Architettura ad agenti o chat AI: in cosa differiscono

Capire come funziona un’architettura ad agenti, e in cosa si distingue da una normale chat con un modello di linguaggio, cambia la qualità di ciò che si ottiene quando si chiede all’AI di ragionare su un problema. In una chat singola le voci nascono da un solo prompt e un solo contesto e tendono a convergere, mentre con più agenti ognuno ha un proprio prompt e un proprio contesto e non vede il ragionamento degli altri. Qui la differenza si spiega attraverso l’esempio di un team di esperti, mostrando perché vale per qualsiasi LLM e come si costruisce un sistema di questo tipo.

Di agenti AI si parla molto, ma spesso senza chiarire cosa cambia quando si usano. La domanda a cui questo articolo prova a rispondere è semplice, quale è la differenza tra un’architettura basata su più agenti e una normale chat con un modello di linguaggio. Capirla conta, perché da quella differenza dipende la qualità di ciò che si ottiene ogni volta che si chiede all’AI di ragionare su un problema in modo serio. Avere chiaro il meccanismo serve anche ad indirizzare l’utente nella scelta di una o dell’altra architettura.

Per spiegarla l’esempio utilizzato è quello della costruzione di un team di esperti che discute un problema da prospettive diverse. Non è l’unico tipo di applicazione per cui ha senso una struttura ad agenti, ma si presta perché permette di evidenziare bene il diverso comportamento tra le due architetture.

Il valore di un team sta nel confronto tra prospettive diverse, non nella singola competenza. Un contratto viene letto sia da chi l’ha scritto sia da chi deve trovarne i difetti, e una strategia viene valutata da chi tiene i conti, chi gestisce le persone e chi manda avanti le operazioni.

Mettere insieme quel team, nella realtà, costa tempo e richiede persone competenti disponibili nello stesso momento. Spesso non è praticabile, soprattutto quando la decisione va presa in fretta. Da qui un’idea che molti hanno già avuto, chiedere a un modello di linguaggio di fare quel lavoro al posto del team reale, con una richiesta del tipo «Analizza questo problema dal punto di vista di un avvocato, di un commercialista e di un imprenditore.»

L’approccio funziona e il risultato è di buona qualità. Esiste però un punto oltre il quale quella qualità non sale, e capirne il motivo significa capire come funziona un modello di linguaggio e perché, per i risultati migliori in certi contesti, serve un sistema a più agenti.

Il punto cieco di una prospettiva sola

Conviene partire dalla base, da come ragionano le persone quando prendono decisioni che possono portare a conseguenze serie basandosi su un punto di vista unico. L’avvocato che scrive un contratto per un suo cliente può non vedere la crepa che un giudice noterebbe subito. Il medico che ragiona da solo su un caso intricato può non considerare l’ipotesi di un’altra specialità. Chi scrive un comunicato lo vede con gli occhi di chi l’ha pensato, non di chi lo riceverà.

Il confronto tra teste diverse è il rimedio naturale, perché ognuno porta un mandato, una sensibilità e un’esperienza che gli altri non hanno, e dove le posizioni si confrontano si rivelano i nodi che una prospettiva sola lascia in ombra. Il problema è che nella realtà questa operazione è costosa, perché bisogna trovare le persone giuste, farle sedere allo stesso tavolo e dare loro il tempo di prepararsi. Per le grandi decisioni si organizza, ma per le molte valutazioni rapide che riempiono una settimana di lavoro quasi mai, per un freelance è di fatto impossibile.

In questo spazio un modello di linguaggio sembra offrire una soluzione pratica.

Il team che nasce da una conversazione (e fin dove arriva)

Chiedere in una chat di Claude, o a qualunque modello capace, di far discutere alcuni esperti su un problema produce un risultato utile. Il testo è leggibile, le posizioni sono plausibili e gli argomenti stanno in piedi e il risultato funziona.

Il limite non sta nella qualità della singola voce, ma nella loro indipendenza e nella qualità complessiva del risultato. Quando un solo modello, dentro un’unica conversazione, gioca il ruolo dell’avvocato, del commercialista e dell’imprenditore, le tre voci escono tutte dallo stesso processo generativo, perché non sono tre teste che si incontrano ma una sola che interpreta a turno le tre parti. Una testa sola, per quanto brava, tende a scrivere un dibattito coerente, in cui le posizioni si smussano a vicenda e convergono verso una sintesi ragionevole.

Quella convergenza è ciò che un buon confronto dovrebbe ritardare il più possibile, perché è conseguenza dell’architettura più che di un reale confronto. Le obiezioni più scomode, quelle che un interlocutore critico solleverebbe in modo diretto, in una conversazione sola tendono ad attenuarsi prima ancora di essere formulate. Questo non dipende da un difetto del modello, ma dalla struttura di un dialogo simulato dentro una singola chat.

La differenza la fanno prompt e contesto

Nella chat singola tutte le voci condividono un solo prompt e un solo contesto. Il prompt è l’istruzione di produrre una discussione sensata e nel complesso equilibrata, mentre il contesto è il testo unico che condivide con tutti i ruoli le stesse informazioni. Il modello procede un pezzo per volta, e ogni nuova battuta nasce mentre rilegge quelle che ha appena scritto interpretando il ruolo precedente. Non risponde a un avversario, prosegue il proprio testo, e la spinta naturale è verso la coerenza e la sintesi.

In un sistema a più agenti ogni partecipante non è una voce dentro la stessa conversazione, ma un’istanza separata che un orchestratore avvia in modo autonomo. L’orchestratore, il processo che dirige il lavoro, assegna a ciascun agente due cose distinte, un prompt e un contesto, e qui sta la differenza rispetto alla chat singola.

Il prompt è il mandato specifico che l’orchestratore assegna all’agente. Quello che difende il fornitore riceve l’istruzione di sostenere quella posizione nel modo più solido possibile, e il suo unico obiettivo è argomentare per la sua parte, perché del quadro complessivo non è responsabile.

Il contesto è la conoscenza alla base del suo comportamento. Contiene lo scenario, gli eventuali documenti di riferimento e gli interventi già condivisi dagli altri partecipanti. La cosa decisiva è che ogni agente ha un contesto suo, separato da quello degli altri e potenzialmente costruito su misura per il suo ruolo, mentre nella chat singola il contesto è per forza di cose uno solo e tutte le voci attingono allo stesso materiale.

A questo si aggiunge la possibilità di abilitare la ricerca web per ogni singolo agente, così ciascun partecipante indaga dalla propria angolazione e porta nel proprio contesto contributi che gli altri non hanno.

Un altro aspetto dell’orchestrazione accentua la separazione. L’agente non viene creato all’inizio e tenuto in vita per tutta la discussione, ma ogni volta che tocca a lui intervenire l’orchestratore lo riavvia da zero e gli consegna il prompt del suo ruolo insieme al contesto aggiornato fino a quel momento, e al termine del turno quell’istanza si chiude. Non esiste quindi un luogo dove un pensiero resti nascosto e si accumuli di turno in turno, perché il contesto viene ricostruito ogni volta a partire solo da ciò che è stato detto apertamente.

Resta un ultimo aspetto, che riguarda non ciò che l’agente vede, ma ciò che non vede. Di un altro partecipante riceve soltanto le parole finali, non il ragionamento che le ha prodotte. È la separazione più importante, e la affronta il paragrafo che segue.

I pensieri nascosti di ognuno

Un ulteriore livello riguarda ciò che i modelli fanno prima di ogni risposta. Nei modelli che ragionano, cioè lo stato dell’arte di oggi, la risposta visibile è preceduta da una fase di elaborazione interna. È una catena di ragionamento, in buona parte nascosta all’utente, che indirizza ciò che verrà scritto ed è il punto in cui la risposta prende la sua direzione.

La questione non è se il modello «sappia in anticipo» come andrà a finire, ma dove vive quel ragionamento e chi può vederlo. In una conversazione unica vive nell’unico contesto disponibile, condiviso da tutte le voci, e nel contesto di ogni elemento di quel team simulato finisce anche il ragionamento nascosto che ha guidato gli altri. Niente resta privato, e il pensiero che ha costruito una posizione condiziona anche quelle che vengono dopo, perciò l’indipendenza tra le voci è solo apparente.

In un sistema a più agenti accade l’opposto, perché ogni agente ragiona nel proprio contesto e quel ragionamento non entra mai in quello degli altri. Ciascun partecipante riceve solo le parole condivise dagli altri, non i pensieri che le hanno prodotte. È questa la separazione che conta, non soltanto mandati diversi e materiali diversi da leggere, ma ragionamenti che restano separati l’uno dall’altro.

Va però fatta una precisazione, perché l’argomento è più netto sui modelli che ragionano, dove la fase di elaborazione è un blocco riconoscibile. Su un modello senza un ragionamento esplicito l’elaborazione interna è semplicemente il calcolo del singolo passaggio che genera il testo. Il principio tiene lo stesso, perché quel calcolo dipende soltanto dal contesto dell’agente che lo compie, e in un sistema a più agenti quel contesto è separato da quello di tutti gli altri.

La chat singola somiglia a un giocatore di scacchi che gioca contro se stesso. Quando muove da una parte sa già cosa potrebbe rispondere l’altra, e quando passa dall’altro lato del tavolo si porta dietro quella consapevolezza. Gioca una partita vera, ma conosce ogni piano da entrambi i lati, perché entrambi i piani nascono nella stessa testa e stanno scritti nello stesso foglio. L’uso degli agenti mette invece di fronte giocatori che pensano separati, e ognuno vede solo le mosse che arrivano sulla scacchiera, mai il ragionamento che le ha decise.

Da questa differenza nasce anche una conseguenza pratica. Nella chat singola nessuno può bluffare, perché non si inganna chi condivide la stessa testa, mentre con gli agenti il bluff torna possibile, perché un agente può tenere per sé un’intenzione che gli altri non vedono. Questo mostra che la separazione dei ragionamenti è reale, e non una semplice etichetta messa sopra lo stesso processo.

La separazione dei contesti è ciò che rende indipendenti le voci. Ogni agente conosce le conclusioni degli altri, mai il ragionamento che le ha prodotte.

«Ma è sempre lo stesso modello»

A questo punto è legittima un’obiezione. Se si lanciano più agenti con lo stesso modello, i pesi e la rete restano gli stessi, e non è ovvio quale differenza questo produca.

In realtà la differenza non sta nel substrato, ma in cosa entra e in cosa governa. Gli agenti condividono il modello, però ricevono prompt diversi e contesti diversi, e ognuno parte da un mandato che non è quello degli altri e ragiona su una storia che non contiene il ragionamento altrui. Soprattutto manca quello che nella conversazione singola appiattisce tutto, cioè un unico processo che prosegue un solo testo e lo spinge per natura verso la coerenza.

Un’analogia aiuta, entro il suo limite. Tre avvocati formati alla stessa università hanno in testa lo stesso modello giuridico, ma se difendono parti opposte producono argomenti in netto contrasto, perché ciascuno parte da un mandato diverso e non controlla cosa pensa l’altro. L’analogia si ferma qui, perché gli agenti non sono persone e non hanno interessi propri, ma coglie il punto.

Non solo Claude: il principio vale per ogni LLM

Tutto questo non è una particolarità di Claude. La convergenza nella conversazione unica nasce dal modo in cui i modelli di linguaggio generano testo a contesto condiviso, ed è comune a tutti, perché con GPT, con Gemini o con i modelli locali via Ollama o LM Studio cambia la qualità delle voci, non la dinamica di fondo.

Allo stesso modo il rimedio è generale, perché qualsiasi piattaforma che permetta di lanciare più agenti indipendenti ottiene lo stesso vantaggio. Un agente è un’istanza separata del modello, con un proprio prompt, un proprio contesto e un proprio ragionamento. Non è una funzione proprietaria, ma un principio di progettazione. Esistono già framework che lo realizzano per gli sviluppatori, come CrewAI, AutoGen o LangGraph, strumenti potenti che però si configurano scrivendo codice e restano fuori portata per chi vuole semplicemente analizzare un problema da più lati.

Il punto non è quale modello usare, ma se l’ambiente di lavoro consente di tenere gli agenti separati.

Come costruirsi un team di agenti

Per chi vuole provare, le strade praticabili sono tre, di impegno crescente.

1. Chiederlo direttamente all’LLM, dentro un ambiente che sappia gestire i sub-agenti. Con gli ambienti agentici di Claude, cioè Claude Code e Claude Cowork, si può chiedere al modello di orchestrare la discussione avviando un agente separato per ogni voce, ciascuno con il suo mandato e il suo contesto pulito. È l’approccio più immediato e vale anche per gli altri modelli dotati di ambienti simili. Il vincolo da conoscere è quello che dà valore al metodo, perché serve un ambiente capace di sub-agenti, mentre una chat ordinaria riporta per definizione tutto in un’unica conversazione e ricade nel limite di partenza.
2. Usare uno strumento già pronto. Su questa idea ho costruito una versione di Agent Discussion Arena basata sugli strumenti agentici di Claude, che uso nel lavoro con i clienti. Fa quello che descrive il punto precedente, ma in modo guidato e ripetibile, senza dover impostare l’orchestrazione ogni volta da capo.
3. Montare un sistema indipendente dal modello. È la strada della versione open source di Agent Discussion Arena, lo strumento per orchestrare discussioni tra agenti, che fa una chiamata separata per ogni partecipante e funziona con qualsiasi provider, dai modelli in cloud a quelli che girano sulla propria macchina. L’interfaccia è una pagina web nel browser, non una riga di codice. Chi vuole vedere cosa producono discussioni costruite così può scaricare le cinque discussioni professionali generate con ADA e leggerle per intero, dove le voci restano distinte, le obiezioni sono reali e gli argomenti si sviluppano di round in round invece di ripetersi.

In tutti i casi il vantaggio è lo stesso e si riconosce nei risultati. Quando la separazione è reale, togliendo i nomi si capisce comunque chi sta parlando, il moderatore prende posizione invece di concludere che hanno ragione tutti, e ogni round aggiunge qualcosa al precedente perché ogni agente risponde a contributi che non ha scritto lui.

Un team di esperti dentro l’AI non è una metafora, ma una scelta di architettura. Far interpretare molte voci a un solo modello dà un buon risultato, sufficiente per molti usi, ma quando serve un confronto reale la qualità più alta arriva dagli agenti separati, ciascuno con il proprio mandato e il proprio ragionamento. Il vantaggio non è che pensino meglio, ma che non pensano nello stesso processo.