Cos'è l'agentic AI?

A differenza dei modelli AI tradizionali, che operano entro vincoli predefiniti e richiedono l'intervento umano, l'agentic AI dimostra autonomia, comportamento orientato agli obiettivi e adattabilità. Il termine "agentic" si riferisce all'organizzazione di questi modelli, ovvero alla loro capacità di agire in modo indipendente e intenzionale.

I sistemi di agentic AI presentano molti vantaggi rispetto ai loro predecessori generativi, che sono limitati dalle informazioni contenute nei set di dati su cui vengono addestrati i modelli.

Il progresso più importante dei sistemi di agentic AI è la loro l'autonomia nell'eseguire attività senza la costante supervisione umana. I sistemi agentic possono perseguire obiettivi a lungo termine, gestire attività di risoluzione di problemi in più fasi e monitorare i progressi nel tempo.

I sistemi agentic offrono la flessibilità degli LLM, che possono generare risposte o azioni basate su una comprensione sfumata e dipendente dal contesto, con le caratteristiche strutturate, deterministiche e affidabili della programmazione tradizionale. Questo approccio consente agli agenti di “pensare” e “agire” in modo più simile a quello umano.

Gli LLM da soli non possono interagire direttamente con strumenti o database esterni, né configurare sistemi per monitorare e raccogliere dati in tempo reale, invece gli agenti possono farlo. Gli agenti possono effettuare ricerche sul web, chiamare le API e interrogare i database, quindi utilizzare queste informazioni per prendere decisioni e intraprendere azioni.

Gli agenti possono specializzarsi in attività specifiche. Alcuni agenti sono semplici ed eseguono una singola attività ripetitiva in modo affidabile. Altri possono usare la percezione e attingere alla memoria per risolvere problemi più complessi. Un'architettura agentica potrebbe consistere in un modello "conduttore" basato su un LLM che sovrintende alle attività e alle decisioni e supervisiona altri agenti più semplici. Tali architetture sono ideali per workflow sequenziali, ma sono vulnerabili ai colli di bottiglia. Altre architetture sono più orizzontali, con agenti che lavorano in armonia da pari a pari in modo decentralizzato, ma questa architettura può essere più lenta di una gerarchia verticale. Applicazioni di AI diverse richiedono architetture diverse.

Gli agenti possono imparare dalle proprie esperienze, ricevere feedback e modificare il proprio comportamento. Con i guardrail giusti, i sistemi agentici possono migliorare continuamente. I sistemi multiagente possiedono la scalabilità necessaria per arrivare a gestire iniziative di ampio respiro.

Poiché i sistemi di agentic AI sono alimentati da LLM, gli utenti possono interagire con essi attraverso prompt in linguaggio naturale. Ciò significa che intere interfacce software (schede, menu a discesa, grafici, cursori, popup e altri elementi dell'interfaccia utente coinvolti nella piattaforma SaaS prescelta) possono essere sostituite da semplici comandi vocali o linguistici. Teoricamente, qualsiasi esperienza utente con il software può ora essere ridotta a "parlare" con un agente in grado di recuperare le informazioni desiderate e di agire in base a tali informazioni. Questo beneficio in termini di produttività non deve essere sopravvalutato, considerando il tempo impiegato dai lavoratori per apprendere e padroneggiare nuove interfacce e strumenti.

Gli strumenti di agentic AI possono assumere molte forme e framework diversi sono adatti a problemi diversi, tuttavia ecco i passaggi generali che questi sistemi adottano per eseguire le loro operazioni.

L'agentic AI inizia raccogliendo dati dal proprio ambiente tramite sensori, API, database o interazioni con gli utenti. Questo passaggio garantisce che il sistema disponga di informazioni aggiornate da analizzare e su cui agire.

Una volta raccolti i dati, l'AI li elabora per estrarre insight significativi. Utilizzando l'elaborazione del linguaggio naturale (NLP), la computer vision o altre funzionalità di AI, interpreta le domande degli utenti, rileva i pattern e comprende il contesto più ampio. Questa capacità aiuta l'AI a determinare quali azioni intraprendere in base alla situazione.

L'AI definisce obiettivi basati su traguardi predefiniti o sugli input degli utenti. Successivamente sviluppa una strategia per raggiungere questi obiettivi, spesso utilizzando decision trees, apprendimento per rinforzo o altri algoritmi di pianificazione.

L'AI valuta più azioni possibili e sceglie quella ottimale in base a fattori quali efficienza, precisione e risultati previsti. Potrebbe utilizzare modelli probabilistici, funzioni di utility o ragionamenti basati sul machine learning per determinare la migliore linea d'azione.

Dopo avere selezionato un'azione, l'AI la esegue, interagendo con sistemi esterni (API, dati, robot) o fornendo risposte agli utenti.

Dopo avere eseguito un'azione, l'AI valuta il risultato, raccogliendo feedback per migliorare le decisioni future. Attraverso l'apprendimento per rinforzo o l'apprendimento auto-supervisionato, l'AI affina le sue strategie nel tempo, diventando più efficace nella gestione di attività simili in futuro.

L'orchestrazione dell'AI consiste nel coordinamento e nella gestione di sistemi ed agenti. Le piattaforme di orchestrazione automatizzano i workflow dell'AI, monitorano i progressi verso il completamento delle attività, gestiscono l’utilizzo delle risorse, controllano il flusso dei dati e la memoria e gestiscono gli eventi di errore. Con la giusta architettura, decine, centinaia o persino migliaia di agenti potrebbero teoricamente lavorare insieme in modo armonioso e produttivo.

Le soluzioni di agentic AI possono essere implementate pressoché in qualsiasi caso d'uso dell'AI, in qualsiasi ecosistema del mondo reale. Gli agenti possono integrarsi all'interno di workflow complessi per eseguire i processi aziendali in modo autonomo.

• Un bot basato su AI può analizzare in tempo reale i prezzi delle azioni e gli indicatori economici per eseguire analytics predittiva e transazioni.
   

• Nei veicoli autonomi, le fonti di dati in tempo reale, come il GPS e i dati dei sensori, possono migliorare la navigazione e la sicurezza.
   

• Nel settore sanitario, gli agenti possono monitorare i dati dei pazienti, modificare le raccomandazioni terapeutiche in base ai risultati degli ultimi esami e fornire un feedback in tempo reale ai medici tramite chatbot.
   

• Nella cybersecurity, gli agenti possono monitorare continuamente il traffico di rete, i log di sistema e il comportamento degli utenti per individuare anomalie che potrebbero indicare vulnerabilità a malware, attacchi di phishing o tentativi di accesso non autorizzati.
   

• L'AI può semplificare la gestione della supply chain attraverso l'automazione e l'ottimizzazione dei processi, l'immissione autonoma degli ordini ai fornitori o l'adeguamento dei programmi di produzione per mantenere livelli di inventario ottimali.

I sistemi di agentic AI offrono un potenziale enorme alle aziende. La loro autonomia è il loro principale beneficio, tuttavia questa natura autonoma potrebbe portare a gravi conseguenze se i sistemi andassero "fuori dai binari". Parliamo dei soliti rischi dell'AI, che tuttavia possono essere peggiori nei sistemi di agentic AI.

Molti sistemi di agentic AI utilizzano l'apprendimento per rinforzo, che prevede la massimizzazione di una funzione di ricompensa. Se il sistema di ricompensa è mal progettato, l’AI potrebbe utilizzare delle scappatoie per ottenere “punteggi elevati” in modi indesiderati.

Consideriamo alcuni esempi:

• Un agente incaricato di massimizzare il coinvolgimento sui social media, dando priorità ai contenuti sensazionali o fuorvianti e diffondendo inavvertitamente della misinformazione
   

• Un robot per magazzini, ottimizzato per la velocità, che danneggia i prodotti per spostarli più velocemente.
   

• Un sistema AI di trading finanziario destinato a massimizzare i profitti che si impegna in pratiche di trading rischiose o non etiche, innescando l'instabilità del mercato.
   

• Un sistema di AI per la moderazione dei contenuti, progettato per ridurre i discorsi dannosi, censura eccessivamente discussioni legittime.

Alcuni sistemi di agentic AI possono auto-potenziarsi, intensificando i comportamenti in una direzione indesiderata. Questo problema si verifica quando l'AI si ottimizza in modo troppo aggressivo per una particolare metrica, senza salvaguardie. Poiché i sistemi di agentic AI sono spesso composti da più agenti autonomi che lavorano insieme, ci sono molte opportunità di fallimento. Ingorghi, colli di bottiglia, conflitti di risorse: tutti questi errori hanno il potenziale per diffondersi a cascata. È importante che i modelli abbiano obiettivi chiaramente definiti e che possano essere misurati, con cicli di feedback che consentano ai modelli di avvicinarsi sempre di più alle intenzioni dell'organizzazione nel tempo.

L'agentic AI si basa su tecniche di AI generativa (gen AI) utilizzando modelli linguistici di grandi dimensioni (LLM) per funzionare in ambienti dinamici. Mentre i modelli generativi si concentrano sulla creazione di contenuti basati su modelli appresi, l'agentic AI estende questa funzionalità applicando gli output generativi verso obiettivi specifici. Un modello di AI generativa come ChatGPT di OpenAI potrebbe produrre testo, immagini o codice, mentre un sistema di agentic AI può utilizzare i contenuti generati per completare attività complesse in modo autonomo, chiamando strumenti esterni. Gli agenti possono, ad esempio, dire qual è il momento migliore per scalare l'Everest in base ai tuoi impegni lavorativi e anche prenotarti un volo e un hotel.

Misurare il ROI (ritorno sull'investimento) delle iniziative basate su sistemi agentici richiede un framework che confronti i costi totali di sviluppo e implementazione con benefici quali i miglioramenti in termini di efficienza e la crescita dei ricavi. Questo può essere complicato, perché i benefici sono spesso indiretti, astratti e potrebbero non materializzarsi nel breve periodo. 

Dipende dal tipo di agente, ma risolvere il blocco di un agente AI in genere comporta la terminazione del processo in stallo, la cancellazione della memoria o del contesto dell’agente e il perfezionamento delle istruzioni del prompt per aiutare l’agente a evitare di rimanere intrappolato in cicli logici.

Il processo richiede l'identificazione di workflow ripetitivi specifici, ideali per l’automazione, configurare connessioni API sicure e avviare un programma pilota con framework di agenti AI.  Un’identità univoca per gli agenti, fornita da piattaforme come IBM Verify, è utile per ridurre al minimo i rischi di sicurezza associati all’integrazione. 

La trasparenza totale nell’AI agentica è difficile da raggiungere a causa della complessità del funzionamento dei modelli, ma un certo livello di trasparenza è spesso considerato un requisito architetturale per un’implementazione sicura ed efficace in contesti aziendali. Un An IBM Technology Summit dedicato ad Agent Ops e all'AI responsabile ha affrontato le sfide operative, di gestione del rischio e di governance introdotte dagli agenti AI.