo ambiente.

• Approccio basato sul codice vs. approccio basato sui risultati: la natura deterministica e lineare del software tradizionale consente agli sviluppatori di prevedere il successo di un programma in termini di misure stabili e (relativamente) oggettive della qualità del codice . La natura probabilistica dell'IA agentica significa che un'implementazione ottimale potrebbe portare a prestazioni subottimali dell'agente e prompt disordinati e subottimali potrebbero comunque fornire risultati accurati. La valutazione dei sistemi agentici richiede quindi una misurazione sistematica dei risultati aziendali e del comportamento degli agenti nel tempo.

Forse l'aspetto più importante è che i sistemi agenti e il software tradizionale presentano modalità di malfunzionamento molto diverse.

Il software tradizionale va in errore a causa di errori logici o casi limite che “infrangono” le rigide istruzioni del codice del software. Questi errori sono generalmente evidenti: il software si blocca o produce output privi di senso. Poiché il software tradizionale è deterministico, qualsiasi errore può essere ricondotto a un difetto specifico nel codice (di cui può quindi eseguire il debug).

I sistemi agentici, al contrario, in genere falliscono a causa di allucinazioni o problemi di allineamento. Gli agenti AI operano interpretando probabilisticamente l'intento (fornito tramite prompt di sistema, guardrail e contesto), piuttosto che eseguendo la rigida logica basata su regole del software tradizionale. Un agente potrebbe apparentemente "risolvere" un problema violando i vincoli o fornendo con sicurezza un risultato errato. Questi tipi di errori sono più difficili da individuare: un risultato plausibile ma errato è più difficile da individuare rispetto a un crash del sistema. Sono anche più difficili da rintracciare: il fallimento complessivo di un complesso workflow agentico in più fasi potrebbe derivare dal risultato errato di una singola tool call a uno strumento probabilistico, e l'errore in questione potrebbe non essere riprodotto in una valutazione successiva.

L'ADLC integra quindi l'observability, il contenimento e la valutazione continua in ogni fase. Lo sviluppo di agenti deve bilanciare in modo efficiente la necessità di test approfonditi in scenari reali con la necessità di contenere i rischi reali.

Il ciclo di vita dello sviluppo degli agenti (ADLC) mappa il processo di creazione, implementazione, ottimizzazione e gestione degli agenti AI in fasi distinte, alcune delle quali si combinano per formare cicli iterativi.

• Piano: coinvolgere tutti gli stakeholder per allinearsi su casi d'uso, obiettivi, metriche di successo e risultati aziendali ideali (per fornire un framework di valutazione). Stabilire e documentare, in linguaggio naturale, il comportamento desiderato degli agenti e le procedure operative standard.

• Codifica e compila: sviluppo di agenti (che comporta, tra le altre cose, la selezione dei modelli, la progettazione dei prompt e l'orchestrazione). Identificare i servizi esterni pertinenti, come strumenti, database e API, e integrarli in un livello aziendale utilizzando il protocollo MCP (Model Context Protocol) . Applicare un controllo ponderato delle versioni, il sandboxing e i modelli di gateway.

• Test e rilascio: eseguire valutazioni strutturate rispetto a benchmark predefiniti, applicare controlli di policy, eseguire test di sicurezza ed esercitazioni di red teaming e certificare che gli agenti siano in un catalogo governato. Ripetere iterativamente Codifica e compila e Test e rilascio in un ciclo secondo necessità.

• Implementazione: una volta certificati, spostare gli agenti negli ambienti di produzione, implementandoli in fasi progressive per gestire il rischio. Adottare un modello di gateway per consentire una governance efficace e l'applicazione delle politiche. Garantire la governance in fase di esecuzione tramite sandboxing, versioning, strategie di rollback, applicazione delle misure di sicurezza e limitazione delle prestazioni.

• Funzionamento: osservare e ottimizzare continuamente gli agenti implementati, monitorando le metriche in tempo reale (come accuratezza, latenza, costi e soddisfazione degli utenti) e rimanendo allerta per la deriva del modello o le regressioni delle prestazioni. Utilizzare questi cicli di feedback per ottimizzare i prompt, gli strumenti, i modelli e le politiche di memoria per le prestazioni e la sicurezza, ripetendo iterativamente il ciclo Implementazione-Funzionamento, se necessario.

• Monitoraggio: una volta che il sistema è stato completamente validato e ottimizzato, continuare a monitorare e condurre audit in corso per garantire equità, trasparenza e conformità normativa. Mantenere un catalogo ben gestito di agenti e strumenti per facilitare l'osservabilità e la riproducibilità.

Seguendo queste fasi e le priorità a cui sono destinate — ciascuna delle quali viene approfondita nelle sezioni seguenti — le organizzazioni possono ampliare il proprio organico di agenti in modo sicuro e con fiducia, garantendo che siano affidabili, verificabili e in linea con il valore aziendale.

Il processo di sviluppo dell'agente inizia con l'allineamento dei casi d'uso, da cui scaturiscono tutte le altre considerazioni di pianificazione.

I risultati specifici di business che i tuoi agenti devono raggiungere determineranno gli indicatori chiave di prestazione (KPI) e altre metriche di successo che verranno utilizzate per valutare le prestazioni degli agenti. L'automazione del supporto clienti può essere valutata principalmente in termini di soddisfazione dell'utente finale e riduzione dei costi, mentre un agente di codifica può essere verificato in base a latenza e qualità del codice. Selezionare la formulazione matematica specifica per queste metriche è una decisione architettonica critica a sé stante, poiché metodi di calcolo diversi possono generare segnali di successo e incentivi operativi differenti.

Risultati aziendali specifici basati sugli agenti richiedono che processi, attività e sotto-attività specifici siano automatizzati dagli agenti, e molte di queste attività richiederanno che gli agenti AI abbiano accesso a strumenti, set di dati, basi di conoscenza e API specifici. Compilare (e procurarsi) una lista di tutte le risorse necessarie prima della fase di codice e compilazione è essenziale per un processo di sviluppo efficiente ed efficace.

Detto questo, la decisione più importante da prendere nella fase di pianificazione è se costruire o meno un agente AI.

IBM consiglia di trovare la soluzione più semplice che possa soddisfare le esigenze specifiche della tua azienda. Se un problema può essere risolto con automazione, sistemi di recupero o prompting ponderato, l'agentic AI potrebbe introdurre complicazioni inutili. Ad esempio, un sistema per automatizzare le risposte alle e-mail dei clienti richiederebbe un agente AI, ma un sistema per classificare le e-mail richiede solo un LLM e un prompt ben progettato.

Supponendo che le migliori prestazioni che l'agentic AI può fornire rispetto alle soluzioni più semplici per il tuo caso d'uso giustifichino gli aumenti di costo e di latenza associati, un'implementazione ideale dell'agentic AI negli scenari aziendali in genere comporta:

• Ambito di prodotto ben definito. Dare priorità a problemi aziendali specifici che richiedono un giudizio o un ragionamento a più fasi, che non possono essere raggiunti adeguatamente con un'ampia automazione basata su regole. I problemi che richiedono giudizio contestuale, ragionamento a più fasi e processo decisionale su larga scala sono candidati ideali per l'agentic AI.

• Metriche di successo chiare. L'agentic AI funziona in scenari in cui il successo può essere valutato oggettivamente e quantitativamente e in cui è possibile far rispettare gli standard. Ciò fornisce non solo la solida giustificazione necessaria dal punto di vista aziendale, ma anche gli obiettivi di ottimizzazione indispensabili dal punto di vista operativo.

• Complessità gestibile. La natura probabilistica dell'IA agentiva implica che i sistemi multi-agente comportino rischi di scaffolding, in cui il fallimento di un singolo passaggio potrebbe avere conseguenze di vasta portata. I benefici teorici di un sistema agentico dovrebbero chiaramente superare la complessità operativa.

Un'analisi approfondita delle implementazioni aziendali dell'agentic AI ha prodotto schemi specifici che offrono un valore costante e un rischio gestibile: processi ricchi di documentazione, supporto clienti (o servizio clienti) e lavoro di conoscenza documentabile. Questi sono i punti di partenza ideali.

Una volta che tutti gli stakeholder rilevanti hanno concordato obiettivi, requisiti, vincoli e criteri di misurazione, i team passano al processo di costruzione effettiva di agenti IA: implementando prompt, strategie di memoria, logica di orchestrazione e framework di valutazione.

Gli agenti devono essere integrati con sistemi aziendali, API e strumenti e knowledge base esterni. Queste integrazioni dovrebbero essere progettate pensando alla sicurezza e alla telemetria. Gli hook di observability—bit di codice che catturano automaticamente dati operativi istantanei e misurazioni—dovrebbero essere iniettati in momenti chiave del workflow per registrare le trascrizioni degli agenti, inclusi tracce di ragionamento degli agenti, tool calling e output.

Ad ogni fase di sviluppo, i team dovrebbero implementare politiche rigorose di controllo delle versioni sia per le singole varianti degli agenti sia (dove rilevante) per la logica di orchestrazione che coordina il loro lavoro all'interno di un sistema multi-agente.

Scegliere quale LLM (o quali LLM) alimenterà i tuoi agenti AI è una delle decisioni architetturali più importanti da prendere. L'utilizzo di un modello per ogni attività e ruolo è raramente la soluzione ottimale in termini di prestazioni, e anche quando lo è, il miglioramento incrementale delle prestazioni comporta dei compromessi in termini di efficienza dei costi, latenza o entrambi.

Gli sviluppatori dovrebbero attingere da un portfolio di modelli diversi:modelli di ragionamento di frontiera per la pianificazione complessa, modelli specifici per il dominio (ottenuti direttamente dai fornitori di modelli o attraverso gli sforzi di messa a punto della tua organizzazione) per le attività specializzate, ove opportuno, modelli più piccoli per minimizzare i costi e la latenza per le attività più semplici e ad alto volume.

Tutte le integrazioni, che si tratti di integrare dati aziendali, applicazioni di terze parti o sistemi esterni, possono essere trattate come integrazioni di strumenti abilitate dai server MCP. Idealmente, la piattaforma di ingegneria agentica che preferisci ti permette di adattare il comportamento MCP alle esigenze del tuo caso d'uso specifico. Utilizza un modello MCP Gateway per proteggere e governare tutte queste connessioni attraverso i tuoi sistemi di backend.

Ove possibile, dai priorità alla riproducibilità e agli standard aperti, come MCP per strumenti e risorse, OpenTelemetry per l'observability e schemi riutilizzabili per i prompt. Dovresti anche adottare modelli coerenti per lo storage e il recupero, l'accesso agli strumenti e la delega delle attività.

Per i sistemi aziendali che saranno esposti a rischi reali, la sicurezza dell'agentic AI dovrebbe essere integrata direttamente in ogni fase di sviluppo utilizzando principi di sicurezza fin dalla progettazione, piuttosto che adattarla a posteriori.

A ogni agente AI deve essere assegnato un tag di identità distinto per garantire che ogni azione intrapresa da un agente possa essere registrata, verificata e attribuita correttamente. Questo non solo consente di rintracciare in modo affidabile i problemi di sicurezza fino alla loro origine, ma facilita anche la conformità ai quadri normativi che continuano a evolversi man mano che l'adozione dell'IA agentica matura.

Il sandboxing e altre pratiche di contenimento sono essenziali per limitare il rischio. L'ambiente di esecuzione di un agente, l'accesso alla rete e l'accesso al file system dovrebbero sempre funzionare secondo il principio del privilegio minimo. Ogni componente di un sistema agentico dovrebbe ricevere il permesso minimo necessario per svolgere i compiti assegnati.

Testare i prototipi degli agenti per assicurarsi che siano pronti per il rilascio in produzione richiede più dei test unitari e dell'analisi statica del ciclo di vita tradizionale della progettazione software. Deve anche comportare un'estesa validazione comportamentale rispetto a scenari reali o simulazioni ad alta fedeltà. Data la natura probabilistica dei sistemi agentici, la dimensione del campione di questi scenari di test deve essere sufficientemente ampia e varia da fornire una ragionevole fiducia che tutti i potenziali comportamenti degli agenti emergenti siano stati osservati e valutati.

Gli agenti AI dovrebbero essere testati rispetto a benchmark predefiniti e controlli delle politiche che riflettono e applicano accuratamente i comportamenti desiderati. Ciò potrebbe richiedere la raccolta o la creazione di dataset di verità di base che indichino la traiettoria che un agente dovrebbe seguire per ogni tipo di input e situazione. Dovrebbero essere utilizzate sia le recensioni LLM-as-a-Judge che quelle human-in-the-loop, bilanciando la scala abilitata dal primo con la fiducia fornita dal secondo.

Prima e dopo l'implementazione iniziale, una solida pipeline di integrazione continua/distribuzione continua (CI/CD) è fondamentale per eseguire test e valutazioni sulla scala necessaria, eseguire automaticamente le valutazioni, testare la fiducia degli strumenti e far rispettare le barriere di sicurezza. Durante i test, un sistema di integrazione continua (CI) aiuta a garantire che la logica di ragionamento di un agente non si interrompa quando i modelli e i suggerimenti che lo compongono vengono aggiornati. Anche sostituire l'ultima versione del modello di LLM che già usi può avere effetti imprevedibili in un ambiente dinamico.

La valutazione continua degli agenti IA in ogni fase post-compilazione dell'ADLC è essenziale per il successo di un sistema agentico. Le valutazioni offline durante la compilazione e il CI aiutano a confrontare il comportamento e i risultati complessivi dell'agente. Le valutazioni in-the-loop vengono evocate in runtime per guidare le decisioni individuali di un agente—ad esempio, in un'applicazione RAG agentica , il tuo flusso di lavoro potrebbe imporre il calcolo di un punteggio di rilevanza contestuale per determinare se una sorgente recuperata debba essere utilizzata per generare un output.

Il tuo framework di valutazione agentica dovrebbe comprendere diversi tipi di metriche, tra cui:

• Metriche di qualità, come la percentuale di successo del compito, la precisione e il tasso di successo delle chiamate degli strumenti

• Metriche di sicurezza, come le violazioni delle policy o il tasso di perdita di dati sensibili.

• Metriche operative, come latenza, consumo di token e costo per attività

• Metriche aziendali, come i punteggi di soddisfazione o il costo per risultato

Il red teaming identifica in modo proattivo le vulnerabilità avversarie e i potenziali errori di allineamento. Simula condizioni ostili, come attacchi a iniezione immediata e tentativi di jailbreak, per testare vincoli di sicurezza in scenari che i test comportamentali standard potrebbero trascurare.

Dopo essere stati accuratamente testati, ottimizzati e validati, gli agenti AI vengono distribuiti in modo sicuro negli ambienti aziendali. La fase di distribuzione dovrebbe essere intesa come un'attivazione deliberata e strategicamente stratificata, piuttosto che come un singolo atto simile alla pressione di un proverbiale grande pulsante rosso"DEPLOY". ADLC garantisce la sicurezza del sistema in tempo di esecuzione tramite sandbox, controllo versioni, strategie di rollback e misure di sicurezza. 

Il rollout dei tuoi agenti AI dovrebbe essere eseguito progressivamente per gestire il rischio. Considera diverse strategie di implementazione, come implementazioni blue-green, rolling o canary, per determinare quale sia più favorevole ai tuoi modelli di traffico di utilizzo.In un ambiente aziendale reale, la stabilità deve rimanere la massima priorità: suddividere attentamente il rollout in fasi ti permette di verificare la resilienza del sistema ad aggiornamenti significativi.

Il sandboxing è la pratica di limitare rigorosamente la portata e le capacità degli agenti e dei loro strumenti eseguendoli all'interno di ambienti di esecuzione vincolati che impongono l'accesso a privilegi minimi a API di calcolo, storage, rete e sistema. Anche se un agente fallisce o si comporta male, un sandboxing adeguato riduce al minimo la portata e l'entità dei potenziali problemi. È una pratica critica in qualsiasi scenario in cui un uso improprio di uno strumento, la generazione di codice o la trasformazione dei dati di un agente possano avere conseguenze su tutta la tua base di codice, integrità dei dati, clienti o altri agenti.

Le strategie comuni di implementazione per il sandbox includono:

• Virtualizzazione leggera

• Profili di sicurezza dei container

• Controlli di rete (in genere tramite un gateway MCP)

• Politiche di accesso al filesystem

• Applicazione delle policy a livello di gateway

Il ciclo di vita dello sviluppo (ADLC) non termina una volta che gli agenti AI sono stati completamente e correttamente distribuiti. Come il ciclo iterativo formato dalla fase Codifica e Compilazione e dalla fase Test e Rilascio, le fasi Implementazione e Funzionamento dovrebbero essere intese come due parti di un ciclo di feedback continuo. Mentre l'obiettivo finale del ciclo iniziale Compilazione/Test è che gli agenti raggiungano la soglia minima di prestazioni necessaria per raggiungere i risultati aziendali desiderati, l'obiettivo del ciclo Implementazione/Funzionamento è l'ottimizzazione.

Dopo l'implementazione, è necessaria una supervisione operativa continua per garantire che le prestazioni del tuo agente rimangano affidabili, efficaci e sicure in un ambiente reale. Le metriche in tempo reale, compilate e facilmente accessibili in una dashboard unificata di reportistica, dovrebbero essere monitorate attivamente per eventuali drift o regressioni di prestazioni. Eventuali regressioni significative, sia in termini di efficienza operativa sia di feedback degli utenti finali, dovrebbero essere affrontate attivamente. Qualsiasi cambiamento che sorga come soluzione a questi problemi emergenti dovrebbe essere testato a fondo e implementato progressivamente.

L'osservabilità full stack è critica per i sistemi agentici che non solo raggiungono prestazioni ottimali, sicurezza e affidabilità, ma che le mantengono anche nel tempo.

Una volta che la tua implementazione agentica è completamente validata e ottimizzata nella produzione live, effettua audit continui per garantire equità, trasparenza, rischi di sicurezza e conformità normativa, oltre alle prestazioni complessive.

Gli standard del settore e i requisiti legali continuano a evolversi, e il mancato rispetto attivo di entrambi può comportare conseguenze normative, svantaggi competitivi o entrambi. La deriva del modello è un fenomeno inevitabile che si affronta al meglio con un approccio proattivo. Le esigenze aziendali cambiano e i sistemi agentici in atto per rispondervi dovranno cambiare di conseguenza.

Per le esigenze presenti e future, le imprese dovrebbero gestire un catalogo chiaramente organizzato di agenti e strumenti che indichino:

• Proprietà, per facilitare la responsabilità e l'escalation dei problemi

• Versioni, per una pratica disciplinata di gestione del cambiamento

• Valutazione del profilo di rischio, a supporto del processo decisionale.

• Tutti gli ambienti pertinenti, per mantenere una supervisione operativa esaustiva

• Verificabilità, per accelerare la raccolta di prove, le valutazioni, le approvazioni e il red teaming